"Stax, una herramienta experimental para desarrolladores, aborda la naturaleza insuficiente de las "pruebas de ambiente" (vibe testing) de los LLM al optimizar el ciclo de vida de la evaluación de LLM, permitiendo a los usuarios probar rigurosamente su pila de IA y tomar decisiones basadas en datos a través de etiquetado humano y autoevaluadores escalables de LLM como juez."