benchmark en Hacker News
68 títulos de 63 autores en los últimos 30 días, con 66 enlaces distintos y 12 Show HN.
Cuenta títulos, no confirma hechos. Abre la fuente antes de sacar conclusiones.
Proyectos de este término
La nota viene de nuestro modelo.
- Show HN: Self-bench – benchmark de agentes de programación en software del mundo real · nota 7.5
SelfBench genera benchmarks privados para agentes de programación a partir de los propios pull requests fusionados de un repositorio, reconstruyendo tareas, escribiendo pruebas ocultas y validándolas mediante un pipeline de múltiples puertas. Ejecuta agentes y modelos sobre esas tareas para trazar precisión frente a costo con una frontera de Pareto, cubriendo un vacío real entre los benchmarks públicos genéricos y el rendimiento específico de cada repositorio.
- Show HN: AI SRE Arena, un benchmark abierto para agentes SRE de IA en Kubernetes · nota 7.3
Project Arena es un benchmark neutral respecto a proveedores para evaluar agentes SRE de IA en Kubernetes. Despliega un clúster Kubernetes desechable, inyecta fallos en 21 escenarios, captura registros de investigación de cualquier producto y los puntúa con un juez configurable. Permite comparaciones reproducibles entre herramientas de investigación de incidentes basadas en IA.
- Show HN: Benchmark de autorouter en varias PCB · nota 7.0
autorouter-bench es un benchmark reproducible para autorouters de PCB, que utiliza KiCad como árbitro independiente para puntuar la finalización, las violaciones de DRC y otras métricas en placas reales de hardware abierto. Proporciona conjuntos de placas curados (8 placas principales y 25 placas públicas adicionales) con fuentes upstream fijadas y reglas de diseño consistentes, lo que permite una comparación justa de las herramientas de routing. El proyecto llena un vacío en la evaluación objetiva del autorouting en EDA y es especialmente valioso para ingenieros de hardware e investigadores.
- Show HN: Evalúa con benchmarks agentes de programación al desplegar aplicaciones · nota 7.0
ai-deploy-bench es un benchmark que mide qué tan bien los agentes de codificación de IA (específicamente Claude Code) pueden construir y desplegar cinco tipos de aplicaciones web en cinco proveedores de nube. Ejecuta cada celda en GitHub Actions, verifica los despliegues con pruebas de caja negra y publica resultados que incluyen tasas de éxito, intervención humana necesaria, puntuaciones de seguridad y costos. Esto proporciona una evaluación reproducible de extremo a extremo de la capacidad del agente, desde la generación de código hasta el despliegue en vivo.
Títulos recientes
Títulos traducidos por IA, que puede equivocarse. El original queda justo debajo.
- Cómo hacer benchmark de entrenamiento con GPUs mixtas sin engañarte a ti mismo
How to benchmark mixed-GPU training without fooling yourself
31/10/2026 · nodeox.com · discusión en HN - ViBench 2.0: Un benchmark para la construcción de software de largo horizonte
ViBench 2.0: A Benchmark for Long-Horizon Software Building
31/10/2026 · frontier.replit.com · discusión en HN - GBench: DeepMind libera en código abierto una suite de evaluación con 86 suites de benchmark
GBench: DeepMind open-sources evaluation suite with 86 benchmark suites
31/10/2026 · github.com · discusión en HN - Benchmark de recursos de servidores MCP: RAM, tiempo de arranque y número de herramientas en 11 servidores
MCP server resource benchmark: RAM, startup time and tool counts for 11 servers
31/10/2026 · techfuelhq.com · discusión en HN - Benchmark en vivo de APIs de web scraping y proxies residenciales (2026)
Live benchmark of web scraping APIs and residential proxies (2026)
31/10/2026 · github.com · discusión en HN - Benchmark DualChem
DualChem Benchmark
29/10/2026 · scale.com · discusión en HN - Hacemos benchmarks de LLM en PostHog con tareas prácticas y datos reales
We benchmark LLMs at PostHog on practical tasks with real data
29/10/2026 · posthog.com · discusión en HN - Benchmark de ingesta de logs: Loki, Elasticsearch, VictoriaLogs y ClickHouse
Logs Ingestion Benchmark: Loki, Elasticsearch, VictoriaLogs and ClickHouse
