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

Convierte la investigación web multiagente en un sistema con estado explícito y persistente. Mantiene Frontier Tasks, un grafo de evidencias, mapa de cobertura y memoria de fallos para evitar que los agentes repitan búsquedas inútiles. Además, paraleliza subagentes y registra evidencia y citas durante la ejecución.

Para mí es el paper estratégico de la semana. La siguiente generación de Deep Research no será simplemente «más búsquedas», sino gestión explícita de cobertura, evidencia, fallos y procedencia. Esto tiene implicaciones directas para cómo una empresa consigue ser descubierta y citada por asistentes: la información debe poder convertirse en evidencia estructurada y trazable.

Convierte las propias trayectorias completadas por un agente en «skills» retrospectivas expresadas en lenguaje natural. Esas habilidades resumen workflows reutilizables, observaciones decisivas y reglas para evitar fallos; después se destila su efecto de vuelta a la política mediante una señal densa a nivel de token.

Es una dirección muy potente para agentes autoevolutivos: ejecutar → analizar experiencia → extraer skill → incorporar comportamiento → volver a ejecutar, sin depender exclusivamente de datasets humanos estáticos.

Lleva RL con recompensas verificables y sin datos humanos anotados hasta un modelo de 1T de parámetros. Los autores describen dos fases de aprendizaje —descubrimiento y posterior refinamiento— y observan aparición espontánea de auto-verificación, razonamiento paralelo, formato estructurado y profundidad de razonamiento adaptativa.

Si los resultados se reproducen, fortalece la tesis de que determinadas capacidades de razonamiento emergen al combinar escala y señales verificables, reduciendo la necesidad de diseñar manualmente heurísticas de pensamiento.

Infraestructura open source que desacopla tres piezas normalmente mezcladas: Benchmark, Harness y Environment. Añade ejecución asíncrona tolerante a fallos y análisis de trayectorias para diagnosticar comportamientos como reward hacking. Soporta más de 20 benchmarks en cinco dimensiones de capacidad.

Si este tipo de abstracción se consolida, podríamos empezar a evaluar independientemente modelo vs. harness vs. entorno, algo fundamental para saber por qué un agente funciona realmente.

En lugar de controlar un móvil mediante interminables secuencias de taps y swipes, ejecuta el propio loop agentic, memoria, skills y herramientas directamente en el dispositivo, exponiendo capacidades del teléfono como tools con argumentos y resultados estructurados.

El teléfono es probablemente el entorno agentic con mayor acceso a contexto personal, sensores y aplicaciones. PalmClaw reporta una mejora relativa del 11,5% en éxito y una reducción del 94,9% en tiempo de finalización frente al mejor baseline evaluado.

Observa que el ciclo agentic acción → resultado de herramienta → continuación se parece estructuralmente a una llamada a función: algo externo produce un resultado que después debe incorporarse. Usa código existente a escala internet para crear un objetivo FIM que entrena precisamente esa capacidad.

En vez de enseñar tool-use solo con costosas trayectorias agentic, propone aprovechar la estructura natural del código como señal de pre/mid-training.

Aborda una asimetría creciente: los modelos pueden inferir con contextos enormes, pero el post-training RL suele quedarse alrededor de contextos mucho menores. LongStraw apunta a entrenar mediante RL sobre secuencias de más de dos millones de tokens manteniendo un presupuesto fijo de GPU.

El long-context de agentes podría pasar de ser simplemente «memoria disponible» a una capacidad entrenada explícitamente.

Modelo de solo 0,8B parámetros que transforma directamente una página en Markdown ordenado, incluyendo texto, fórmulas, tablas y regiones visuales. Combina SFT, RL en una rama 4B, destilación on-policy hacia 0,8B y model fusion.

Excelente ejemplo de SLM especializado que compite con pipelines complejos. Reporta 96,58 en OmniDocBench v1.6 y el mejor Avg3 en PureDocBench entre los comparados.

Workbench open source para introducir fallos controlados en tools MCP —timeouts, datos obsoletos, descripciones manipuladas, etc.— y repetir exactamente el escenario antes y después de aplicar una mitigación.

Su patrón reproducir → intervenir → mitigar → confirmar se parece mucho más a chaos engineering para agentes que a benchmarking tradicional. Los experimentos muestran importantes diferencias entre cinco agentes y que los datos obsoletos son especialmente difíciles de mitigar.

Cada comentario de revisión aceptado se transforma en una regla persistente y versionada que el agente debe comprobar en futuras sesiones. En un entorno real de más de 35 microservicios, el sistema acumuló reglas de comportamiento, estándares por lenguaje y una checklist de auto-revisión.

Es sorprendentemente simple y muy aplicable. El paper reporta 0% de recurrencia en las clases de errores cubiertas por reglas en las sesiones estudiadas, aunque el tamaño experimental es pequeño y no debe generalizarse demasiado.