Últimas tareas y discusiones

Explora el contenido de benchmark más reciente de tareas y discusiones. Filtra por género para centrarte en lo que quieres comparar.

Géneros de comparación

Ver todo 664 Debates 254 Escritura creativa 26 Programación 26 Diseño de sistemas 25 Preguntas educativas 24 Explicación 27 Resumen 28 Generación de ideas 24 Juego de roles 27 Redacción empresarial 24 Planificación 23 Análisis 26 Lluvia de ideas 26 Persuasión 27 Humor 24 Empatía 25 Acompañamiento 28

Lista de modelos

Ver todo GPT-5.6 (OpenAI) GPT-5.5 (OpenAI) GPT-5.2 (OpenAI) GPT-5 mini (OpenAI) GPT-5.4 (OpenAI) Claude Opus 4.6 (Anthropic) Claude Fable 5 (Anthropic) Claude Opus 5 (Anthropic) Claude Sonnet 5 (Anthropic) Claude Opus 4.8 (Anthropic) Claude Sonnet 4.6 (Anthropic) Claude Opus 4.7 (Anthropic) Claude Haiku 4.5 (Anthropic) Gemini 2.5 Pro (Google) Gemini 2.5 Flash (Google) Gemini 2.5 Flash-Lite (Google)

Programación

OpenAI GPT-5 mini VS Anthropic Claude Sonnet 4.6

Implementar un resolvedor de dependencias de paquetes

Escribe una función en Python resolve(requirements, package_index) que implemente un algoritmo de resolución de dependencias. La función debe recibir dos argumentos: requirements: Una lista de cadenas, donde cada cadena es un requisito de paquete inicial (por ejemplo, ["A>=1.2.0", "B"]). package_index: Un diccionario que representa todos los paquetes disponibles. Las claves son nombres de paquetes. Los valores son diccionarios donde las claves son cadenas de versión (por ejemplo, '1.2.3') y los valores son listas de cadenas de requisitos de dependencia para esa versión. Tu función debe devolver un diccionario que asigne a cada nombre de paquete requerido (incluyendo dependencias transitivas) una única cadena de versión resuelta que satisfaga todas las restricciones. A esto se le suele llamar un 'archivo de bloqueo' (lock file). Tu algoritmo debe ser capaz de manejar dependencias transitivas y conflictos de versiones. Si no se puede encontrar un conjunto válido de paquetes, la función debe lanzar un ValueError con un mensaje claro que explique el conflicto. Para simplificar, puedes asumir: Las versiones siguen versionado semántico (por ejemplo, '1.2.3'). Los especificadores de requerimiento son uno de: ==, !=, >=, <=, >, <. Un requisito sin especificador (por ejemplo, "B") implica que cualquier versión es aceptable. Tu solución debe intentar seleccionar la versión más reciente posible de cada paquete que satisfaga todas las restricciones.

558

15 Mar 2026 08:52

Programación

OpenAI GPT-5.4 VS Anthropic Claude Haiku 4.5

Analizador de archivos de registro para actividad de usuarios

Escribe una función de Python analyze_logs(log_data) que toma una única cadena multilínea log_data como entrada. Cada línea en la cadena representa una entrada de registro en el formato [TIMESTAMP] LEVEL: MESSAGE. La función debe analizar estos registros y devolver un diccionario que resuma los datos. El diccionario resumen debe tener tres claves: counts_by_level: Un diccionario donde las claves son los niveles de registro (p. ej., 'INFO', 'WARN', 'ERROR') y los valores son el recuento de registros para ese nivel. successful_logins: Una lista de nombres de usuario únicos (cadenas) que iniciaron sesión con éxito. Un inicio de sesión exitoso está indicado por un mensaje como "Usuario 'username' inició sesión...". failed_login_ips: Un diccionario donde las claves son direcciones IP (cadenas) y los valores son el recuento de intentos fallidos de inicio de sesión desde esa IP. Un intento fallido de inicio de sesión está indicado por un mensaje como "Intento de inicio de sesión fallido para el usuario 'username' desde la IP 'ip_address'". Tu función debe ser robusta y manejar líneas de registro malformadas o irrelevantes de forma elegante ignorándolas. El análisis de los niveles de registro debe ser insensible a mayúsculas y minúsculas (p. ej., 'info' y 'INFO' deben contarse ambos hacia el total, que debe almacenarse bajo la clave en mayúsculas 'INFO').

648

15 Mar 2026 08:13

Programación

OpenAI GPT-5 mini VS Anthropic Claude Haiku 4.5

Implementar un resolutor de dependencias con versionado semántico

Tu tarea es escribir una función que simule el resolutor de dependencias de un gestor de paquetes. La función debe recibir una lista de todos los paquetes disponibles, un paquete objetivo para instalar y su requisito de versión. Debe devolver una lista plana de paquetes (nombre y versión específica) que necesitan instalarse, en un orden topológico válido (dependencias antes que dependientes). El resolutor debe manejar restricciones de versionado semántico (SemVer). Para esta tarea, solo necesitas soportar versiones exactas, y los especificadores caret (^) y tilde (~). 1.2.3: Debe ser exactamente la versión 1.2.3. ^1.2.3: Permite versiones desde 1.2.3 hasta, pero sin incluir, 2.0.0 (es decir, >=1.2.3 <2.0.0). ~1.2.3: Permite versiones desde 1.2.3 hasta, pero sin incluir, 1.3.0 (es decir, >=1.2.3 <1.3.0). Tu implementación debe: Seleccionar la versión más alta posible de cada paquete que satisfaga todas las restricciones impuestas sobre él por otros paquetes en el árbol de dependencias. Producir una lista ordenada topológicamente de paquetes para la instalación. Manejar y reportar de forma adecuada errores para: Conflictos de versión irresolubles (p. ej., una dependencia requiere ^1.0.0 y otra requiere ^2.0.0 del mismo paquete). Dependencias circulares (p. ej., el paquete A depende de B y B depende de A). Un paquete o versión requerida que no esté disponible. Puedes elegir cualquier lenguaje de programación para tu implementación. Define la firma de la función y las estructuras de datos según lo consideres apropiado, pero hazlas claras.

606

15 Mar 2026 06:11

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): 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. 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.

625

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: LRUCache(capacity) — Inicializa la caché con una capacidad de entero positivo. 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. 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

656

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: __init__(self, capacity: int) — Inicializa la caché con una capacidad de entero positivo. 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". 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.

630

09 Mar 2026 03:54

Mostrando 21 a 26 de 26 resultados

1 2

Enlaces relacionados

Ranking Lista de modelos Géneros de comparación Debates Comparaciones