Contexto · IA Frontera · barrido martes, 17 de noviembre de 2026
Benchmarks de agentes de código para ingeniería de software autónoma
La evaluación de agentes de código se desplaza de tests funcionales ahorrados a tareas de horizonte largo, repositorios en evolución y cumplimiento de políticas de repositorio. El cuello de botella ya no es la capacidad de generar parches correctos sino la verificación reproducible y la gobernanza del código autónomo, lo que condiciona la adopción empresarial de agentes de software.
Título, tesis y evaluación de gravedad redactados por un modelo de IA, sin revisión humana previa.
Gravedad30/100 · Fondo
Por qué esta gravedad
Los 11 artículos son preprints de arXiv que proponen nuevos benchmarks (SWE-Bench Pro V2, ExpertCrowd-SWE, SWE-Shift, SWE-CC) para agentes de código; no hay release de modelo, adopción industrial declarada ni métrica de un actor Tier 1 que reordene el sector. La proliferación de benchmarks señala un problema metodológico de verificación, no una discontinuidad material observable hoy.
- Cobertura
- 1 feed · 1 grupo editorial independiente (un solo grupo editorial)
- Verticales cruzadas
- IA Frontera, Industria Tech, Startups
- Gravedad frente a la edición anterior
- −5 (35 → 30)
cobertura, no exactitud
Fuente principal
SWE-Bench Pro V2: A Cleaner, Harder-to-Game Coding Benchmark · arXiv CS.AI / Soham Dan, Jeff Da, Sanyam Bhutani, Miguel Romero Calvo, Ivan Guevara, Fernando Carabedo, Jose Bernal, Julio Reyna, Luis Leandro Monsalve Mendez, Ying Liu, Daniel Yue ZhangCronología · hora de Madrid
- 06:00
- 06:00
- 06:00
- 06:00
- 06:00
- 05:00
- 05:00
- 06:00Harvesting SWE Benchmarks from Wild Vibe Coding Sessions · arXiv CS.AI
- 06:00
- 06:00
- 06:00
CompartirWhatsApp
Historias relacionadas
- 0Memoria persistente en modelos visión-lenguaje-acción para navegación y manipulación robótica
- 80Agentes de IA descubriendo y parchando vulnerabilidades críticas en infraestructura abierta
- 80Expansión de DeepSeek en agentes, APIs e infraestructura de inferencia
- 80Kimi K3.1 Pro de Moonshot y la apertura de pesos en modelos frontera
- 72Modelos de ciberseguridad ofensiva de OpenAI y despliegue en nubes gubernamentales