Artículos por etiqueta: swe-bench

GLM-5.1 lidera en SWE-Bench Pro: 58.4%

GLM-5.1 de Z.ai supera a GPT-5.4 y Claude en SWE-Bench Pro. Ensambló un escritorio Linux en 8 horas, x6 en VectorDBBench. Pesos en HuggingFace. Prueba para tareas de larga duración.

Qwen3.6-Plus: programación agentiva y multimodalidad

Qwen3.6-Plus de Alibaba supera a competidores en codificación en SWE-bench, soporta 1M tokens y multimodalidad. Acceso API, benchmarks, integraciones — para desarrolladores. Explora detalles.

Degradación Claude Code: profundidad de razonamiento -73%

Análisis de 6852 sesiones de Claude Code: caída en profundidad de pensamiento del 73%, aumento de costos ×122, ediciones ciegas 33%. Solución alternativa y métricas para desarrolladores intermedios/senior. Verifica en tus propias tareas.

14 Benchmarks de LLM: Análisis y Crítica

Análisis detallado de SWE-bench, Terminal-Bench, τ² y otras pruebas para LLM. Aprende debilidades y relevancia para tareas de desarrollo. Elige un modelo conscientemente.