lab OpenAI News · hace 2 d · releases

V7 utiliza GPT-6 Astra para dar a los agentes de IA memoria institucional

Traducido del English → Español

V7 ha integrado GPT-6 Astra de OpenAI en su plataforma V7 Go para proporcionar a los agentes de IA una "memoria institucional" persistente mediante un Context Graph, mejorando significativamente la precisión de recuperación en consultas empresariales complejas.

El Context Graph organiza los archivos de la empresa en relaciones estructuradas entre entidades, permitiendo a los agentes consultar el contexto oculto sin tener que volver a aprenderlo para cada solicitud. En las pruebas más difíciles de consulta de grafos, GPT-6 Astra alcanzó una precisión del 89% frente al 78% de GPT-5.6 Sol. V7 también informa que GPT-5.6 Luna reduce los costos de procesamiento de documentos en un 78% y que el tiempo de creación de flujos de trabajo ha disminuido de una hora a unos 20 minutos.

Este enfoque permite a los agentes completar flujos de trabajo de 50–100 pasos en minutos con una precisión del 99,9%, ayudando a los equipos de finanzas y seguros a reducir drásticamente los tiempos de revisión y los errores.

Importancia 1/3 Confianza 3/3 OpenAI News OpenAI AI agents Retrieval & RAG

Artículos relacionados

arxiv arXiv cs.CL · hace 98 d · 8 vistas

ProvenanceGuard: Verificación de factualidad consciente de la fuente para agentes LLM basados en MCP

ProvenanceGuard introduce un verificador consciente de la fuente para agentes LLM basados en MCP que detecta la confluencia entre fuentes al enrutar afirmaciones a fuentes de evidencia específicas y comparar la atribución declarada con la propiedad real de la fuente. Logra una F1 por bloque de 0.802 y una precisión de fuente de 0.858 en 260 afirmaciones elegibles por fuente, superando a las líneas base ciegas a la fuente, y detecta todos los intercambios de atribución inyectados en 50 pruebas clínicas.

arxiv arXiv cs.AI · hace 98 d · 7 vistas

ProvenanceGuard: Verificación de factualidad consciente de la fuente para agentes LLM basados en MCP

ProvenanceGuard introduce un verificador consciente de la fuente para agentes LLM basados en MCP que detecta la confluencia entre fuentes al enrutar afirmaciones a fuentes de evidencia específicas y comparar la atribución declarada con la propiedad real de la fuente. Logra un F1 por bloque de 0.802 y una precisión de fuente de 0.858 en 260 afirmaciones elegibles por fuente, superando a las líneas base ciegas a la fuente, y detecta todos los intercambios de atribución inyectados en 50 pruebas clínicas.

arxiv arXiv cs.CL · hace 98 d · 8 vistas

MODE-RAG: Evaluación y reducción de alucinaciones en M-RAG

MODE-RAG propone un sistema multiagente que utiliza Energía Libre Variacional para intercalar dinámicamente intervenciones y reducir alucinaciones multimodales en la generación aumentada por recuperación. Integra Búsqueda en Árbol de Monte Carlo y perturbaciones de logit para abordar fabricaciones causales y sycophancy, con agentes dedicados que garantizan verificación factual y estabilidad de formato. Evaluado mediante ModeVent, un subconjunto de MultiVent, el sistema mejora significativamente la robustez frente a fabricaciones lógicas.

arxiv arXiv cs.AI · hace 3 h · 9 vistas

CliffCompaction reduce los costos de los agentes de codificación en un 50 % mientras mantiene el rendimiento

Los investigadores presentan CliffCompaction, una técnica de autocompacción diseñada para reducir los costos de los agentes de codificación de largo alcance hasta en un 50 % bajo un contexto acotado. El método mantiene o mejora el rendimiento en Terminal-Bench y logra resultados de última generación en KernelBench al mantener la información compactada fiel mediante truncamiento en lugar de reformulación.

arxiv arXiv cs.LG · hace 5 h · 9 vistas

CliffCompaction reduce los costos de agentes de codificación de largo alcance hasta en un 50% mientras mantiene el rendimiento

Los investigadores presentan CliffCompaction, una técnica de autocompacción diseñada para agentes que manejan millones de tokens, la cual reduce los costos hasta en un 50% bajo contexto acotado. El método mantiene o mejora el rendimiento en Terminal-Bench y logra resultados de vanguardia en KernelBench al mantener la información fiel mediante truncamiento en lugar de reformulación.