# El agente fiable aprende a enlazar evidencia, acción y coste.
> Bundle editorial de Research IA · 24—30 AGO 2026. La página es provisional; la evidencia primaria y sus localizadores están separados de las señales pendientes.

## Navegación y estado

- Página humana: https://luiseduardodemiguel.com/research-ia/weeks/2026-08-24
- Archivo de este corte: https://luiseduardodemiguel.com/research-ia/archive?week=2026-08-24
- Run key: weekly-research:2026-08-24:external-v1
- Prompt version: research-ia-weekly-run-bundle-0.2.0
- Fuentes descubiertas: 20
- Claims seleccionados: 16
- Source-pending usado como evidencia: 0

## Pregunta y tesis

¿Qué cambia cuando un agente debe demostrar qué recuperó, qué acción ejecutó, qué riesgo aceptó y cuánto costó antes de ser promovido?

La mejora no viene de una única técnica. MobilePA-Bench y AnTrap hacen visibles los fallos del entorno; MetaRAG, The RAT y ClueWeaver separan recuperación, evidencia y abstención; OODA-Tool, SPA y TOPAS muestran que la arquitectura y el serving también son parte de la política.

## Cómo leer el corte

El dossier conecta las fuentes antes de enumerarlas. Cada entrada conserva el papel que juega en la síntesis, un hallazgo observado, su frontera y los claims que se pueden abrir en la fuente primaria.

## Ledger de fuentes

### 01 · MobilePA-Bench: Evaluating Mobile Personal Agents in Real-World Tasks

- Ficha editorial: https://luiseduardodemiguel.com/research-ia/papers/mobilepa-bench
- Autores: Yi Zhu, Xiongwei Wu, Qiyi Wang, Tingyu Qu, Jiajun Liu, Sihan Cao, Long Chen, Weigao Sun, Feida Zhu, Yiran Zhong, Steven Hoi y MAI Team
- Fecha y versión: 24 AGO 2026 · arXiv v2
- Área: AGENTES / MÓVIL
- Fuente primaria: https://arxiv.org/html/2608.23035v2
- Papel en la síntesis: Descompone el rendimiento de un agente móvil en tool use, colaboración, memoria y skills.
- Hallazgo observado: 1.705 tareas, 13 dominios y 212 herramientas; mejor global 75,52% y basic tool use 83,85%.
- Contribución: Aporta una línea base de 1.705 tareas y 212 herramientas más útil que un único score de éxito.
- Frontera: Sandbox y checkers preasignados. No hay métrica explícita de abstención.
- Claims verificables:
  - reported-result: MobilePA-Bench contiene 1.705 tareas en 13 dominios y 212 herramientas.
    - Valor: 1.705 · 13 · 212
    - Baseline: Descripción del benchmark
    - Setting: MobilePA-Bench
    - Localizador: [§1 · alcance](https://arxiv.org/html/2608.23035v2#S1)
  - reported-result: El mejor resultado global reportado es 75,52% y basic tool use alcanza 83,85%.
    - Valor: 75,52% · 83,85%
    - Baseline: Comparativa del benchmark
    - Setting: Resultados principales
    - Localizador: [§4 · resultados](https://arxiv.org/html/2608.23035v2#S4)
- Próxima prueba: Repetir las cuatro dimensiones sobre 50 tareas móviles propias con memoria necesaria, distractora y delegación opcional.

