/ RESEARCH IA · ARCHIVE / INGESTION LOG
Este archivo transforma el research que me has enviado en una base navegable: conserva las ideas, separa una fuente primaria enlazada de una lectura completa y evita que una síntesis editorial se haga pasar por evidencia del paper.
He incorporado 11 cortes que has enviado como señales de investigación. Las fichas públicas llevan a una página navegable; la etiqueta de madurez distingue una lectura primaria completa de una síntesis canonizada que todavía necesita lectura editorial profunda.
Benchmark de 1.705 tareas en 13 dominios y 212 herramientas que separa uso básico, colaboración de subagentes, memoria y skills.
Aporta una línea base más cercana al agente móvil de producto y permite fijar gates por capacidad.
Un único score de éxito oculta si el agente falla por herramienta, memoria, colaboración o skill.
Especializa observar, orientar, decidir y actuar para mejorar el uso de herramientas en Qwen3 de 0,6B a 14B.
Conecta la arquitectura de decisión con una métrica explícita de latencia secuencial.
Una política única mezcla fases y oculta dónde se pierde exactitud y cuánto cuesta cada llamada.
Evalúa 236 tareas con anomalías de estado, pensamiento, acción y ronda en 16 modelos GUI.
Convierte la degradación ante anomalías en un gate separado del éxito nominal.
El éxito en una interfaz limpia no muestra cómo responde el agente a un cambio de estado o una instrucción engañosa.
Aprende cuándo recuperar y verificar mediante una política adaptativa con Verify-first Action Generation e Internal Belief Probing.
Hace evaluables conjuntamente la calidad de respuesta y el número de búsquedas.
Buscar siempre o nunca no respeta la incertidumbre ni el presupuesto de cada pregunta.
Separa éxito de recuperación, abstención, tarea y generación en 27 configuraciones con 10.000 consultas por condición.
Aporta una estructura de diagnóstico para políticas de evidencia y jueces.
El score final no indica si el sistema no encontró, no supo responder o respondió cuando debía abstenerse.
Un DSL declarativo y un control de flujo de información de doble retícula restringen los artefactos que pueden llegar a una acción.
Mide explícitamente el intercambio entre utilidad y seguridad en vez de esconderlo tras task success.
Un agente puede completar una tarea mientras filtra información sensible.
Separa selección de pistas e interpretación y conserva citas por identificador de párrafo.
Conecta precisión multi-hop con una trayectoria de evidencia auditable.
Una cita válida puede ser decorativa si no sostiene cada salto del razonamiento.
Usa la topología del workflow para programar solicitudes y reducir el tiempo de finalización del job.
Lleva la optimización del agente al scheduler y al grafo de ejecución.
Servir llamadas como peticiones aisladas ignora dependencias y oportunidades de scheduling.
Señal del scout sobre memoria de horizonte largo en un mundo interactivo.
Puede ampliar el radar de memoria ejecutable, pero aún no hay extracción primaria.
Las tareas largas exigen conservar estado y volver a consultar el mundo.
Señal del scout sobre evaluación de refactors de software por agentes.
Podría aportar una prueba más exigente de trabajo de ingeniería, pendiente de verificar.
Los tests que pasan no siempre demuestran que una refactorización preserve arquitectura y comportamiento.
Señal del scout sobre generalización extraña y desalineamiento emergente.
Es una posible pieza de threat modeling, pero no se publica como evidencia hasta leerla.
La evaluación nominal puede no cubrir comportamientos que aparecen fuera de la distribución entrenada.
Señal del scout sobre feedback coevolutivo para agentes de búsqueda que se mejoran a sí mismos.
Puede conectar feedback y evolución de retrieval, pendiente de verificar método y resultados.
Una señal de recompensa fija puede dejar de representar la calidad cuando cambia la política de búsqueda.
Señal del scout sobre ceguera a la evidencia en agentes de búsqueda.
