› Construí un test para once modelos: nueve tareas de código, traducción y seguimiento de instrucciones, cada una verificada automáticamente para no evaluar por gusto personal.
› Tras revisar las respuestas, resultó que en una tarea mi sistema automático puntuó al revés.
› Los modelos a los que puso cero respondieron correctamente, y los que obtuvieron un punto se equivocaron.
› Esto es más interesante que el ranking en sí, así que empezaré por ahí.