Testes práticos de performance, consumo e precisão entre agentes de IA
CloudOpsBench mide cómo los agentes de IA ejecutan tareas reales de operación en la nube. El mejor agente resuelve el 60,6% de las 45 tareas en AWS. Mira los números.
Criador do bridgecode
SuperCLUE publicó en noviembre de 2026 la tabla con 19 modelos y líderes diferentes en cada categoría. El ranking dividido es más útil como mapa de shortlist que como veredicto final.
Google Cloud lanzó el Physical-Engineering Last Exam, un benchmark de 85 tareas de ingeniería física. Todos los modelos marcaron menos del 50%. Mira los números.
BenchLeader actualizó su índice el 7 de noviembre de 2026. Claude Opus 5.5 lidera con 69,3 puntos, seguido de cerca por Gemini 4 Carbon y GPT-6 Astra.
Ricursive dice que Ripple 65B Preview alcanza la puntuación más alta entre los modelos abiertos de Estados Unidos en TerminalBench 2.1, con un costo de 32 millones de dólares.
Artificial Analysis lanzó VIALS-AA, implementación del benchmark VIALS de Handshake AI, que prueba si los modelos interpretan imágenes científicas y responden sobre las evidencias.
Thinking Machines Lab anunció Inkling 2 Small con 594 mil millones de parámetros y 17 mil millones activos. El modelo alcanzó 71,8% en EnterpriseBench-CoreCraft y 46,8% en EnterpriseOps-Gym.
OpenAI lanza BioBasicBench, un conjunto de tareas para medir agentes de IA en escenarios de biología. Qué evalúa el benchmark y cómo se posiciona frente a los conjuntos existentes.
AI2 presenta ToyBlocks, un entorno de simulación con cuatro tareas para estudiar generalización y transferencia física en robótica.
En el ranking de tau2-Bench Airline del 6 de noviembre, GPT-5.1 marcó 80,0%. Entiende el método, el tamaño mínimo de muestra y los límites antes de elegir un agente.
Kimi K3.1 Pro y ERNIE 5.5 llegaron con pesos públicos; Axion, Shackleton y ORO ampliaron el movimiento open y de infraestructura de agentes.
Hugging Face publicó el 5 de noviembre los resultados de Phonon en el Open TTS Leaderboard, con 28 ms hasta el primer audio en la prueba de streaming en CPU.
Selección técnica en profundidad: arquitecturas agénticas, benchmarks reales de tokens, servidores MCP y herramientas open source en tu correo y el blog.
