El juez acertó donde una prueba pequeña falló

En TerminalBench apareció otra señal. El candidato favorito del juez resolvió dieciocho de cincuenta tareas durante la búsqueda; otro resolvió diecinueve. Al repetir la evaluación completa, el favorito del juez promedió un 36,7 por ciento y el otro, un 28,1. Una tarea de diferencia en una muestra pequeña había señalado al candidato equivocado. Los investigadores observaron problemas en el código del segundo: un verificador desactivado por defecto y una herramienta de terminal con riesgo de fallo. El juez podía detectar esas pistas sin ejecutar todo el examen.

Episodio completo: https://youtu.be/aJ5Qe2Sup5I

🤖 Contenido generado con IA: el guion, las voces y las imágenes de este episodio se produjeron con herramientas de inteligencia artificial.

#Shorts