Un análisis detallado de OpenAI revela que el 30% del examen SWE-Bench Pro para medir la capacidad de programación de las IA está defectuoso, provocando evaluaciones incorrectas.
Análisis profundo del modelo Amazon Nova a través de benchmarks MT-Bench y Arena Hard Auto. ¿Qué revelan estos números sobre el futuro de la inteligencia artificial y nuestra relación con ella?
Desde su lanzamiento, Claude 4 ha generado grandes expectativas como el buque insignia de Anthropic, con promesas de ser más seguro, ético y potente que sus predecesores. Pero en los últimos días, el debate se ha centrado menos en sus…