Tag

#Benchmarking

3 artículos encontrados.

DeepSeek V4-Flash vs GLM-5.2: ¿Por qué un 1.7% de ventaja desaparece al cambiar el sistema?

En un enfrentamiento entre DeepSeek V4-Flash y GLM-5.2, un margen de 1.7 puntos en benchmarks se anula al modificar el entorno de ejecución. ¿Qué revela esta paradoja tecnológica para el desarrollo de IA?

5 min lectura2hIAOnda Redaccion

Investigación

DynaSchedBench: El nuevo estándar para evaluar IA en planificación dinámica

Una plataforma de referencia que calibra problemas de scheduling y expone las limitaciones de los LLM en la toma de decisiones en tiempo real. Descubre el 'paradoja de observabilidad' y por qué los grandes modelos no siempre superan a heurísticas tradicionales.

5 min lectura9semIAOnda Redaccion

Investigación

Arquitecturas de agentes IA: un marco para planificar en la web

Investigadores proponen una taxonomía que clasifica agentes basados en LLM según paradigmas clásicos de planificación, revelando por qué algunos fallan y cómo evaluar su rendimiento más allá del éxito simple.

5 min lectura19semIAOnda Redaccion