#benchmark

El sistema Stellar Colosseum de Google obtiene un 71.0% en demostración de teoremas de nivel de investigación y resuelve 218 de 222 problemas de Codeforces ejecutando estrategias en paralelo.

Specific Labs licenció repositorios privados de una empresa de producto de consumo y una plataforma fintech para construir Real-SWE, convirtiendo código propietario en datos de evaluación imposibles de rastrear.