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

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.

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.

observa que Claude Code/OpenHands-like agents gastan una parte enorme del presupuesto buscando dónde tocar el código. Entrenan un modelo de 14B específicamente para hacer grep, glob y lectura multi-turn del repositorio y entregar al coding agent solo los archivos candidatos.

CodeGrep mantiene/mejora ligeramente resolución —27,0% frente a 25,8%— mientras reduce 15% las rondas y 19% los tokens en issues resueltas. También identifica algo muy útil: retrieval solo ayuda cuando supera cierto umbral de precisión; retrieval mediocre empeora al agente.

trata el diseño de RAG como una optimización conjunta de calidad y sistema. Cambiar índice, modelo, estrategia de retrieval, hardware o serving produce combinaciones distintas de coste, latencia y precisión. RAG-Stack busca automáticamente la frontera Pareto sin desplegar y medir exhaustivamente cada configuración.

en los experimentos encuentra fronteras Pareto que cubren entre 52,5% y 153,2% más espacio calidad-rendimiento que otros métodos de búsqueda de configuración.

descubre un fallo casi cómico pero importante: un search agent puede encontrar la evidencia correcta y responder sin haberla leído. Analiza 12.000 trayectorias en HotpotQA, 2WikiMultiHopQA y MuSiQue y separa errores de razonamiento de errores procedimentales previos.

añadir una sola regla —Read-Gate: después de buscar hay que leer antes de responder— mejora la precisión entre 14,9 y 19,9 puntos en las trayectorias que se habrían saltado la lectura. Dar más presupuesto de pensamiento no soluciona necesariamente el problema.

elimina gran parte del algoritmo externo que normalmente controla una optimización. El agente decide por sí mismo qué probar, cómo interpretar resultados, qué cambiar, cuándo verificar, cuándo volver atrás y cuándo abandonar una rama. El mismo scaffold optimiza prompts, programas y workflows ML. Utiliza ejecución Python y memoria persistente para analizar experimentalmente su propio historial.

en 14 tareas iguala o supera mayoritariamente optimizadores especializados, con mejoras del 2–40%; en algunos casos encuentra resultados superiores a mejores soluciones humanas conocidas. También emergen conductas como reverificación, rollback y reutilización de fallos anteriores sin estar programadas explícitamente.

propone distinguir contexto activo de estado vital persistente. LiveMem mantiene un estado de memoria de capacidad fija incluso después de eliminar los tokens originales del KV/context window.

LongMemEval demuestra que el modelo puede responder utilizando memoria sobre evidencia que ya no está presente en el contexto actual. Es una arquitectura complementaria a RAG, no simplemente otro retriever.

al comenzar la sesión se crea un Intent Contract que fija herramientas y restricciones. Cada acción es juzgada en un componente aislado y, si es válida, genera una prueba zk-SNARK. La herramienta únicamente se ejecuta después de verificar criptográficamente esa prueba.

en Agent-SafetyBench reporta F1 del 88,5% y 1,1% de falsos positivos. La pega práctica es considerable: generar la prueba añade aproximadamente 2,26 segundos por acción, aunque verificarla tarda \~53 ms.

cambia recomendación pasiva basada en clics por co-curación conversacional. El usuario expresa deseos mediante texto, voz o interfaz; un agente mantiene un Semantic Profile persistente y rerankea/prunea candidatos en tiempo real. Un tercer loop aprende mediante DPO y un ensemble LLM-as-a-Judge.

es además una señal real de mercado: los autores reportan A/B tests en tráfico de producción, no solo benchmark offline, con mejoras de relevancia y sentimiento del usuario.

los world models textuales pueden producir estados futuros muy plausibles pero olvidar atributos cruciales o inventar reglas de transición. MemWM añade una memoria explícita con reglas del mundo, state caches y hechos difíciles de predecir.

memory-augmented training mejora hasta 206,3% la métrica Structured State Fidelity; en planificación downstream reporta hasta 65,4% de mejora relativa sobre el agente basado en world model SFT.

antes de pedir al agente que paralelice código, construye un grafo de dependencias y genera un contexto estructurado que contiene únicamente evidencia relevante para decidir si una transformación OpenMP es legal y rentable.

en 951 hotspots reales/sintéticos acepta 372 transformaciones válidas. Frente a Claude Code sin contexto estructurado reduce 47–68% el coste de tokens y mejora speedup 18–28% en el subconjunto comparativo; la mediana de aceleración de 330 hotspots reales aceptados es 2,25×.

un agente informado puede necesitar decirle algo a otro agente sin tener permiso para entregarle todo lo que sabe. MNC define disclosures mínimos asociados a destinatario, propósito, reenvío, lifetime, logging y memory scope.

es un modelo de privacidad mucho más apropiado para organizaciones multiagente que simple RBAC. El permiso acompaña semánticamente a la información durante su vida posterior.

describe el entrenamiento del Yuanbao search agent sobre Hunyuan3. El problema que ataca es especialmente interesante: entrenar mucho para buscar puede crear un alignment tax que deteriora las capacidades generales del LLM. Combina RL especializado en búsqueda con On-Policy Distillation desde expertos de otros dominios, recuperando capacidades generales sin renunciar a search.

anticipa arquitecturas donde especialización agentic y general intelligence se entrenan conjuntamente, en vez de elegir entre ambas.

amplía hallucination testing multimodal más allá de detectar objetos o relaciones inexistentes. Evalúa cuatro dimensiones: entidad, atributo, relación y conocimiento, usando preguntas positivas y negativas sobre las mismas imágenes.

1.800 muestras, 10 dominios, 50 categorías y 14 MLLMs muestran que knowledge hallucination es generalmente la dimensión más difícil, y que los modelos se degradan notablemente ante preguntas con premisas falsas.

construye de extremo a extremo un RAG especializado para griego moderno: corpus, synthetic supervision, embedding model, reranker, reader y benchmark HERA. Lo interesante es que BM25 inicialmente supera a varios dense retrievers multilingües, pero adaptar un Nemotron embedder de 1B eleva nDCG\@10 de 0,362 a 0,835. El reader Nemotron 30B-A3B LoRA pasa de 29,4% a 66,9% de corrección juzgada, mejorando además grounding y citas.

ofrece una receta muy reutilizable para crear RAG realmente competente en idiomas y dominios corporativos específicos.