29/10/2026 · victoriametrics.com · discusión en HN - Frontier CS añadió un benchmark para Gemini 4 Argon en Antigravity
Frontier CS added benchmark for Gemini 4 Argon on Antigravity
27/10/2026 · twitter.com · discusión en HN - Casi no basta: presentamos VybBench, nuestro benchmark de fidelidad de diseño
Almost isn't good enough: Introducing VybBench, our Design Fidelity Benchmark
27/10/2026 · cocolabs.ai · discusión en HN - Show HN: hice un benchmark de /localllama de Reddit con IA, por supuesto
Show HN: I made /localllama Reddit benchmark using AI ofc
27/10/2026 · aexol.ai · discusión en HN - El razonamiento estático no demuestra el comportamiento en tiempo de ejecución: benchmark de revisores de PR con IA
Static reasoning can't prove runtime behavior: benchmark of AI PR reviewers
27/10/2026 · heal.dev · discusión en HN - Show HN: Benchmark de autorouter en varias PCB
Show HN: Autorouter Benchmark on Various PCBs
26/10/2026 · github.com · discusión en HN - Simulador tipado de reglas de Tibia con destino WGSL para el benchmark OT Agent Arena
Typed Tibia-rules simulator targeting WGSL for the OT Agent Arena benchmark
24/10/2026 · github.com · discusión en HN - Benchmark de seguridad para agentes de programación con IA
AI Coding Agent Security Benchmark
23/10/2026 · endorlabs.com · discusión en HN - Ya están disponibles los resultados del nuevo benchmark EDA (adelanto)
New EDA Benchmark (sneak peek) results are live
23/10/2026 · github.com · discusión en HN - FrontierCS 2: un benchmark para I+D en informática
FrontierCS 2: A Benchmark for Computer Science R&D
23/10/2026 · frontier-cs.org · discusión en HN - Estado de IaaS y cómputo en 2026: referencia de mercado y análisis de costos
State of IaaS and Compute 2026: market benchmark and cost analysis
22/10/2026 · cloudcompare.dev · discusión en HN - AA-PersonalityBench: benchmark de personalidad y estilo de comunicación de IA
AA-PersonalityBench: AI Personality and Communication Style Benchmark
22/10/2026 · artificialanalysis.ai · discusión en HN - Cómo creé un benchmark extraído de mi propio repositorio que coincidió con FrontierCode
How I made a benchmark mined from my own repo that agreed with FrontierCode
21/10/2026 · stet.sh · discusión en HN - Elektric: compara tus peticiones de IA en 150 modelos por coste/calidad
Elektric – Benchmark your AI requests across 150 models for cost/quality
21/10/2026 · elektric.ai · discusión en HN - Panorama de PaaS y alojamiento web 2026: referencia de mercado y análisis de costos
State of PaaS and Web Hosting 2026: market benchmark and cost analysis
21/10/2026 · cloudcompare.dev · discusión en HN - Honest Raw LLM Code Review Benchmark: 21 modelos, 7.980 revisiones
The Honest Raw LLM Code Review Benchmark: 21 Models, 7,980 Reviews
20/10/2026 · ironbee.ai · discusión en HN - Benchmark de código abierto para la programación de aplicaciones web a largo plazo
Open-source benchmark for long-horizon web-app coding
20/10/2026 · github.com · discusión en HN - Show HN: AML CYCLE 2, un benchmark de memoria a largo plazo para agentes
Show HN: AML CYCLE 2, a benchmark for long-term agent memory
20/10/2026 · x.com · discusión en HN - PE Bench: benchmark para el trabajo de analistas de private equity
PE Bench: Benchmark for private equity analyst work
20/10/2026 · getcompound.ai · discusión en HN - Estado de las bases de datos gestionadas en 2026: benchmark de mercado y análisis de costos
State of Managed Databases 2026: market benchmark and cost analysis
19/10/2026 · cloudcompare.dev · discusión en HN - Convocatoria para todas las GPUs: ayuden a hacer benchmark de SonicBoom v0.0.3
Calling all GPUs: help us benchmark SonicBoom v0.0.3
19/10/2026 · github.com · discusión en HN - Show HN: Índice independiente de benchmarks de LLM que sigue 22 modelos de vanguardia
Show HN: Independent LLM benchmark index tracking 22 frontier models
18/10/2026 · vibecoderjournal.com · discusión en HN - Needle: Benchmark de motores de búsqueda para agentes
Needle: Search Engine Benchmark for Agents
18/10/2026 · keenableai.github.io · discusión en HN