RealMath-Eval: Por qué la IA no entiende el razonamiento humano
Descubre por qué los mejores modelos de IA fallan al evaluar razonamiento matemático real, revelando una brecha con datos sintéticos.
#jueces llm
Estabilidad vs. Manipulabilidad: Robustez en Jueces de IA
¿Son confiables los jueces de IA? Este estudio revela que aunque estables, pueden revertirse con desafíos posteriores, afectando rankings y preferencias humanas.
Trampa de saturación: fallo de disparadores afectivos y LLM en agentes autónomos
Descubre por qué los disparadores afectivos y LLM fallan en agentes autónomos. La trampa de saturación y subjetividad revelan baja fiabilidad.