GPT-6 Astra logró un 49,2% en el ajuste más duro y Claude Opus 5 un 28,8%, en la evaluación que el propio artículo hizo de nueve agentes de frontera.
Benchmark
ProgramDistill
Qué mide el benchmark ProgramDistill, cómo lo ejecuta Microsoft Research y las puntuaciones registradas de cada modelo, con su fuente, fecha de…
- Responsable
- Microsoft Research
- Puntuación
- %
- Última comprobación
- 19 de septiembre de 2026
Clasificación
Todavía no hay resultados verificados.