HANDBOOK.md: agentes de IA fallan el 64% de tareas con políticas largas
Article summary
Quick briefing — cleaned from the original RSS feed
El mejor de treinta configuraciones de agentes de IA evaluadas en un nuevo benchmark aprueba apenas el 36,2% de sus pruebas cuando debe seguir, sin saltarse una sola regla, el manual interno de una empresa ficticia de hasta 124 páginas. El benchmark se llama HANDBOOK.md y lo publicó un equipo de siete investigadores el 28 de julio de 2026 en arXiv. Mide algo distinto a lo habitual: no si un agente puede completar una tarea, sino si respeta una política larga y vinculante mientras la completa,…
1Key Takeaways
- El mejor de treinta configuraciones de agentes de IA evaluadas en un nuevo benchmark aprueba apenas el 36,2% de sus pruebas cuando debe seguir, sin saltarse una sola regla, el manual interno de una empresa ficticia de hasta 124 páginas.
- El benchmark se llama HANDBOOK.md y lo publicó un equipo de siete investigadores el 28 de julio de 2026 en arXiv.
- Mide algo distinto a lo habitual: no si un agente puede completar una tarea, sino si respeta una política larga y vinculante mientras la completa,….
2AIWedia Score
8.4/10
High relevance — worth your attention today
Based on source trust, recency, category impact, and story depth.
3Why it matters
Coding AI shifts how fast software ships and how much human review each change needs. DEV — ML reports that el mejor de treinta configuraciones de agentes de IA evaluadas en un nuevo benchmark aprueba apenas el 36,2% de sus pruebas cuando debe seguir, sin saltarse una sola regla, el manual interno de una empresa ficticia de hasta 124 páginas.
Explore related
Browse toolsCoding AI news
Explore curated coding ai tools on AIWedia — compare, rank, and launch from our directory.
Full story on DEV — ML
Read full articleHeadlines aggregated via RSS for discovery on AIWedia. Original content © DEV — ML. We link to the source and do not republish full articles.