Martes 27 de octubre de 2026 ·

Odysseys2: nuevo benchmark de agentes web de largo plazo de CMU y Browser Use

Relevancia 33 de 100

Carnegie Mellon University y Browser Use presentan Odysseys2, un benchmark con 100 tareas largas en la web real, cada una evaluada con 8 a 12 comprobaciones de aprobado o suspenso. El mejor agente completa totalmente 47 de 100 tareas. GPT-6 Astra tiene una puntuación media de 84,6, pero no completa las 53 restantes, y Opus 5.5 queda segundo con 18 tareas completas. Los dos jueces de evaluación discrepan mucho: Gemini 3.7 Flash obtiene 94,9 con uno y 5,8 con el otro.

Qué significa

Los agentes que navegan por la web todavía fallan la mayoría de tareas largas de principio a fin. Como las puntuaciones cambian mucho según el juez, conviene leerlas con cautela.

Fuentes originales

Resumen de Hoy en IA. Pulsa una fuente para leer la noticia completa en su idioma original.

También ese día

Todas las noticias de IA del martes 27 de octubre de 2026 ->