9 min read
Programming El benchmark de harnesses de agentes más grande hasta ahora: 27.280 ejecuciones. Qué mide bien, qué no, y por qué tu factura está en los turnos y no en el prompt.
El benchmark de harnesses de agentes más grande hasta ahora: 27.280 ejecuciones. Qué mide bien, qué no, y por qué tu factura está en los turnos y no en el prompt.