Claude Opus 4.8: menys mentides i més fiabilitat?
Two Minute Papers analitza la System Card d’Opus 4.8: menys afirmacions falses, més diligència amb el codi i límits en les avaluacions.
Tema
avaluació de models
Resums de vídeos per entendre millor aquest tema.
Gemini 3.6 Flash i els benchmarks: mateixa puntuació no vol dir cap millora
Gemini 3.6 Flash obté 50 punts a Artificial Analysis, però millora en codi, eines i eficiència. Expliquem què amaguen la mitjana, la velocitat i el cost.