5 notas publicadas
El Consistency Analyzer encuentra los pasos donde el modelo quedó a un token de decidir otra cosa, y las guías que genera bajan la brecha de 24,4 a 12 puntos.
El comando claude plugin eval corre cada caso dos veces, con el plugin cargado y sin él, y la diferencia entre ambas notas es lo único que cuenta.
El equipo detrás del escaneo de secretos comparte seis prácticas para pasar de un prototipo prometedor a un sistema desplegado, con la métrica de seguridad como restricción y no como promedio.
NVIDIA detalla cinco prácticas para medir agentes en producción: trayectorias completas, precisión de tool calls y eficiencia, más allá del benchmark estático del modelo base.
Otros temas que aparecen junto a #evaluacion en nuestra cobertura editorial.