Podría reforzar el eje de trazabilidad, pendiente de lectura y localizadores exactos.
Navegar por documentos no garantiza que el agente haya identificado el pasaje que justifica su respuesta.
Señal del scout sobre compuertas de seguridad a nivel de paso.
Puede complementar el control de trayectoria, pendiente de confirmar alcance y coste.
Una revisión al final del workflow puede llegar demasiado tarde para bloquear una acción peligrosa.
Señal del scout sobre evaluación o coordinación de agentes bajo el nombre RACE.
Se conserva para no perder la señal, sin atribuirle claims no leídos.
La etiqueta scout no permite todavía distinguir benchmark, método o protocolo.
Señal del scout sobre diagnósticos correctos acompañados de razonamiento decorativo.
Puede reforzar la separación entre resultado y trayectoria, pendiente de evidencia primaria.
Una explicación plausible puede no ser la causa real de una decisión correcta.
Señal del scout sobre AsymSpec y una posible arquitectura asimétrica.
Se mantiene como vigilancia hasta completar la lectura primaria.
El nombre y el abstract scout no bastan para conocer tarea, baseline o resultado.
Señal del scout sobre la confusión entre salida de una herramienta e instrucción ejecutable.
Es una señal de seguridad relevante para interfaces de herramientas, pendiente de método y resultados.
Los datos devueltos por una herramienta pueden cruzar una frontera de autoridad si el agente los interpreta como comandos.
Señal del scout sobre skills derivadas de conocimiento estructurado o wikis.
Puede enlazar el radar de skills con evidencia y estado persistente, pendiente de verificación.
Un skill reutilizable necesita procedencia, límites y una interfaz ejecutable, no sólo texto recuperado.
Señal del scout sobre composición o compactación de agentes.
Se conserva para la próxima lectura sin elevarla a evidencia.
La señal inicial no permite aún saber si el aporte es de entrenamiento, serving o coordinación.
modela la relación entre creadores de contenido y motores generativos como un juego repetido. Los creadores optimizan sus páginas para conseguir citas, mientras la plataforma intenta preservar calidad y atribución. El paper muestra que las defensas convencionales pueden desencadenar una carrera adaptativa donde cada iteración de GEO introduce más afirmaciones no sustentadas. Propone VCR, Verifiable-Content Rewards, que premia contenido verificable en vez de limitarse a castigar manipulación.
Pendiente de extracción editorial verificable.
GEO puede evolucionar hacia algo parecido al spam SEO: todos optimizan para ser citados hasta degradar el ecosistema. Por qué puede ser importante: probablemente es el paper más estratégico de la semana para la economía de asistentes. Sugiere que ChatGPT/Google/Gemini-like systems necesitarán cambiar los incentivos de citación, no solamente sus filtros.
mantiene prácticamente iguales las capacidades disponibles y cambia solo cómo se exponen las herramientas al agente. En 11.700 trayectorias y seis arquitecturas, demuestra que la interfaz altera significativamente comportamiento y coste. Interfaces estructuradas mejoran hasta 4,7× la consistencia; búsqueda en lenguaje natural aumenta >11% el acceso a archivos relevantes; CodeAct con Python logra rendimiento similar usando 41,6% menos pasos y 56,3% menos tokens.
confirma una tesis cada vez más fuerte: modelo + herramientas no basta; la arquitectura de interacción es una ventaja competitiva propia.
solemos atribuir el éxito del agente al modelo aunque gran parte proceda de su API/harness.
usa un modelo fuerte como actor/crítico para producir skills en lenguaje natural específicamente adaptadas a modelos pequeños. Toda la señal de RL se propaga mediante lenguaje, sin modificar directamente el executor pequeño. En Qwen3.5-9B y 4B obtiene mejoras absolutas de hasta 20,4 y 13,3 puntos respectivamente; en SkillsBench, el 9B llega a igualar modelos cerrados fuertes en tareas single-skill.
