Versión exacta
Comprueba el identificador del modelo, la fecha y si el alias puede cambiar.
BENCHMARK DOCUMENTADO
Terminal-Bench 2.1 (Terminus 2)
Resultados publicados y condiciones declaradas por sus fuentes. Las cifras solo son comparables cuando coinciden versión, configuración, métrica y fecha.
01 / RESULTADOS
Mediciones publicadas
| Modelo | Organización | Resultado | Métrica | Condiciones |
|---|---|---|---|---|
| Nemotron Labs Dory 1.0 4B | NVIDIA | 18,1 | Puntuación BF16 · 2 bucles | NVIDIA · BF16 · 1 / 2 / 4 bucles: 12,5 / 18,1 / 22,2. Terminus-2. La nota de repeticiones menciona otra versión; no asumimos su número de ejecuciones. |
| Muse Spark Open | Meta | 76,4 | Mayor es mejor | Resultados publicados por Meta con esfuerzo xhigh, temperatura 1, top-p 1 y top-k desactivado; no reproducidos por Inferama. Conserva el harness de cada prueba. Las métricas de herramientas, código y vídeo no son intercambiables ni garantizan el resultado de un agente propio. |
02 / INTERPRETACIÓN
Antes de comparar
Configuración equivalente
Revisa herramientas, esfuerzo, número de intentos, prompt y presupuesto de inferencia.
Transferencia a tu caso
Valida el resultado con tareas, idiomas, formatos y errores representativos de tu producto.
03 / MÉTODO
Del marcador a una decisión reproducible
Un benchmark público orienta, pero no sustituye una evaluación con tus datos, herramientas, presupuesto y tolerancia al error.
Identifica la versión exacta
Un alias móvil y un snapshot pueden producir resultados diferentes. Registra modelo, fecha y proveedor.
Reconstruye las condiciones
Prompt, razonamiento, herramientas, número de intentos y presupuesto deben ser equivalentes para comparar.
Busca incertidumbre
Una diferencia pequeña puede desaparecer entre ejecuciones. Conserva muestras, dispersión y fallos, no solo la media.
Comprueba transferencia
Valida si la mejora se mantiene en idiomas, formatos y casos reales cercanos a tu producto.
Una métrica solo es útil cuando conocemos la tarea, las condiciones y el error que importa. El resultado empieza por el diseño de la prueba.
04 / FUENTES