### 02 · OODA-Tool: Specialized OODA Loops for Tool-Using Agents

- Ficha editorial: https://luiseduardodemiguel.com/research-ia/papers/ooda-tool
- Autores: Rongfeng Guo, Yinxuan Huang, Yusen Wu, Maoqing Zhong, Yunlu Chen, Meng Tang, Teng Long y colaboradores
- Fecha y versión: 25 AGO 2026 · arXiv v2
- Área: AGENTES / TOOL USE
- Fuente primaria: https://arxiv.org/html/2608.24368v2
- Papel en la síntesis: Especializa el ciclo observar–orientar–decidir–actuar para usar herramientas.
- Hallazgo observado: Task Success mejora entre 4,48 y 6,99 pp; la variante de 1,7B registra 2,36× de latencia normalizada.
- Contribución: Hace visible el intercambio entre Task Success, Tool Exact y latencia secuencial.
- Frontera: Las llamadas secuenciales pueden multiplicar latencia. Falta validación con herramientas remotas y fallos reales.
- Claims verificables:
  - reported-result: Specialized OODA mejora Task Success entre 4,48 y 6,99 puntos porcentuales frente a Direct-LoRA.
    - Valor: +4,48 a +6,99 pp
    - Baseline: Direct-LoRA
    - Setting: Qwen3 0,6B–14B
    - Localizador: [Tabla 1 · resultados](https://arxiv.org/html/2608.24368v2#S5.T1)
  - reported-result: La variante de 1,7B registra 2,36× de latencia normalizada.
    - Valor: 2,36×
    - Baseline: Latencia normalizada
    - Setting: Ciclo especializado
    - Localizador: [§5 · experimentos](https://arxiv.org/html/2608.24368v2#S5)
- Próxima prueba: Comparar OODA completa, parcial y directa con un presupuesto explícito de p95 y coste por tarea.

### 03 · AnTrap: A Comprehensive Benchmark for Anomaly Traps in GUI Agents

- Ficha editorial: https://luiseduardodemiguel.com/research-ia/papers/antrap
- Autores: Guo Gan, Yilun Zhao, Cong Chen, Jinbiao Wei, Tingyu Song, Zheyuan Yang, Lin Fu y colaboradores
- Fecha y versión: 25 AGO 2026 · arXiv v1
- Área: AGENTES / GUI / SEGURIDAD
- Fuente primaria: https://arxiv.org/html/2608.24099v1
- Papel en la síntesis: Mide la degradación de agentes GUI cuando aparecen anomalías en estado, pensamiento, acción o ronda.
- Hallazgo observado: Claude Sonnet 4.6 cae de 74,2% limpio a 66,5% con anomalías.
- Contribución: Separa éxito limpio de robustez contextual sobre 236 tareas y 16 modelos.
- Frontera: Trampas construidas por el benchmark. La prevalencia en producción no está estimada.
- Claims verificables:
  - reported-result: AnTrap amplía 116 escenarios originales hasta 236 tareas.
    - Valor: 236 tareas
    - Baseline: 116 escenarios
    - Setting: Cuatro capas de anomalía
    - Localizador: [§3 · benchmark](https://arxiv.org/html/2608.24099v1#S3)
  - reported-result: Claude Sonnet 4.6 baja de 74,2% limpio a 66,5% con traps.
    - Valor: −7,7 pp
    - Baseline: 74,2% limpio
    - Setting: Evaluación GUI
    - Localizador: [§4.2 · resultados](https://arxiv.org/html/2608.24099v1#S4.SS2)
- Próxima prueba: Crear un slice propio de anomalías de estado, distractores e instrucciones en conflicto y fijar un umbral de promoción.

### 04 · MetaRAG: Meta-Reinforcement Learning for Adaptive Retrieval-Augmented Generation

- Ficha editorial: https://luiseduardodemiguel.com/research-ia/papers/metarag
- Autores: Qiuyi Qi, Tian Liang, Jiamu Wang, Jinjian Zhang, Wei Zhou, Pengcheng Zhu, Linjian Mo, Ming Kong, Jie Liu y Qiang Zhu
- Fecha y versión: 25 AGO 2026 · arXiv v1
- Área: RAG / DECISIÓN
- Fuente primaria: https://arxiv.org/html/2608.24214v1
- Papel en la síntesis: Aprende cuándo recuperar y cuándo verificar en vez de fijar la misma política para toda pregunta.
- Hallazgo observado: Qwen2.5-3B alcanza 41,7% con 1,60 búsquedas y 7B 45,4% con 1,74.
- Contribución: Une calidad y número de búsquedas dentro de una política adaptativa.
- Frontera: Siete benchmarks QA. La búsqueda no equivale a abstención correcta.
- Claims verificables:
  - reported-result: Qwen2.5-3B alcanza 41,7% con 1,60 búsquedas y 7B 45,4% con 1,74.
    - Valor: 41,7%/1,60 · 45,4%/1,74
    - Baseline: Comparativas del estudio
    - Setting: Siete benchmarks QA
    - Localizador: [Tabla 1 · resultados](https://arxiv.org/html/2608.24214v1#S4.T1)
  - source-claim: Verify-first Action Generation e Internal Belief Probing separan verificación y señal de entrenamiento.
    - Valor: Componentes del método
    - Baseline: Política fija de retrieval
    - Setting: MetaRAG
    - Localizador: [§3.2 · método](https://arxiv.org/html/2608.24214v1#S3.SS2)
- Próxima prueba: Evaluar fuentes ausentes, irrelevantes y contradictorias con una salida de abstención y localizador obligatorio.

