Todo lo que ha entrado en el radar, sin esconder la deuda.

Benchmark para evaluar cómo agentes modifican políticas ejecutables bajo feedback e interacción acotada. Mide no solo resultado final, sino cómo el agente usa presupuesto, feedback y mecanismos de mejora.

acerca la evaluación a agentes que iteran prompts, reglas, scripts o estrategias.

Mejora GraphRAG alineando embeddings de grafos con features textuales mediante self-supervised learning con masking adaptativo. Evita enmascarar nodos clave difíciles y mejora GraphQA en cuatro datasets.

graph-RAG empresarial necesita embeddings de grafos más útiles, no solo serializar nodos como texto.

Entrena modelos a descomponer código en subfunciones recombinables. Recombinar k implementaciones de n módulos genera hasta k^n soluciones candidatas, desplazando coste de GPU a evaluación CPU y reduciendo coste de tokens \~50x.

propone una vía práctica para que modelos pequeños resuelvan problemas de programación más difíciles.

Testbed en Slay the Spire 2 para estudiar agentes de larga duración con memoria acotada y typed retrieval, sin concatenar transcript completo. Libera 298 trayectorias, snapshots de memoria/skills, prompts y scripts de análisis.

buen laboratorio para estudiar qué memoria ayuda realmente en decisiones prolongadas.

Framework multiagente de desarrollo software que mide incertidumbre token-level en outputs intermedios y activa verificación RAG cuando supera umbrales calibrados por fase. Mejora completitud, ejecutabilidad, consistencia y calidad en SRDD.

los equipos de agentes necesitan control de confianza entre roles.

Monitor online que convierte una señal de verificador externo en alarma calibrada por control de riesgo. En razonamiento matemático y red-teaming, un diseño simple compite con monitores de hypothesis testing secuencial.

producto real necesita alarmas calibradas, no filtros opacos.

Benchmark generativo para agentes que resuelven problemas de programación lineal escritos en texto. Genera problemas con solución conocida por construcción, dificultad ajustable, Docker e instrucciones pensadas para agentes.

evaluación generativa resistente a leakage es muy útil para medir razonamiento operativo.

Revisión crítica de LLM-as-a-Judge en evaluación multilingüe y lenguas de bajo recurso. De 650 papers que mencionan LLM-as-a-Judge, solo 33 se centran en estos escenarios; detecta sobreconfianza, resultados inconsistentes y uso habitual de un solo juez.

afecta a productos europeos/multilingües y evaluación en español, catalán, euskera, árabe, lenguas africanas, etc.