# El benchmark AgentSWE evalúa lo que realmente entregan los agentes de programación

> El preprint de arXiv define 25 tareas de creación de agentes, edición de código existente y optimización hacia un objetivo.

- URL canónica: https://newsverum.com/es/news/agentswe-coding-agent-benchmark-requirement-fidelity-2026
- Publicación: Newsverum
- Sección: Tecnología
- País: China
- Publicado: 2026-10-13T10:04:09+00:00
- Actualizado: 2026-10-13T10:04:09+00:00
- Período del evento / de los datos: 2026-10-09
- Otras ediciones: [Türkçe](https://newsverum.com/tr/news/agentswe-coding-agent-benchmark-requirement-fidelity-2026.md), [English](https://newsverum.com/en/news/agentswe-coding-agent-benchmark-requirement-fidelity-2026.md), [العربية](https://newsverum.com/ar/news/agentswe-coding-agent-benchmark-requirement-fidelity-2026.md), [Français](https://newsverum.com/fr/news/agentswe-coding-agent-benchmark-requirement-fidelity-2026.md), [Deutsch](https://newsverum.com/de/news/agentswe-coding-agent-benchmark-requirement-fidelity-2026.md), [Português](https://newsverum.com/pt/news/agentswe-coding-agent-benchmark-requirement-fidelity-2026.md)

Investigadores afiliados a la Academia de Inteligencia Artificial de Pekín y otras instituciones publicaron AgentSWE, un benchmark para medir si un agente de programación construye otro agente que cumple un requisito expresado en lenguaje natural. El preprint de arXiv fechado el 9 de octubre cubre 25 tareas en tres etapas: crear un agente desde cero, editar bases de código de agentes en producción y optimizar hacia un objetivo medible. El constructor trabaja con un conjunto limitado de ejemplos ilustrativos; después, la versión entregada se evalúa con casos reservados y criterios derivados de los requisitos.

Los autores informan que ninguna de las combinaciones de modelos y entornos evaluadas se acercó a entregar lo solicitado. Su análisis detecta problemas recurrentes, como el ajuste excesivo a los ejemplos visibles, entornos de ejecución que no hacen el trabajo prometido y afirmaciones de finalización sin respaldo. Así, el benchmark comprueba si el agente construido realiza la tarea indicada, no solo si su código parece completo. Los hallazgos se limitan a las 25 tareas de investigación y a los protocolos del preprint; no establecen una tasa universal de fallos para agentes de programación o despliegues reales.

## Datos

### Recuento de tareas y etapas de AgentSWE en el preprint

Número de tareas y etapas del ciclo de vida que delimitan el benchmark.

Metodología: El artículo distribuye 25 tareas entre creación, edición y optimización; las cifras corresponden solo a este benchmark de investigación.

| Medición | Valor |
|---|---|
| Tareas de AgentSWE | 25 |
| Etapas de creación, edición y optimización | 3 |

Fuentes: <https://arxiv.org/abs/2610.13361> · Descargar datos: [JSON](https://newsverum.com/api/v1/articles/agentswe-coding-agent-benchmark-requirement-fidelity-2026/data/benchmark-scope-counts?lang=es&format=json) · [CSV](https://newsverum.com/api/v1/articles/agentswe-coding-agent-benchmark-requirement-fidelity-2026/data/benchmark-scope-counts?lang=es&format=csv)

## Fuentes

- [arXiv preprint by researchers affiliated with Beijing Academy of Artificial Intelligence, Institute of Automation of the Chinese Academy of Sciences and Renmin University of China](<https://arxiv.org/abs/2610.13361>) (Fuente comprobada: 2026-10-13; Publicado: 2026-10-09)

---

Cite la URL canónica indicada arriba. [Principios editoriales y correcciones](https://newsverum.com/es/editorial)