Un benchmark basado en solicitudes reales muestra que los agentes de programación pueden resolver buena parte de una tarea, pero todavía dejan encargos incompletos con frecuencia: incluso el modelo mejor evaluado completó correctamente solo el 26,4% de las tareas. *** El mejor modelo cumplió cerca del 70% de los requisitos, pero no terminó correctamente casi tres de cada cuatro encargos.