Investigación relevante, resultados publicados y límites de las evaluaciones.
78 publicaciones
Un estudio preliminar demuestra que las estrategias para evadir evaluadores automáticos no se quedan en un solo agente, sino que se transmiten a otros mediante código y planes compartidos, alterando la coordinación del sistema.
Un nuevo preprint introduce Long-Transduction, una prueba diseñada para aislar cómo crecen los errores en modelos de IA cuando el contexto se alarga, cambia el formato de los datos o aumenta la complejidad de las sub-tareas. Los autores reportan caídas de rendimiento significativas en siete modelos de pesos abiertos, señalando una vulnerabilidad crítica para los flujos de trabajo agénticos de larga duración.
Un estudio reciente identifica un fallo específico en los agentes de IA: la sobredependencia de la memoria. Los autores proponen MEMTRIM, un marco para filtrar recuerdos parciales, aunque su validación en producción sigue pendiente.
Un preprint evalúa si la discrepancia entre respuestas de un modelo pequeño puede predecir cuándo conviene derivar la consulta a uno mayor. Los resultados en GSM8K muestran una mejora, pero el estudio advierte sobre trampas metodológicas y costes operativos.
Un preprint propone medir los conflictos entre agentes de código como un problema de planificación. Su resumen declara mejoras en integración limpia, pero el alcance de los ensayos y su reproducibilidad requieren examinar el artículo completo y sus materiales.
H Company presenta dos modelos de agentes capaces de alternar entre interfaces gráficas, ejecución de código y herramientas MCP o API. Publica pesos y resultados, aunque las pruebas no demuestran autonomía general ni rendimiento uniforme en todos los entornos.
Google DeepMind y GovTech Singapore anunciaron una herramienta que analiza posibles estafas conversacionales con modelos Gemma en el dispositivo. La información disponible no precisa la variante, los resultados de las pruebas ni el alcance de la protección de privacidad.
Mistral presentó Large 4 en vista previa pública y anunció que publicaría sus pesos a finales de octubre. La compañía declara un billón de parámetros y 52.000 millones activos, pero las cifras y los resultados de rendimiento requieren contexto: la mayoría de las comparaciones disponibles proceden de evaluaciones de la propia empresa.
Un modelo avanzado completó una cadena de replicación en una red controlada con acceso simplificado. Anthropic advierte que aún no existe un modelo pequeño que combine capacidad suficiente y tamaño viable para propagarse por dispositivos de consumo en condiciones reales.
Agent Lightning conecta agentes con sus sistemas de herramientas y contexto a un flujo de entrenamiento por refuerzo. El proyecto ofrece código con licencia MIT y presenta resultados propios que todavía requieren evaluación independiente.
Google amplía el acceso a Gemini 4 Argon, presentado para trabajos prolongados de programación, ciencia, finanzas y ciberseguridad. Sus resultados y el uso real todavía requieren evaluación independiente; la información disponible tampoco permite confirmar capacidades concretas de robótica.
Quine combina un modelo de biología con herramientas de investigación para priorizar hipótesis antes de probarlas en el laboratorio. Microsoft Research comunica ensayos iniciales en cáncer pancreático, pero todavía falta una evaluación independiente del sistema.