### 05 · The RAT: A Bayesian Model of Retrieval, Abstention, and Task Success

- Ficha editorial: https://luiseduardodemiguel.com/research-ia/papers/the-rat
- Autores: Pius von Däniken, Felix Matthias Saaro, Mark Cieliebak y Jan Milan Deriu
- Fecha y versión: 25 AGO 2026 · arXiv v1
- Área: RAG / ABSTENCIÓN
- Fuente primaria: https://arxiv.org/html/2608.24753v1
- Papel en la síntesis: Descompone retrieval, abstención, tarea y generación para diagnosticar políticas de evidencia.
- Hallazgo observado: Separa retrieval, abstención, tarea y generación en 27 configuraciones de evaluación.
- Contribución: Propone evaluar la frontera entre encontrar, responder y saber no responder.
- Frontera: Depende de calibración y juez. El snapshot KILT no garantiza transferencia.
- Claims verificables:
  - reported-result: El protocolo cubre 27 configuraciones y 10.000 consultas por configuración.
    - Valor: 27 × 10.000
    - Baseline: Diseño factorial
    - Setting: KILT
    - Localizador: [§5.3 · asignación](https://arxiv.org/html/2608.24753v1#S5.SS3)
  - source-claim: The RAT separa retrieval success, abstention, task success y generator success.
    - Valor: P(R, A, T, G)
    - Baseline: Task success agregado
    - Setting: Modelo bayesiano
    - Localizador: [§3 · modelo](https://arxiv.org/html/2608.24753v1#S3)
- Próxima prueba: Cambiar el evaluador interno a un vector de retrieval, abstención, tarea, generación y calibración.

### 06 · SPA: Secure Planning Agents with Information-Flow Control

- Ficha editorial: https://luiseduardodemiguel.com/research-ia/papers/spa
- Autores: Dylan Girrens y Guangjing Wang
- Fecha y versión: 27 AGO 2026 · arXiv v1
- Área: SEGURIDAD / PLANIFICACIÓN
- Fuente primaria: https://arxiv.org/html/2608.27234v1
- Papel en la síntesis: Planifica con un DSL y comprueba el flujo de información antes de ejecutar acciones.
- Hallazgo observado: El IFC estricto reduce ASR, con una pérdida visible de utilidad en AgentDojo y AgentDojo-MQ.
- Contribución: Hace medible el trade-off entre utilidad y ataque exitoso con control de flujo estricto.
- Frontera: La política puede bloquear planes útiles. Evaluación centrada en AgentDojo y AgentDojo-MQ.
- Claims verificables:
  - reported-result: En el ejemplo AgentDojo, la utilidad/ASR pasa de 53%/0,4 sin IFC a 29%/0 con IFC concreto.
    - Valor: 53%/0,4 → 29%/0
    - Baseline: Sin IFC
    - Setting: AgentDojo
    - Localizador: [§7.4 · consulta única](https://arxiv.org/html/2608.27234v1#S7.SS4)
  - reported-result: En AgentDojo-MQ, la comparación anotada pasa de 65,9%/0,6 a 35,3%/0,2.
    - Valor: 65,9%/0,6 → 35,3%/0,2
    - Baseline: Sin IFC + Values
    - Setting: AgentDojo-MQ
    - Localizador: [§7.5 · multi-query](https://arxiv.org/html/2608.27234v1#S7.SS5)
- Próxima prueba: Definir una matriz propia de datos y acciones, y medir utilidad, ASR, falsos bloqueos y latencia.

