arxiv arXiv cs.AI · hace 1 h · research

Faraday 27B supera a Claude Opus 4.8 y GPT-5.5 en tareas de replicación de artículos

Traducido del English → Español

Los investigadores han desarrollado Replica, un espacio de tareas escalable para la replicación de artículos, e introducido un juez basado en rúbricas generado automáticamente para proporcionar señales de recompensa de bajo ruido que se alineen con la evaluación humana.

El equipo realizó un post-entrenamiento de Faraday, un agente "AI Scientist" de 27B parámetros que utiliza agentes de codificación como herramientas.
Faraday supera el rendimiento de Claude Opus 4.8 y GPT-5.5 en tareas de replicación reservadas.
El análisis cualitativo indica que Faraday adopta un enfoque más fundamentado científicamente durante las ejecuciones.

Los autores creen que estos resultados proporcionan un punto de partida hacia agentes de IA capaces de innovación científica a largo plazo sin requerir arneses complejos.

Importancia 2/3 Nuevo entorno de evaluación con diferenciadores arXiv cs.AI DeepSeek AI agents Research paper

Leer original

AutoMem automatiza el aprendizaje de la memoria como habilidad cognitiva para LLMs

Los investigadores presentan AutoMem, un marco que trata la gestión de memoria en modelos de lenguaje grandes como una habilidad entrenable en lugar de un componente estático. El sistema eleva las operaciones del sistema de archivos a acciones de memoria de primera clase, permitiendo que el modelo decida autónomamente cómo codificar, recuperar y organizar el conocimiento.

arxiv arXiv cs.CL · hace 45 d

Escalar el horizonte, no los parámetros: alcanzar rendimiento de billones de parámetros con un agente de 35B

Los investigadores presentan Agents-A1, un modelo Mixture-of-Experts de 35B que logra un rendimiento comparable al de modelos de billones de parámetros escalando el horizonte del agente en lugar del conteo de parámetros. El enfoque se centra en extender trayectorias de largo alcance y unificar habilidades heterogéneas de agentes a través de una infraestructura de entrenamiento especializada.

arxiv Moonshot AI (arXiv) · hace 255 d · 2 vistas

DeepSeek-V3.2 introduce atención dispersa y síntesis agéntica, superando a GPT-5

DeepSeek ha lanzado DeepSeek-V3.2, un modelo de lenguaje grande abierto que combina alta eficiencia computacional con capacidades avanzadas de razonamiento. El lanzamiento destaca tres avances técnicos principales: un nuevo mecanismo de atención dispersa, un marco de aprendizaje por refuerzo escalable y una tubería para sintetizar datos de entrenamiento agénticos.

arxiv arXiv cs.AI · hace 1 h En vivo

AutoDesign utiliza optimización de meta-harness para mejorar el diseño agénico a largo plazo

El artículo presenta AutoDesign, un marco que emplea un optimizador de meta-harness para guiar a un agente de código en la mejora recursiva de su harness basado en retroalimentación de rollout. Este enfoque busca alinearse con las preferencias de diseño humano y acumular experiencia reutilizable para la auto-mejora recursiva.

arxiv arXiv cs.CL · hace 2 h

AutoDesign utiliza la optimización de meta-arnezo para mejorar el diseño agénico a largo plazo

El artículo presenta AutoDesign, un marco que emplea un optimizador de meta-arnez para guiar a un agente de código en la mejora recursiva de su arnez basándose en retroalimentación de rollout. Los autores evalúan este enfoque en la tarea de generación de pósteres a partir de artículos académicos utilizando un nuevo benchmark llamado PosterBench.