Tendencias del momento
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
489895
Cofundador, CTO-CPO de @SentoraHQ (fmr IntoTheBlock), cofundador de @layerlens_ai, @faktoryai, @neuralfabric y The Sequence AI, enseñando en Columbia-Wharton
489895 republicó
🧠 Grok 4 de @xai está avanzando en los benchmarks de razonamiento, pero la imagen es más matizada de lo que sugieren las puntuaciones.
Aquí está cómo se compara — y lo que realmente podemos aprender de sus resultados 🧵
📊 Evaluación completa:
1️⃣ Puntuaciones de Grok 4:
• Desafío de Razonamiento AI2 (Fácil): 98%
• AIME 2025 (Matemáticas): 89%
• Auditoría Contable: 84%
• MMLU-Plus: 64%
• Data4Health: 55%
Estas son puntuaciones generales — pero vamos a profundizar en lo que funciona y lo que aún falla.
2️⃣ AIME 2025
✅ Maneja álgebra, geometría, teoría de números
✅ Sigue las reglas de formato de LaTeX
❌ Tiene problemas con la lógica de múltiples pasos
❌ Errores en combinatoria
❌ Problemas de precisión en el formato (por ejemplo, falta el °)
3️⃣ Auditoría Contable
✅ Fuerte en ética e informes
✅ Sólido entendimiento de los principios de auditoría
❌ Mala interpretación de procedimientos similares
❌ No detecta diferencias sutiles en las respuestas
❌ Dificultad para aplicar la teoría a casos del mundo real
4️⃣ ¿La verdadera percepción?
Incluso un modelo con un 98% en algunas tareas puede fallar gravemente bajo ambigüedad o estrés de formato.
Los benchmarks como AIME y Auditoría muestran cómo falla, no solo cuánto puntúa.
5️⃣ ¿Por qué esto es importante?
Necesitamos una evaluación transparente, por tarea — no solo tablas de clasificación.
#Grok4 es poderoso, pero aún frágil en dominios del mundo real de alto riesgo.
🧪 Explora el desglose completo:
#AI #LLMs #Benchmarking
1,1K
Parte superior
Clasificación
Favoritos