Saltar al contenido
EN

Menos ruido. Más señal.

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.
— Evaluación del Semantic Gravity Engine
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

Detectada por primera vez lun 16 de nov · 2 días en seguimientoEvolución de la gravedad
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 Zhang
Actores: arXiv · SWE-Bench Pro · ExpertCrowd-SWE · SWE-Shift · SWE-CC · GitHub
Cronología · hora de Madrid
  1. 06:00
  2. 06:00
  3. 06:00
  4. 06:00
  5. 06:00
  6. 05:00
  7. 05:00
  8. 06:00
  9. 06:00
  10. 06:00
  11. 06:00
CompartirWhatsApp
Historias relacionadas