Tag
4 artículos con este tag.
Los benchmarks públicos son útiles pero no dicen nada sobre si un modelo funciona para tu problema específico. Metodología práctica para evaluar modelos con tus propios datos.
o3 supera a o1 en todos los benchmarks relevantes y alcanza rendimiento humano experto en tareas de ciencia. Qué significa esto y qué limitaciones tiene.
MMLU, HumanEval, GPQA, MT-Bench, LMSYS Arena: cada benchmark mide algo diferente y tiene sus propias trampas. Una guía para interpretar los resultados antes de elegir un modelo.
Anthropic lanzó Claude 3.5 Sonnet y superó a GPT-4o en la mayoría de pruebas de razonamiento y código. Qué cambia para los desarrolladores y qué limitaciones sigue teniendo.
