Repetir la misma tarea veinte veces bajó un tercio al mejor agente.
Una nueva prueba llamada Thinkingbox ejecutó 507 flujos de trabajo veinte veces desde cero. Claude Opus 5 resolvió el 66,5 por ciento una vez y el 47,5 en los veinte intentos. Kimi K3 cayó más, del 57,4 al 17,6 por ciento, así que la brecha es la fiabilidad.
Por qué importaLas demos muestran un agente que acierta una vez; tu trabajo lo necesita siempre. La prueba califica la base de datos que dejó, no el resumen que escribió.
Léelo en la app — gratis, en 9 idiomas
Noticias relacionadas
Un modelo aprendió sin el método que entrena a toda la IA.2026-10-06TikTok metió un chatbot de compras dentro del vídeo que ves.
2026-10-06Wikimedia sospecha de agentes de OpenAI por la caída de mayo.
2026-10-06El asistente de Meta guarda una ficha horaria de tus conocidos.
2026-10-05Dos senadores piden cárcel para jefes cuyos agentes de IA hackean.
2026-10-05