Este corte cruza agentes, evidencia y evaluación para responder una pregunta concreta: qué parte del sistema merece una prueba después de abrir Supersede: Diagnosing and Training the Memory-Update Gap in LLM Agents.
NOTA DE EDICIÓN
Esta página cumple una función de archivo: orienta el recorrido de 15 señales y lleva a las fichas que ya tienen lectura. La síntesis no sustituye los localizadores de cada ficha.
Los resultados están separados de las inferencias editoriales dentro de cada ficha y también se exponen a través del MCP del sitio.
01LECTURA TRANSVERSAL / QUÉ CAMBIÓ
01 / IMPRESCINDIBLE
Supersede: Diagnosing and Training the Memory-Update Gap in LLM Agents
Aísla un fallo crítico de los agentes con memoria: cuando un dato cambia, el agente conserva información obsoleta y responde con valores antiguos. En LongMemEval, sustituir contexto completo por memoria autogestionada baja la precisión de 92% a 77%, y el problema empeora al crecer la conversación. Propone un entorno RL abierto para entrenar agentes a priorizar hechos vigentes frente a hechos superseded. La pregunta de producto que queda abierta es: memoria persistente que no sabe actualizarse.
Benchmark para agentes de búsqueda que deben decidir cuándo preguntar aclaraciones en vez de seguir buscando. Incluye 211 muestras, 463 ambigüedades y 11 dominios reales. Muestra que detectar ambigüedad y formular buenas preguntas son capacidades distintas. La pregunta de producto que queda abierta es: los agentes deep-search asumen que la query del usuario es completa.
SHIFT: Gate-Modulated Activation Steering for Knowledge Conflict Mitigation in RAG
Ataca el conflicto entre conocimiento interno del modelo y contexto recuperado en RAG. Añade un módulo gate ligero que ajusta activaciones internas sin tocar el backbone, entrenando menos del 0,01% de parámetros. Valida en seis datasets y publica código/datasets. La pregunta de producto que queda abierta es: RAG falla cuando el modelo “cree saber” algo que contradice el documento.
El ranking es editorial. Cada ficha contiene lectura narrativa, localizadores, limitaciones, próxima prueba y revisión del agente editor.
01
MEMORIA · AGENTES
Supersede
Aísla un fallo crítico de los agentes con memoria: cuando un dato cambia, el agente conserva información obsoleta y responde con valores antiguos.
La sección 5 Results informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.27472#S5.
Benchmark para agentes de búsqueda que deben decidir cuándo preguntar aclaraciones en vez de seguir buscando.
La sección 5 Experiments informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.27669#S5.
Ataca el conflicto entre conocimiento interno del modelo y contexto recuperado en RAG.
La sección 5 Experimental Analysis informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.27786#S5.
Pipeline para crear sistemas text-to-Cypher sobre knowledge graphs empresariales privados.
La sección 4 Experiments informa 2 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.27742#S4.
Estudia mecánicamente qué pasa dentro de un LLM durante jailbreaks.
La sección Impact Statement informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.28153#Sx2.
Framework para que agentes encarnados aprendan “leyes” de cooperación desde fallos pasados, como hablar solo cuando hace falta o esperar al compañero.
La sección 4 Experiments informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.28182#S4.
Benchmark coreano para evaluar búsqueda exhaustiva: no encontrar una respuesta, sino completar tablas enteras de miembros y atributos.
La sección Results informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.27595#Sx5.
Sistema de tres agentes —Analyst, Proposer, Verifier— para descubrir fenotipos cardiovasculares compuestos e interpretables.
La sección 3 Experiments and Results informa 3 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.28179#S3.
Método training-free para decidir qué capas deben mantener full attention en modelos long-context híbridos.
La sección 4 Experiments informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.27791#S4.
Scheduler sin entrenamiento para multi-token prediction que adapta la profundidad especulativa según la entropía local del texto.
La sección 6 Results informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.27550#S6.
Simulador mundial reforzado con física para manipulación robótica.
La sección 4 Experiments informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.28128#S4.
Towards Value-Constrained Credit Assignment in Fully Delegated AI Cooperativ
Marco para asignar recompensas en cooperativas de IA donde agentes representan a humanos con restricciones de valor distintas.
La sección 3 Framework informa 3 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.28217#S3.
Low-Agreeableness Persona Conditioning for Safe LLM Fine-Tuning
Explora si condicionar personalidades menos complacientes puede mejorar seguridad durante fine-tuning.
La sección 4 Results informa 3 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.27709#S4.
Estudia cómo seleccionar datasets que preserven rankings de modelos.
La sección 6. Results informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.27997#S6.
Estudia señales de incertidumbre basadas en probes y su capacidad de transferir entre escenarios.
La sección 3 What Drives Probe Performance? informa 4 hallazgo(s) extraído(s) desde la fuente. El resultado principal se conserva con el localizador de sección https://arxiv.org/html/2606.27679#S3.