Un método de predicción ayuda a agentes de IA a mejorar su propio software con menos errores
Hecho Qué ha ocurrido
Investigadores de la Universidad de Virginia, Microsoft Research y la Universidad de Tsinghua han desarrollado un predictor, el Improvement Dynamics Model, que estima si una modificación propuesta por un agente empeorará sus resultados y permite revisarla antes de evaluarla. En 166 tareas de programación reservadas, la tasa de éxito pasó de aproximadamente 16% (agente inicial) y 22% (HyperAgents sin el predictor) a casi 30%. El estudio, publicado como prepublicación en arXiv, usó unos 170 millones de tokens frente a unos 49 millones de HyperAgents.
Resumen generado mediante IA a partir de Xataka. Naturaleza de la información: hecho documentado.
Análisis Por qué importa
Muestra una vía para que los agentes mejoren sus herramientas con más control, aunque el mayor consumo de tokens sugiere que el coste de estas mejoras debe valorarse antes de cualquier adopción.
- Quién se ve afectado
- Equipos de desarrollo de software e investigadores que trabajan con agentes autónomos.
- Qué puede cambiar
- Si el enfoque se confirma en proyectos reales, la revisión previa de cambios automáticos podría reducir regresiones en sistemas de agentes; por ahora solo se ha probado en un entorno de experimentos.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Resultados en proyectos de software reales, coste computacional total frente a alternativas y revisión por pares del estudio.
Enviar esta noticia por correo
Fuente original: Xataka. La referencia es siempre el artículo original.
Ver fuente original ↗agentes de IAHyperAgentsautomejora de código Universidad de VirginiaMicrosoft ResearchUniversidad de TsinghuaSakana AI agentes de IAarXivautomejoraHyperAgents
Tu opinión
0 comentarios
Relacionadas
Un modelo de IA cruza electrocardiogramas y análisis de sangre para detectar rechazo cardíaco
Un equipo de NYU Langone Health desarrolló un modelo de aprendizaje profundo que combina electrocardiogramas con los biomarcadores sanguíneos AlloMap y…
Por qué importaSi se confirma, la combinación de señales podría reducir biopsias innecesarias y detectar antes el rechazo, algo relevante para los centros de…
Google Research lleva agentes de IA al laboratorio húmedo con robots y ciclos experimentales cerrados
Google Research presentó tres proyectos para conectar agentes de IA con experimentos reales de laboratorio. Su sistema VERID es un gemelo digital semántico del…
Por qué importaSi estos resultados se confirman, reducir el tiempo entre hipótesis y validación experimental podría acortar de forma notable los procesos de…
Entrevista a investigador de Stanford que diseñó virus con IA generativa
MIT Technology Review entrevista a Samuel King, doctorando en Stanford, quien en 2025 usó un modelo generativo de IA para proponer planos genéticos de virus…
Por qué importaEs un caso temprano de uso de IA generativa para diseñar organismos biológicos funcionales, lo que abre debate sobre bioseguridad y el futuro de la…
Una startup británica propone usar datos de videojuegos para entrenar modelos del mundo
La startup británica Worldmodeldata, asesorada por Yann LeCun, propone agrupar los datos de controles recopilados por estudios de videojuegos para entrenar…
Por qué importaLa escasez de datos combinados de visión y acción es un obstáculo para la robótica y los vehículos autónomos. Si los videojuegos aportan datos…