Pruebas y Benchmarks
Comparaciones, pruebas de rendimiento y evaluaciones de modelos.
3 published articles
Evaluación de agentes
Los benchmarks en entornos controlados ocultan cómo fallan realmente los agentes: HKU acaba de construir la solución
UniClawBench evalúa agentes proactivos en cinco capacidades fundamentales a través de 400 tareas bilingües del mundo real, utilizando contenedores Docker en vivo y una evaluación de circuito cerrado con tres agentes. Desenreda las habilidades del modelo base de las elecciones del marco, revelando dónde se rompen realmente los agentes.
2026-07-13
Benchmarks y Pruebas
Treble Technologies y Hugging Face lanzan el Leaderboard FFASR para el reconocimiento de voz en campo lejano
El nuevo Leaderboard FFASR de Treble Technologies y Hugging Face evalúa modelos ASR en nueve condiciones, incluyendo reverberación, ruido de fondo y distancia del micrófono. Las primeras presentaciones muestran que el WER en campo lejano con baja SNR es varias veces mayor que el rendimiento en campo cercano, lo que destaca la necesidad de modelos acústicamente robustos.
2026-07-02
Rendimiento
Gemma 4 funciona casi un 90 % más rápido en Ollama 0.31 con predicción de múltiples tokens
Ollama 0.31 introduce la predicción de múltiples tokens para Gemma 4 en Apple Silicon, logrando una generación de tokens casi un 90 % más rápida en evaluaciones de codificación. La aceleración proviene de un modelo borrador ajustado automáticamente y un kernel MLX personalizado que elimina lecturas redundantes de pesos.
2026-06-29