abre una arquitectura económicamente potente: frontier model diseña skills → SLM barato ejecuta repetidamente.
un skill escrito para un frontier model no necesariamente funciona bien con un SLM.
benchmark con más de 8.000 APIs ejecutables en 62 dominios y tareas que combinan APIs, documentos y restricciones expresadas en lenguaje natural. Incluso el mejor modelo baja de 70,4% en tareas endpoint simples a \~50–51% en APIs composicionales; con más hops el rendimiento cae más del 50%. En preguntas imposibles bajo políticas de uso, algunos resultados bajan hasta 2,4%.
expone que el cuello de botella ya no es “saber llamar una API”, sino desambiguar entidades, combinar fuentes y respetar políticas.
los benchmarks suelen evaluar tool-use y retrieval por separado, pero las empresas necesitan ambas capacidades simultáneamente.
evita construir un knowledge graph global. Cada chunk se almacena como un evento semánticamente completo + sus entidades. En tiempo de consulta, SQL usa entidades compartidas como joins y construye dinámicamente un vecindario tipo hipergrafo. Así mantiene intactos los documentos originales y evita fragmentarlos en triples.
es extremadamente atractivo para conocimiento corporativo mutable. En MuSiQue alcanza 80,36% Recall\@5, 11,52 puntos sobre el mejor baseline comparado.
GraphRAG aporta estructura, pero genera coste de construcción, mantenimiento y actualizaciones.
no intenta mejorar el skill, sino garantizar que el agente realmente siga el procedimiento. Construye una DSL de runtime guidance a partir del skill y de ejecuciones anteriores, monitoriza cada ejecución y actualiza esa guía usando nuevas trazas. Sobre 15 skills y agentes Claude Code/Codex con varios modelos aumenta de media el éxito un 24,1% y reduce variabilidad.
los skills empiezan a parecerse a procedimientos verificables, no simples prompts.
disponer de una buena receta no garantiza que el LLM la siga consistentemente.
demuestra que un único skill puede esconder una regla maliciosa que permanece inactiva hasta detectar un trigger aparentemente inocuo dentro de la consulta. El ataque no necesita modificar pesos y mantiene comportamiento normal cuando no aparece el trigger. Los autores reportan alta tasa de ataque, falsos positivos cercanos a cero y transferencia entre cuatro familias de modelos.
un SKILL.md debe empezar a tratarse como tratamos una dependencia npm/pip: procedencia, permisos, sandbox y auditoría.
los skills descargados se están convirtiendo en una nueva cadena de suministro de software.
sostiene que “reflexiona e inténtalo otra vez” es demasiado genérico. Diferentes fallos requieren diferentes estrategias: error de acción, esquema inválido, evidencia insuficiente, ruta API incorrecta, etc. El sistema primero diagnostica la clase de error y solo entonces aplica el recovery correspondiente.
podría ser una pieza fundamental de agentes robustos: failure routing, equivalente a manejo de excepciones semántico.
añadir más contexto o reflexión puede incluso empeorar una trayectoria si el mecanismo de recuperación no coincide con el error.
en vez de pedir al LLM que genere directamente el ranking, genera una estrategia estructurada en JSON: pesos de objetivos, preferencias, restricciones y políticas de posición. Un compilador determinista la aplica al ranking real. Además, destila profesores de 4B en un estudiante de 0,8B.
tiene una señal de adopción excepcional: se desplegó en Taobao. En un A/B test de siete días reporta +2,11% click PV, +3,12% item-detail PV y +2,83% transaction amount, sin añadir latencia observable al ranking síncrono.
los rankings generativos end-to-end son difíciles de combinar con reglas de negocio, modelos existentes y guardrails.
