Por qué puntuaciones de IA similares ocultan modelos distintos
DeepSWE sitúa a Luna Max 2,2 puntos por detrás de Sol High con casi una sexta parte del coste. Explico por qué se sienten distintos en un repositorio.
Notas prácticas sobre IA y desarrollo de software
Página 3 de 3
Mis agentes de programación olvidan el repo. Les hice un mapa
Creé un sistema de cuatro capas que dirige a mis agentes de programación hacia los datos vigentes. Funciona, pero mantener el mapa al día sigue siendo difícil.
GPT-5.6 vs Claude 5: por qué difieren los benchmarks
Comparé Sol, Terra, Opus 5 y Fable 5 en benchmarks de código. El ganador cambia según la tarea, el nivel de esfuerzo, el agente y el presupuesto.
Kimi K3 iguala a GPT-5.6. Tarda 4,6 veces más
Kimi K3 iguala a GPT-5.6 medium, pero tarda 4,6 veces más. GLM-5.2 es barato por token y caro por tarea. Compruebo en qué sigue destacando cada uno.
Comparé ocho alternativas a Convex. No pienso cambiarme
Appwrite e InsForge son las alternativas más cercanas, pero Convex sigue siendo el backend más fácil de cambiar con mis agentes. En la UE sale más caro.
GPT-5.6 Sol cae en la sobreingeniería. Aun así, lo uso
En mi auditoría de lanzamiento, GPT-5.6 Sol encontró casi seis veces más problemas que Fable 5. La mayoría no superó el triaje, así que cambié cómo lo uso.
Opus 5 es un gran empleado, pero un jefe frustrante
Opus 5 iguala a Fable 5 en benchmarks a mitad de precio por token, pero supervisarlo puede ser agotador. Explico cuándo Fable aún merece su lugar.