{"version":"1","article":{"id":"qtestbench-test-framework-llm-quantum-code","slug":"qtestbench-test-framework-llm-quantum-code","language":"es","url":"https://haberpaper.com/es/news/qtestbench-test-framework-llm-quantum-code","api_url":"https://haberpaper.com/api/v1/articles/qtestbench-test-framework-llm-quantum-code?lang=es","title":"QTestBench mide pruebas de código cuántico generadas por IA con verificadores independientes","summary":"Investigadores vinculados a NYU Abu Dhabi presentan un marco para comprobar si las pruebas escritas por modelos distinguen soluciones correctas de defectuosas.","category":"business","region":"world","topics":["ai"],"published_at":"2026-10-13T20:11:52+03:00","modified_at":"2026-10-13T20:11:52+03:00","publication_basis":"publication-record","event_period":"2026-10-09","event_period_basis":"event-or-reference-period","sources":[{"name":"arXiv","url":"https://arxiv.org/html/2610.13811v1","publishedAt":"2026-10-09","checkedAt":"2026-10-13"}],"translations":[{"language":"tr","url":"https://haberpaper.com/tr/news/qtestbench-test-framework-llm-quantum-code","api_url":"https://haberpaper.com/api/v1/articles/qtestbench-test-framework-llm-quantum-code?lang=tr"},{"language":"en","url":"https://haberpaper.com/en/news/qtestbench-test-framework-llm-quantum-code","api_url":"https://haberpaper.com/api/v1/articles/qtestbench-test-framework-llm-quantum-code?lang=en"},{"language":"ar","url":"https://haberpaper.com/ar/news/qtestbench-test-framework-llm-quantum-code","api_url":"https://haberpaper.com/api/v1/articles/qtestbench-test-framework-llm-quantum-code?lang=ar"},{"language":"fr","url":"https://haberpaper.com/fr/news/qtestbench-test-framework-llm-quantum-code","api_url":"https://haberpaper.com/api/v1/articles/qtestbench-test-framework-llm-quantum-code?lang=fr"},{"language":"es","url":"https://haberpaper.com/es/news/qtestbench-test-framework-llm-quantum-code","api_url":"https://haberpaper.com/api/v1/articles/qtestbench-test-framework-llm-quantum-code?lang=es"}],"data_types":[],"data":null,"data_compilations":[],"data_downloads":[],"content":{"paragraphs":["El preprint QTestBench, publicado en arXiv el 9 de octubre, evalúa las pruebas que escriben los modelos de lenguaje grandes. No basta con que se ejecute un archivo de pruebas: el marco también mide si las pruebas generadas aceptan soluciones correctas y detectan las defectuosas, tomando como referencia verificadores independientes de los benchmarks. La primera página del trabajo indica que los autores están afiliados al laboratorio eBRAIN y al Center for Quantum and Topological Systems de NYU Abu Dhabi. El estudio se presenta como preprint, no como publicación revisada por pares.","Los autores evalúan cinco modelos en ocho tareas de PennyLane QHack y un conjunto fijo de diez tareas de Qiskit HumanEval. Según sus resultados, el mejor generador de pruebas alcanzó una puntuación de calidad de 0,71 en QHack y 0,34 en Qiskit HumanEval; son puntuaciones correspondientes a las tareas y al protocolo del artículo, no tasas generales de éxito en programación cuántica. El estudio también emplea cambios sintéticos que el verificador confirmó como erróneos en tres tareas de Qiskit sin soluciones defectuosas naturales disponibles. Su aportación es un método de evaluación que muestra por qué la mera ejecución de las pruebas generadas no acredita su fiabilidad."],"key_points":[],"sections":[]},"text":"Investigadores vinculados a NYU Abu Dhabi presentan un marco para comprobar si las pruebas escritas por modelos distinguen soluciones correctas de defectuosas.\n\nEl preprint QTestBench, publicado en arXiv el 9 de octubre, evalúa las pruebas que escriben los modelos de lenguaje grandes. No basta con que se ejecute un archivo de pruebas: el marco también mide si las pruebas generadas aceptan soluciones correctas y detectan las defectuosas, tomando como referencia verificadores independientes de los benchmarks. La primera página del trabajo indica que los autores están afiliados al laboratorio eBRAIN y al Center for Quantum and Topological Systems de NYU Abu Dhabi. El estudio se presenta como preprint, no como publicación revisada por pares.\n\nLos autores evalúan cinco modelos en ocho tareas de PennyLane QHack y un conjunto fijo de diez tareas de Qiskit HumanEval. Según sus resultados, el mejor generador de pruebas alcanzó una puntuación de calidad de 0,71 en QHack y 0,34 en Qiskit HumanEval; son puntuaciones correspondientes a las tareas y al protocolo del artículo, no tasas generales de éxito en programación cuántica. El estudio también emplea cambios sintéticos que el verificador confirmó como erróneos en tres tareas de Qiskit sin soluciones defectuosas naturales disponibles. Su aportación es un método de evaluación que muestra por qué la mera ejecución de las pruebas generadas no acredita su fiabilidad.","corrections":[],"editorial_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"business","url":"https://haberpaper.com/assets/illustrations/business-1536.webp","width":1536,"height":1024,"alt":"Taller industrial simbólico con maquinaria, almacén y grúa.","language":"es"},"section_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"business","url":"https://haberpaper.com/assets/illustrations/business-1536.webp","width":1536,"height":1024,"alt":"Taller industrial simbólico con maquinaria, almacén y grúa.","language":"es"}}}