DeepMind afirma que cuatro agentes de Gemini 4 Argon terminaron Minecraft sin ayuda humana
Hecho Qué ha ocurrido
Según una publicación científica de Google DeepMind, cuatro agentes de Gemini 4 Argon derrotaron al Ender Dragon en Minecraft sin ayuda humana ni estrategias predefinidas, usando Mineflayer y coordinándose por el chat y una memoria compartida. La partida duró 27,23 horas y los agentes se repartieron tareas de forma espontánea. Según el texto, consumieron unos 1.350 millones de tokens de entrada, equivalentes a unos 1.620 dólares.
Resumen generado mediante IA a partir de Hipertextual. Naturaleza de la información: declaración de parte interesada.
Análisis Por qué importa
Muestra que agentes de IA pueden coordinarse para completar tareas largas y con objetivos intermedios sin instrucciones detalladas, algo relevante para la automatización de procesos complejos. Los resultados proceden de la propia empresa, por lo que conviene leerlos con cautela.
- Quién se ve afectado
- Equipos de I+D en agentes de IA y responsables de automatización que evalúen sistemas multiagente.
- Qué puede cambiar
- Si la capacidad se confirma en tareas de trabajo real, la coordinación entre agentes podría reemplazar flujos manuales de larga duración. Por ahora el alcance se limita a un entorno de juego.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Publicación de la metodología completa, reproducción por terceros y si estas capacidades llegan a productos o APIs de Google con precios y disponibilidad concretos.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: Hipertextual. La referencia es siempre el artículo original.
Ver fuente original ↗agentesLLMsistemas multiagente Google DeepMindGoogle agentes de IAGemini 4 ArgonGoogle DeepMindMinecraft
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.
0 comentarios
Relacionadas
MiniMax lanza M3.1 Flash, con mejor rendimiento y la mitad de coste que su predecesor
MiniMax ha presentado M3.1 Flash, un modelo de razonamiento que obtiene 42 puntos en el Artificial Analysis Intelligence Index, 13 más que su predecesor M3…
Por qué importaLa competencia de precios entre modelos chinos sigue presionando el coste por tarea, lo que abarata los casos de uso intensivos en razonamiento…
Deepgram reporta entre 11 y 70 % más audio procesado por dólar al portar Nova-3 a AWS Trainium2
Deepgram, con el equipo de ingeniería de AWS, adaptó su modelo de voz a texto Nova-3 a AWS Trainium2 para transcripción por lotes. Según la propia empresa y…
Por qué importaPara proveedores de voz con gran volumen de transcripción, el coste por hora de audio depende del hardware y del software de inferencia tanto como…
AWS describe una transferencia KV por push en vLLM que reduce la latencia de inferencia de LLM
AWS publicó un artículo técnico sobre un conector NIXL en modo push para vLLM, que traslada la coordinación de la transferencia del caché KV fuera de la ruta…
Por qué importaPara quien despliega inferencia de LLM a escala, el tiempo hasta el primer token y el coste por token dependen tanto de la infraestructura de…
AWS describe transferencia KV bidireccional en vLLM que reduce el TTFT en cargas agénticas multiturno
AWS Machine Learning Blog explica una técnica de transferencia bidireccional de caché KV en vLLM para cargas agénticas multiturno, en la que el nodo de…
Por qué importaLas aplicaciones de agentes que reenvían historiales largos en cada turno pueden acumular latencia y coste de cómputo; reutilizar contexto ya…