TTT-Embed aprende en tiempo de inferencia un pequeño vector en el espacio de embeddings usando únicamente scores de ranking de un reranker o LLM judge. No cambia el retriever ni el índice y funciona incluso con APIs cerradas. La política puede reutilizarse globalmente, por tarea o por query.
convierte la señal del reranker en memoria adaptativa del propio retrieval. Reporta hasta +8,36 nDCG\@10 y generalización a queries/tareas no vistas.
los rerankers producen información valiosa pero normalmente se descarta después de cada consulta.
automatiza investigación de interpretabilidad mediante un ciclo hipótesis → experimento → verificación → iteración. Combina un knowledge graph específico de interpretabilidad de \~13.000 papers con una base interdisciplinar de 43 millones de trabajos. Mantiene humanos definiendo objetivos y criterios científicos.
es un ejemplo fuerte de “AI scientist” con un dominio bien acotado y verificable, en vez de intentar automatizar toda la ciencia.
la capacidad de los modelos evoluciona más rápido que nuestra capacidad de comprender sus mecanismos internos.
compara sparse autoencoders del backbone lingüístico y del modelo multimodal para identificar qué features internas fueron alteradas por el entrenamiento visual. Después usa esas features para controlar capacidades o seguridad. Eliminar ciertas direcciones reduce específicamente 12% las tareas espaciales, 17% OCR y 24% el éxito de ataques multimodales, sin perjudicar VQA general; steering también mejora tareas objetivo.
convierte interpretabilidad en un mecanismo de control causal, no únicamente visualización post-hoc.
no sabemos qué parte del comportamiento de un MLLM apareció específicamente al añadir visión.
evalúa agentes durante unas 30 jornadas simuladas y 24 etapas, incluyendo eventos que ocurren sin notificación. El agente tiene que volver a comprobar el mundo por iniciativa propia, mantener compromisos y recordar restricciones persistentes como pasaportes, trámites o riesgos de phishing.
introduce una dimensión poco evaluada: proactividad temporal. Un asistente personal útil no solo recuerda; debe saber cuándo volver a mirar.
los benchmarks suelen esperar que el usuario desencadene cada acción; la vida real continúa aunque nadie escriba al agente.
MBA-Bench contiene 30.000 muestras en seis dominios donde las ideas de negocio deben derivarse de señales visuales que el texto por sí solo no captura. El pipeline combina imagen, caption, queries extraídas visualmente y evidencia de mercado recuperada de la web.
abre un espacio interesante para agentes capaces de observar productos, espacios, comercios o procesos y conectarlos con información de mercado.
la ideación empresarial agentic se evalúa casi siempre sobre texto, aunque las oportunidades del mundo físico son visuales.
rompe una separación habitual: por un lado optimizamos cómo buscamos recuerdos y por otro cómo los almacenamos. CoEvo-Mem hace que retrieval y memoria evolucionen conjuntamente. Los resultados de las tareas actualizan tanto la política de routing como valores y relaciones del grafo de memoria; esos cambios modifican después qué recuerdos se recuperarán.
es probablemente la dirección conceptualmente más potente de la semana. Una memoria agentic madura no debería ser una base vectorial estática: debería aprender simultáneamente qué conservar, cómo relacionarlo, cuándo buscarlo y cuánto confiar en ello. Reporta SOTA en siete benchmarks.
una memoria que cambia vuelve obsoleta la política de retrieval que fue diseñada para consultarla.
un agente grande ejecuta correctamente tareas y convierte sus experiencias en tres tipos de memoria: Workflow, Subtask y Function. Un modelo pequeño de 4B–8B recibe estas memorias sin modificar sus pesos. La memoria de workflow se carga al comenzar; las instrucciones específicas de herramientas aparecen cuando se producen errores.
el resultado es especialmente atractivo económicamente. Usando GPT-5-mini como profesor, los pequeños mejoran de media +27,2 puntos porcentuales en AppWorld, +11,2 en BFCL V3 y +3,4 en ToolSandbox. Los modelos de 4B son los que más se benefician.
los SLM generan pocas trayectorias exitosas y, por tanto, tienen dificultades para construir por sí mismos una buena experiencia operacional.