Prueba de Alibaba: el mejor agente de código resuelve por completo solo 26,4% de los cambios reales en apps web

Investigadores de Alibaba y universidades asiáticas crearon Co-Design Bench, que pide a los modelos rehacer apps web a partir de solicitudes reales de usuarios, informó The Decoder el 8 de noviembre. El mejor de diez modelos, GPT-6 Astra, cumple en promedio 70% de los requisitos de cada tarea, pero deja todo correcto solo en 26,4% de los casos; lo siguen Claude Opus 5 y Qwen3.8-Max.