### 07 · ClueWeaver: Evidence-Guided Multi-Hop Question Answering with Self-Calibration

- Ficha editorial: https://luiseduardodemiguel.com/research-ia/papers/clueweaver
- Autores: Jihao Zhu, Zhiwei Yang, Wenxiao Zhang, Junqian Zhao, Qi You, Fangqi Wang, Zheyuan Deng, Hanzhe Yang, Yu Liu y Jin B. Hong
- Fecha y versión: 27 AGO 2026 · arXiv v2
- Área: RAG / TRAZABILIDAD
- Fuente primaria: https://arxiv.org/html/2608.25531v2
- Papel en la síntesis: Selecciona pistas antes de interpretar y exige identificadores de párrafo para las citas.
- Hallazgo observado: 59,0% global; 275/310 respuestas con citas y 685/690 IDs válidos.
- Contribución: Conecta exactitud multi-hop con una trayectoria de evidencia y autocontrol.
- Frontera: Añade latencia. No incluye abstención explícita I do not know.
- Claims verificables:
  - reported-result: ClueWeaver obtiene 59,0% frente a 52,6% IRCoT y 44,5% respuesta directa.
    - Valor: 59,0% vs 52,6% vs 44,5%
    - Baseline: IRCoT y directo
    - Setting: 310 preguntas
    - Localizador: [§4.2 · resultados](https://arxiv.org/html/2608.25531v2#S4.SS2)
  - reported-result: Produce citas en 275/310 respuestas y valida 685/690 IDs.
    - Valor: 275/310 · 685/690
    - Baseline: Control de trazabilidad
    - Setting: Citas por párrafo
    - Localizador: [Apéndice C · trazabilidad](https://arxiv.org/html/2608.25531v2#S0.C.SS3)
- Próxima prueba: Anotar soporte semántico de claim y comparar citas válidas contra citas realmente suficientes.

### 08 · TOPAS: Topology-Aware Scheduling for LLM Agent Workflows

- Ficha editorial: https://luiseduardodemiguel.com/research-ia/papers/topas
- Autores: Hongqiu Ni, Han Tian, Chi Zhang, Guopeng Li y Haisheng Tan
- Fecha y versión: 26 AGO 2026 · arXiv v1
- Área: SERVING / WORKFLOWS
- Fuente primaria: https://arxiv.org/html/2608.25523v1
- Papel en la síntesis: Usa la topología del DAG para programar workflows LLM con menor tiempo de finalización.
- Hallazgo observado: Hasta −39,8% mean y −49,4% p99 JCT en DAG sintéticos; overhead 1,9 ms.
- Contribución: Lleva la optimización del agente al scheduler y al grafo de ejecución.
- Frontera: Una GPU y un servidor. Topologías y cargas controladas.
- Claims verificables:
  - reported-result: TOPAS reduce mean/p99 JCT hasta 39,8%/49,4% en DAG sintéticos.
    - Valor: −39,8% mean · −49,4% p99
    - Baseline: Scheduler comparado
    - Setting: Tres DAG sintéticos
    - Localizador: [§5.1 · DAG sintéticos](https://arxiv.org/html/2608.25523v1#S5.SS1)
  - reported-result: En MetaGPT-TL reporta −22,0% mean y −26,6% p99, con 1,9 ms de overhead de decisión.
    - Valor: −22,0%/−26,6% · 1,9 ms
    - Baseline: Scheduler comparado
    - Setting: MetaGPT-TL
    - Localizador: [§5.2–§5.3 · MetaGPT y overhead](https://arxiv.org/html/2608.25523v1#S5.SS2)
- Próxima prueba: Probar el scheduler bajo concurrencia real, fallos de nodos y reintentos idempotentes.

## Señales del scout · lectura pendiente

Estas señales tienen una fuente primaria enlazada, pero no se usan como evidencia ni como reported-results hasta completar la lectura de método, resultados y límites.

