#benchmarks

La plataforma presenta Gaia2 y ARE, dos proyectos que permiten a investigadores y desarrolladores analizar cómo funcionan realmente los agentes autónomos de IA

Hugging Face documenta cómo en 2026 la brecha de rendimiento entre modelos abiertos y privativos se ha cerrado, cambiando el equilibrio de poder en la industria.

RTEB quiere acabar con las métricas engañosas que usan las empresas al comparar sus sistemas de búsqueda y recuperación de información.

AssetOpsBench evalúa sistemas de inteligencia artificial en escenarios industriales complejos, con datos incompletos y decisiones que tienen consecuencias económicas.

La plataforma abandona las leaderboards privadas y apuesta por un sistema donde cualquiera puede ver, replicar y proponer nuevas pruebas para medir qué modelos funcionan mejor.

IBM Research publica un estudio detallado sobre cómo y por qué los agentes de IA cometen errores al intentar resolver tareas complejas con herramientas externas.

Hugging Face publica una guía práctica para medir si los modelos de lenguaje abiertos pueden usar bien las funciones y APIs de tu propia aplicación.

Hugging Face lanza FFASR, un ranking que evalúa modelos de reconocimiento de voz con audio del mundo real, no con grabaciones de laboratorio.

La plataforma integra resultados de Every Eval Ever para que cualquiera pueda comparar modelos sin depender solo de las cifras que publican sus creadores.

ScarfBench evalúa si los agentes de IA pueden actualizar aplicaciones Java heredadas, una tarea que las empresas pagan millones por hacer manualmente.

La plataforma actualiza su sistema de evaluación con pruebas más exigentes y detectores de trampas para saber qué IA domina realmente el idioma hablado por más de 400 millones de personas.