{"id":434443,"date":"2026-11-08T13:08:00","date_gmt":"2026-11-08T12:08:00","guid":{"rendered":"https:\/\/cms-articles.softonic.io\/es\/?p=434443"},"modified":"2026-11-08T13:09:10","modified_gmt":"2026-11-08T12:09:10","slug":"co-design-bench-el-nuevo-benchmark-de-alibaba-los-agentes-de-programacion-aun-requieren-retoques-humanos-en-el-75-de-las-tareas","status":"publish","type":"post","link":"https:\/\/cms-articles.softonic.io\/es\/co-design-bench-el-nuevo-benchmark-de-alibaba-los-agentes-de-programacion-aun-requieren-retoques-humanos-en-el-75-de-las-tareas\/","title":{"rendered":"Co-Design Bench, el nuevo benchmark de Alibaba: los agentes de programaci\u00f3n a\u00fan requieren retoques humanos en el 75% de las tareas"},"content":{"rendered":"

Alibaba y varias universidades acaban de presentar Co-Design Bench, un nuevo benchmark para poner a prueba agentes de programaci\u00f3n que, a la vista de sus resultados, deja una cifra bastante clara: solo resolvi\u00f3 por completo el 26,4%<\/strong> de las tareas.<\/p>\n

\r\n
\r\n
\r\n
\r\n \"Visual\r\n <\/div>\r\n
\r\n Visual Studio Code<\/span>\r\n Descargar<\/a>\r\n <\/div>\r\n
\r\n <\/path><\/path><\/text><\/svg>\r\n <\/div>\r\n <\/div>\r\n
\r\n <\/span>\r\n <\/div>\r\n
\r\n \r\n <\/div>\r\n <\/a>\r\n <\/div>\r\n<\/div>\n\n\n\n

La lectura que hacen sus autores va en la misma direcci\u00f3n. Co-Design Bench apunta a que los agentes de programaci\u00f3n todav\u00eda est\u00e1n lejos de poder asumir por su cuenta tareas reales de desarrollo.<\/p>\n\n

La prueba se centra en modificar aplicaciones web ya existentes. Ah\u00ed, el sistema con mejor resultado, GPT-6 Astra, solo cerr\u00f3 de principio a fin el 26,4%<\/strong> de los trabajos, siempre seg\u00fan los datos de Co-Design Bench.<\/p>\n\n

La cifra llama la atenci\u00f3n por otra raz\u00f3n: ese mismo modelo s\u00ed cumpli\u00f3, de media, el 69,9% de los requisitos<\/strong> de cada tarea. Es decir, muchas veces deja el trabajo muy avanzado, casi listo, pero no lo bastante como para prescindir de una revisi\u00f3n final y de la limpieza manual.<\/p>\n\n

Dicho de forma m\u00e1s llana, en casi tres de cada cuatro<\/strong> casos todav\u00eda hace falta intervenci\u00f3n humana.<\/p>\n\n

El benchmark se construy\u00f3, cuentan sus autores, a partir de 37.463 solicitudes<\/strong> reales de cambios enviadas por usuarios y que ya hab\u00edan demostrado ser complicadas para esta clase de agentes.<\/p>\n\n

La versi\u00f3n p\u00fablica de Co-Design Bench re\u00fane 273 tareas<\/strong>, todas centradas en modificar apps web existentes, no en levantar peque\u00f1os proyectos desde cero.<\/p>\n\n

Y eso cambia bastante el tipo de examen, porque varios tests anteriores ya se hab\u00edan quedado demasiado f\u00e1ciles.<\/p>\n\n

Los investigadores se\u00f1alan que algunos modelos ya pasan del 99%<\/strong> en ciertos benchmarks de programaci\u00f3n con agentes. Cuando ocurre eso, distinguir diferencias de capacidad empieza a ser cada vez m\u00e1s dif\u00edcil. Co-Design Bench nace justo para cubrir ese hueco y, por lo que muestran sus resultados, abre una distancia de m\u00e1s de 35 puntos porcentuales frente a esas pruebas m\u00e1s gastadas.<\/p>\n\n

El estudio tambi\u00e9n deja ver un patr\u00f3n muy reconocible: los modelos suelen completar buena parte de la tarea, pero tropiezan en uno o varios detalles que acaban rompiendo el resultado final.<\/p>\n\n

Y en desarrollo de software, justo ah\u00ed es donde empieza el trabajo pesado<\/a><\/strong>: revisar, depurar, corregir.<\/p>\n\n

La dificultad sube todav\u00eda m\u00e1s cuando un mismo encargo mezcla cambios de dise\u00f1o, maquetaci\u00f3n, interacci\u00f3n y contenido. Ese cruce es normal en proyectos reales y, seg\u00fan el estudio, fue el terreno en el que todos los modelos<\/strong> evaluados rindieron peor.<\/p>\n\n

Co-Design Bench suma adem\u00e1s tareas multimodales, bastante m\u00e1s cercanas a lo que pasa en el uso diario de una app moderna.<\/p>\n\n

Algunas obligan a trabajar con im\u00e1genes, audio, v\u00eddeo<\/strong> o documentos para modificar una aplicaci\u00f3n ya existente. Un ejemplo que cita el benchmark: extraer importes de un recibo y actualizar de manera coherente los totales y las vistas relacionadas dentro de la propia app.<\/p>\n\n

La correcci\u00f3n, adem\u00e1s, est\u00e1 hecha para no dejar pasar trampas.<\/p>\n\n

Primero, un evaluador automatizado prueba la app terminada dentro de un navegador. Despu\u00e9s, un segundo evaluador<\/strong> vuelve sobre los resultados positivos para detectar maquetas, atajos o salidas programadas a mano. Solo cuentan las funciones que de verdad funcionan.<\/p>\n\n

Los resultados encajan con otras se\u00f1ales que ya ven\u00eda dejando el sector.<\/p>\n\n

En SWE-bench Verified, GPT-4o obtuvo un 30,7%<\/strong>, GPT-4.1 lleg\u00f3 al 54,6% y Qwen3-Coder alcanz\u00f3, seg\u00fan los resultados publicados por SWE-bench Verified y por sus propios desarrolladores, el 67,4%.<\/p>\n\n

Visto en conjunto, estos sistemas ya pueden acelerar bastante el trabajo y recortar tiempo en tareas parciales, pero todav\u00eda no son sustitutos fiables si se les quiere dejar solos con proyectos de programaci\u00f3n reales, de principio a fin<\/strong>.<\/p>\n\n

Cu\u00e1ndo llegar\u00e1 esa autonom\u00eda total, por ahora, nadie lo sabe.<\/p>","protected":false},"excerpt":{"rendered":"

Alibaba y varias universidades acaban de presentar Co-Design Bench, un nuevo benchmark para poner a prueba agentes de programaci\u00f3n que, a la vista de sus resultados, deja una cifra bastante clara: solo resolvi\u00f3 por completo el 26,4% de las tareas. La lectura que hacen sus autores va en la misma direcci\u00f3n. Co-Design Bench apunta a … Continue reading “Co-Design Bench, el nuevo benchmark de Alibaba: los agentes de programaci\u00f3n a\u00fan requieren retoques humanos en el 75% de las tareas”<\/span><\/a><\/p>\n","protected":false},"author":9350,"featured_media":434442,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","wpcf-pageviews":0},"categories":[9317],"tags":[],"usertag":[],"vertical":[],"content-category":[14053],"class_list":["post-434443","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news","content-category-ia"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t