- **ReWorld: An Interactive World Model with Long-Horizon Memory** · MEMORIA · WORLD MODELS · 24 AGO 2026 · v1
  - Estado: primary-reading-pending
  - Nota: Señal scout; lectura primaria y extracción de resultados pendientes.
  - Fuente primaria: [abrir](https://arxiv.org/abs/2608.23565)
- **SWE Refactor Bench** · CODING · EVALUACIÓN · 24 AGO 2026 · v1
  - Estado: primary-reading-pending
  - Nota: Señal scout; lectura primaria y extracción de resultados pendientes.
  - Fuente primaria: [abrir](https://arxiv.org/abs/2608.23564)
- **On the Threat Model of Weird Generalization and Emergent Misalignment** · SEGURIDAD · ALINEAMIENTO · 24 AGO 2026 · v1
  - Estado: primary-reading-pending
  - Nota: Señal scout; lectura primaria y extracción de resultados pendientes.
  - Fuente primaria: [abrir](https://arxiv.org/abs/2608.23476)
- **CAFE: Self-Improving Search Agents Need Co-Evolving Feedback** · RAG · FEEDBACK · 25 AGO 2026 · v1
  - Estado: primary-reading-pending
  - Nota: Señal scout; lectura primaria y extracción de resultados pendientes.
  - Fuente primaria: [abrir](https://arxiv.org/abs/2608.24794)
- **Evidence Blindness in Search Agents: AtlasNav** · RAG · EVIDENCIA · 25 AGO 2026 · v1
  - Estado: primary-reading-pending
  - Nota: Señal scout; lectura primaria y extracción de resultados pendientes.
  - Fuente primaria: [abrir](https://arxiv.org/abs/2608.24764)
- **StepGuard** · SEGURIDAD · VERIFICACIÓN · 25 AGO 2026 · v1
  - Estado: primary-reading-pending
  - Nota: Señal scout; lectura primaria y extracción de resultados pendientes.
  - Fuente primaria: [abrir](https://arxiv.org/abs/2608.24777)
- **RACE** · AGENTES · EVALUACIÓN · 25 AGO 2026 · v1
  - Estado: primary-reading-pending
  - Nota: Señal scout; lectura primaria y extracción de resultados pendientes.
  - Fuente primaria: [abrir](https://arxiv.org/abs/2608.24758)
- **Right Diagnoses, Decorative Reasoning** · EVALUACIÓN · RAZONAMIENTO · 25 AGO 2026 · v1
  - Estado: primary-reading-pending
  - Nota: Señal scout; lectura primaria y extracción de resultados pendientes.
  - Fuente primaria: [abrir](https://arxiv.org/abs/2608.24790)
- **AsymSpec** · MODELOS · ESPECULACIÓN · 26 AGO 2026 · v1
  - Estado: primary-reading-pending
  - Nota: Señal scout; lectura primaria y extracción de resultados pendientes.
  - Fuente primaria: [abrir](https://arxiv.org/abs/2608.26004)
- **When Tool Outputs Become Commands** · SEGURIDAD · TOOL USE · 27 AGO 2026 · v1
  - Estado: primary-reading-pending
  - Nota: Señal scout; lectura primaria y extracción de resultados pendientes.
  - Fuente primaria: [abrir](https://arxiv.org/abs/2608.27146)
- **WikiSkill** · SKILLS · AGENTES · 27 AGO 2026 · v1
  - Estado: primary-reading-pending
  - Nota: Señal scout; lectura primaria y extracción de resultados pendientes.
  - Fuente primaria: [abrir](https://arxiv.org/abs/2608.27454)
- **AgentFold** · AGENTES · ORQUESTACIÓN · 27 AGO 2026 · v2
  - Estado: primary-reading-pending
  - Nota: Señal scout; lectura primaria y extracción de resultados pendientes.
  - Fuente primaria: [abrir](https://arxiv.org/abs/2608.26747)

## Conexiones verificadas

- **mobilepa-bench** — supports → **ooda-tool**. Eje: evaluación de tool use. La descomposición por dimensiones de MobilePA-Bench ofrece un marco para medir dónde aporta valor la especialización OODA. Confianza: alta.
- **antrap** — qualifies → **mobilepa-bench**. Eje: entorno móvil y anomalías. MobilePA-Bench mide capacidad funcional; AnTrap recuerda que el resultado debe repetirse cuando el estado de la interfaz deja de ser cooperativo. Confianza: alta.
- **metarag** — extends → **the-rat**. Eje: política de recuperación. MetaRAG entrena una política que decide buscar y verificar; The RAT aporta la descomposición para evaluar recuperación, abstención y respuesta por separado. Confianza: alta.
- **spa** — qualifies → **metarag**. Eje: frontera de acción. La política de retrieval debe respetar el flujo de información: buscar o verificar también son acciones con permisos y datos. Confianza: media.
- **clueweaver** — supports → **the-rat**. Eje: evidencia y trazabilidad. Las pistas y citas de ClueWeaver aportan observables que complementan la descomposición de recuperación y abstención de The RAT. Confianza: alta.
- **topas** — extends → **ooda-tool**. Eje: coste de ejecución. OODA cambia la política de llamadas; TOPAS muestra que el scheduler del DAG también puede cambiar la latencia de esa misma política. Confianza: media.

