Benchmark Vero Berkeley: Hanya 27 dari 43 Repo Terpecahkan Penuh
Benchmark baru Vero dari Berkeley RDI Lab menguji agen AI menulis kode sekaligus bukti formal di seluruh repositori Lean 4 — model terbaik pun hanya berhasil menyelesaikan 27 dari 43 proyek secara penuh.