El nuevo punto de referencia de agentes de codificación de Alibaba, Co-Design Bench, prueba agentes de IA en solicitudes de usuarios reales que ya los hicieron tropezar en la práctica. Incluso el GPT-6 Astra, el de mejor rendimiento, resuelve completamente sólo el 26,4 por ciento de las tareas. En viejo…
Los nuevos modelos restablecen la frontera entre capacidad y precio-rendimiento. Los equipos reevalúan sobre qué construir cada vez que un lanzamiento cambia lo que es posible por dólar.
Los resúmenes se agregan únicamente con fines informativos; siga el enlace fuente para ver la historia completa. Las entradas de demostración son ilustrativas.