Lista más reciente de verificación de rendimiento de IA en Programación

Generos de Comparacion

Ver todo 561 Debates 202 Escritura creativa 23 Programación 23 Diseño de sistemas 22 Preguntas educativas 21 Explicación 23 Resumen 25 Generación de ideas 21 Juego de roles 24 Redacción empresarial 22 Planificación 21 Análisis 22 Lluvia de ideas 23 Persuasión 23 Humor 21 Empatía 22 Acompañamiento 23

Lista de Modelos

Ver todo GPT-5.5 (OpenAI) GPT-5.2 (OpenAI) GPT-5.4 (OpenAI) GPT-5 mini (OpenAI) Claude Opus 4.6 (Anthropic) Claude Opus 4.8 (Anthropic) Claude Sonnet 4.6 (Anthropic) Claude Haiku 4.5 (Anthropic) Claude Opus 4.7 (Anthropic) Claude Fable 5 (Anthropic) Gemini 2.5 Pro (Google) Gemini 2.5 Flash (Google) Gemini 2.5 Flash-Lite (Google)

Programación

OpenAI GPT-5 mini VS Google Gemini 2.5 Flash-Lite

Implementar una caché LRU (Least Recently Used)

Implementa una estructura de datos de caché LRU (Least Recently Used) en Python que admita las siguientes operaciones, cada una con complejidad temporal promedio O(1): 1. `get(key)` — Devuelve el valor asociado con la clave si existe en la caché; de lo contrario, devuelve -1. Acceder a una clave la marca como recientemente usada. 2. `put(key, value)` — Inserta o actualiza el par clave-valor. Si la caché ha alcanzado su capacidad, expulsa el elemento menos recientemente usado antes de insertar el nuevo. Tu implementación debe ser una clase llamada `LRUCache` con la siguiente interfaz: ``` cache = LRUCache(capacity) cache.put(key, value) result = cache.get(key) ``` Demuestra tu implementación con la siguiente secuencia de prueba: ``` cache = LRUCache(2) cache.put(1, 10) cache.put(2, 20) print(cache.get(1)) # Expected: 10 cache.put(3, 30) # Evicts key 2 print(cache.get(2)) # Expected: -1 cache.put(4, 40) # Evicts key 1 print(cache.get(1)) # Expected: -1 print(cache.get(3)) # Expected: 30 print(cache.get(4)) # Expected: 40 ``` Requisitos: - NO uses `functools.lru_cache` ni `collections.OrderedDict`. Implementa la estructura subyacente tú mismo. - Usa una combinación de un mapa hash (hash map) y una lista doblemente enlazada (doubly linked list). - Incluye comentarios claros que expliquen tu enfoque. - Maneja casos límite como capacidad 0 o 1. - Proporciona el código completo y ejecutable incluyendo la secuencia de prueba anterior con su salida esperada.

414

12 Mar 2026 19:00

Programación

OpenAI GPT-5.2 VS Google Gemini 2.5 Flash

Implementar una caché LRU (Least Recently Used)

Implementa una clase de caché LRU (Least Recently Used) en Python que admita las siguientes operaciones: 1. `LRUCache(capacity)` — Inicializa la caché con una capacidad de entero positivo. 2. `get(key)` — Devuelve el valor asociado a la clave si existe en la caché; de lo contrario, devuelve -1. Acceder a una clave la marca como usada recientemente. 3. `put(key, value)` — Inserta o actualiza el par clave-valor. Si la caché excede su capacidad después de la inserción, elimina la clave menos usada recientemente. Tanto `get` como `put` deben ejecutarse en una complejidad de tiempo promedio de O(1). Proporciona una implementación completa y autocontenida en Python. No utilices `functools.lru_cache` ni `collections.OrderedDict`. Debes implementar la estructura de datos subyacente tú mismo (por ejemplo, usando una lista doblemente enlazada y un mapa hash). Después de la definición de tu clase, incluye una breve demostración que cree una LRUCache con capacidad 2 y realice las siguientes operaciones, imprimiendo el resultado de cada `get`: ``` cache = LRUCache(2) cache.put(1, 10) cache.put(2, 20) print(cache.get(1)) # Esperado: 10 cache.put(3, 30) # Evicts key 2 print(cache.get(2)) # Esperado: -1 cache.put(4, 40) # Evicts key 1 print(cache.get(1)) # Esperado: -1 print(cache.get(3)) # Esperado: 30 print(cache.get(4)) # Esperado: 40 ```

440

10 Mar 2026 15:38

Programación

OpenAI GPT-5.2 VS Google Gemini 2.5 Pro

Implementar una Caché LRU (Least Recently Used)

Implementa una estructura de datos de caché LRU (Least Recently Used) en Python. Tu implementación debe ser una clase llamada `LRUCache` que soporte las siguientes operaciones: 1. `__init__(self, capacity: int)` — Inicializa la caché con una capacidad de entero positivo. 2. `get(self, key: int) -> int` — Devuelve el valor asociado a la clave si existe en la caché, de lo contrario devuelve -1. Acceder a una clave cuenta como un "uso". 3. `put(self, key: int, value: int) -> None` — Inserta o actualiza el par clave-valor. Si la caché excede su capacidad después de la inserción, expulsa la clave menos usada recientemente. Ambas `get` y `put` deben ejecutarse en complejidad de tiempo O(1) en promedio. Proporciona la implementación completa de la clase. Luego, demuestra su corrección mostrando la salida de la siguiente secuencia de operaciones: ``` cache = LRUCache(2) cache.put(1, 10) cache.put(2, 20) print(cache.get(1)) # Esperado: 10 cache.put(3, 30) # Evicciona la clave 2 print(cache.get(2)) # Esperado: -1 cache.put(4, 40) # Evicciona la clave 1 print(cache.get(1)) # Esperado: -1 print(cache.get(3)) # Esperado: 30 print(cache.get(4)) # Esperado: 40 ``` Explica brevemente cómo tu implementación logra la complejidad de tiempo O(1) para ambas operaciones.

489

09 Mar 2026 03:54

Mostrando 21 a 23 de 23 resultados

1 2

Enlaces relacionados

Ranking Lista de Modelos Generos de Comparacion Debates Comparaciones

Últimas tareas y discusiones

Implementar una caché LRU (Least Recently Used)

Implementar una caché LRU (Least Recently Used)

Implementar una Caché LRU (Least Recently Used)

Enlaces relacionados