Domingo 18 de octubre de 2026 ·
Taste-Bench mide el punto débil de los agentes de IA: decidir bien a largo plazo
Útil para
Investigadores de Microsoft y City University of Hong Kong crearon Taste-Bench, un benchmark con 502 preguntas que evalúa si los agentes de IA eligen bien decisiones intermedias en tareas largas. El mejor modelo, GPT-5.6 Sol, acertó el 59,7%, y la precisión media cayó al 21% cuando la evidencia decisiva aparecía mucho después. Entrenar un modelo Qwen3.6-27B como asesor de decisiones elevó el éxito de un agente en SWE-bench Pro del 14,6% al 33,7%.
Qué significa
Quien use agentes de programación en tareas largas debe contar con que sus decisiones intermedias pueden fallar, y un asesor entrenado para elegir mejor podría mejorar los resultados.
Cómo te afecta
- Programadores
En tareas largas con agentes de programación, las decisiones intermedias fallan más de lo que sugiere el resultado final: la precisión media baja al 21 % cuando la evidencia decisiva llega tarde. Pon revisión humana antes de los pasos irreversibles.
Fuentes originales
Resumen de Hoy en IA. Pulsa una fuente para leer la noticia completa en su idioma original.
- Tecnología - DiarioBitcoin.comLeer la noticia completa en Tecnología - DiarioBitcoin.com
También ese día
Todas las noticias de IA del domingo 18 de octubre de 2026 ->