## Contradicciones rechazadas

- No se registró contradicción directa entre MetaRAG y The RAT: optimizan y diagnostican capas distintas de la política de recuperación.
- No se registró contradicción directa entre SPA y AnTrap: uno restringe flujo de información y el otro evalúa anomalías GUI; la caída de utilidad no es evidencia de incompatibilidad.
- No se trató la mejora de OODA-Tool ni TOPAS como causalmente transferible a MobilePA-Bench: cambian modelo, tarea y sistema de serving.

## Conceptos revisados

- **Evidence as trajectory unit** (confirm-extension; 5 papers): La unidad verificable del agente incluye acciones, herramientas, evidencia seleccionada, restricciones y resultado, no sólo la respuesta final. Apoyo: MobilePA-Bench, The RAT, SPA, ClueWeaver y AnTrap añaden dimensiones observables antes de aceptar el score final.. Hueco: Faltan dos cortes con un protocolo común de trazas y una métrica de soporte semántico de claim.
- **Lifecycle authority closure** (confirm-extension; 4 papers): La autoridad debe cerrarse a lo largo del ciclo: planificar, recuperar, llamar, persistir, reintentar y publicar. Apoyo: SPA, OODA-Tool, The RAT y TOPAS muestran fronteras de acción, coste y scheduling que el prompt por sí solo no cubre.. Hueco: Queda medir identidad, permisos y recuperación entre procesos en un mismo runKey.
- **Adaptive trajectory inference** (confirm-extension; 4 papers): Los agentes fiables asignan más pasos a los casos inciertos y menos a los fáciles, con una salida de abstención cuando la evidencia no se cierra. Apoyo: MetaRAG, The RAT, ClueWeaver y OODA-Tool combinan decisión adaptativa, verificación o especialización.. Hueco: Faltan costes calibrados por riesgo y una prueba fuera de benchmarks académicos.
- **Persistent executable agent state** (confirm-with-tension; 3 papers): El estado útil debe ser direccionable y ejecutable, pero cada memoria o artefacto añade riesgo, coste y posibles restricciones de flujo. Apoyo: MobilePA-Bench mide memoria; SPA restringe artefactos; TOPAS y OODA-Tool exponen el coste de mantener una trayectoria operativa.. Hueco: No hay todavía una comparación longitudinal de memoria beneficiosa frente a memoria distractora en este corte.
- **Evidence-aligned execution** (candidate; 5 papers): Candidato: recuperar, citar, planificar, actuar y servir deben compartir una representación de evidencia y presupuesto. Apoyo: The RAT, MetaRAG, ClueWeaver, SPA y TOPAS sugieren la conexión, pero ninguno prueba el ciclo completo en el mismo sistema.. Hueco: Necesita dos semanas adicionales, un ledger común y una métrica conjunta de precisión, abstención, latencia y coste.

## Siguiente prueba

- **Construir un replay mínimo de evidencia antes de adoptar más técnicas**
- Detalle: Usar 40 tareas congeladas y exigir que cada ejecución registre fuente, versión, localizador, claim, acción, permiso, latencia, coste y decisión de abstención. Inyectar un fallo después de un checkpoint y reanudar con el mismo runKey.
- Métricas: Exactitud de claim, precisión de localizador, abstención correcta, cobertura de evidencia, duplicados, recuperación, p95, coste y pérdida de estado.
- Regla de parada: No promover una reparación ni una nueva regla si el replay cambia IDs/conteos/hashes, si una cita no resuelve, si el coste es desconocido sin marcarlo o si el aumento de cobertura incrementa respuestas sin evidencia.

## Estado editorial

Dossier editorial provisional. Ocho papers fueron abiertos y leídos en sus HTML primarios versionados, con claims y localizadores exactos. Doce señales adicionales proceden del scout y se publican sólo como descubrimientos enlazados: no se usan como evidencia ni como reported-results. La persistencia canónica y el replay operativo del run quedan pendientes de la sesión MCP autenticada.

## Lo que no se afirma

- No se afirma que el run haya sido persistido, reanudado o reproducido.
- No se afirma que el coste sea cero: si el proveedor no entrega coste, debe quedar como costStatus=unknown.
- No se afirma que los resultados hayan sido replicados independientemente.
- No se afirma que recuperar memoria o evidencia siempre mejore el resultado.