equipo

Millones

, conocido por las herramientas React Doctor, React Scan y Million.js,

presentado

prueba para agentes que escriben código en React.

La relevancia de ReactBench refleja la situación real: alrededor del 70% de los sitios JavaScript utilizan React y los errores menores en el código generado se replican a gran escala.

Por ejemplo, la falla de Cloudflare en septiembre de 2025: el panel de control y la API de la compañía cayeron debido a una dependencia incorrecta en useEffect, que no fue detectada ni por las revisiones ni por las pruebas.

La filosofía del proyecto es que los puntos de referencia de codificación generales solo verifican el comportamiento según el principio "pruebas aprobadas - tarea aceptada".

En ReactBench, cada solución también debe pasar la prueba React Doctor, un analizador con más de 400 reglas que busca redibujos innecesarios, efectos rotos, problemas de accesibilidad y mantenibilidad en el código.

🟡

El conjunto consta de dos tipos de problemas.

Escribir reaccionar

- implementar esta función. Las emisiones de este tipo se recopilan de RP aceptados en repositorios públicos. El agente recibe el código base y la descripción de la tarea, y sólo el sistema de verificación ve las pruebas ocultas y la solución de referencia.

Arreglar Reaccionar

- busque y corrija todos los errores en un componente existente detectado por React Doctor, sin crear nuevos problemas. Además, el agente también se ve privado de acceso a los linters.

🟡

Ejecutar resultados

Por supuesto, no nos limitamos a crear un punto de referencia y lo lanzamos a los modelos superiores. Un pequeño descargo de responsabilidad es importante aquí:

El punto de referencia no compara modelos en su forma pura, sino combinaciones de shell modelo + agente (Codex CLI, Claude Code y otros), y el shell afecta el resultado.

Por

resultados

GPT-5.6 Sol (43,1%) y Fable 5 (41,2%) lideran por un pequeño margen, pero la diferencia de precio es más importante: ejecutar Fable 5 cuesta en promedio 5,8 veces más que Sol.

Los autores consideran que el GPT-5.6 Terra es óptimo en términos de relación calidad-precio en entornos medios. Completan la tabla GLM 5.2, Sonnet 5, GPT-5.6 Luna y Kimi K2.7 Code.

conjunto completo

abierto

en Github.

@ai_machinelearning_big_data