Saturday Night Fights

Este artículo revela una brecha significativa entre las puntuaciones de referencia de los modelos de IA y su rendimiento práctico en pruebas de preparación de agentes, donde muchos modelos con altas puntuaciones fallan en desafíos del mundo real. El autor propone una "tarjeta de lucha" para evaluar los modelos de IA basándose en sus verdaderas capacidades operativas en lugar de métricas superficiales.