Testes práticos de performance, consumo e precisão entre agentes de IA
Inkling 2 Small soltou 316 palavrões em 2.655 execuções de benchmark. O que isso revela sobre loops de raciocínio e sobre leitura de benchmarks.
Criador do bridgecode
Pesquisadores criaram um benchmark de agentes de código baseado em pedidos reais de usuários. Mesmo o melhor modelo completa apenas 26,4% das tarefas. Veja os números.
ONESTRUCTION publicou em 7 de novembro de 2026 um ranking de 20 modelos de IA em cinco eixos de trabalho real de construção. Claude Opus 5.5 liderou com 73,7 pontos.
RoleRouteBench é um ambiente reproduzível para avaliar roteamento dinâmico de papéis em tarefas multi-etapa. Veja os resultados do JEV 1.13 nos quatro domínios.
O CloudOpsBench mede como agentes de IA executam tarefas reais de operação em nuvem. O melhor agente resolve 60,6% das 45 tarefas na AWS. Veja os números.
SuperCLUE publicou em novembro de 2026 a tabela com 19 modelos e líderes diferentes em cada categoria. O ranking dividido é mais útil como mapa de shortlist do que como veredito final.
O Google Cloud lançou o Physical-Engineering Last Exam, benchmark de 85 tarefas de engenharia física. Todos os modelos marcaram menos de 50%. Veja os números.
O BenchLeader atualizou seu índice em 7 de novembro de 2026. Claude Opus 5.5 lidera com 69,3 pontos, seguido de perto por Gemini 4 Carbon e GPT-6 Astra.
A Ricursive diz que o Ripple 65B Preview alcança a maior pontuação entre modelos abertos dos EUA no TerminalBench 2.1, com custo de 32 milhões de dólares.
Artificial Analysis lançou o VIALS-AA, implementação do benchmark VIALS da Handshake AI, que testa se modelos interpretam imagens científicas e respondem sobre as evidências.
Thinking Machines Lab anunciou o Inkling 2 Small com 594 bilhões de parâmetros e 17 bilhões ativos. O modelo marcou 71,8% no EnterpriseBench-CoreCraft e 46,8% no EnterpriseOps-Gym.
OpenAI lança BioBasicBench, um conjunto de tarefas para medir agentes de IA em cenários de biologia. O que o benchmark avalia e como ele se posiciona frente aos conjuntos existentes.
Selección técnica en profundidad: arquitecturas agénticas, benchmarks reales de tokens, servidores MCP y herramientas open source en tu correo y el blog.
