Ir al contenido
IA para hoy
Investigación Investigación 2/5 · Declaración interesada

Nvidia presenta SoL-Pi, un sistema que reduce casi a la mitad el uso de tokens en agentes de codificación

Fotografía de archivo que ilustra: Nvidia presenta SoL-Pi, un sistema que reduce casi a la mitad el uso de tokens en agentes de codificación
Foto: Christina Morillo · Licencia Pexels · Pexels

Hecho Qué ha ocurrido

Investigadores de Nvidia desarrollaron SoL-Pi, un sistema que optimiza automáticamente el 'harness' (capa de control) entre modelos y agentes de codificación. Tras probar 152 enfoques en más de 3.000 ejecuciones sobre 535 entornos, la variante más eficiente reduce el uso de tokens en un 49% manteniendo el 93,7% del rendimiento del harness original Pi. Los autores estiman ahorros de entre 4,36 y 13,50 dólares por hora según la comparación, y los resultados se mantuvieron parcialmente al aplicarse a otro modelo (Opus 5) sin reentrenamiento.

Resumen generado mediante IA a partir de The Decoder (original en inglés). Naturaleza de la información: declaración de parte interesada.

Análisis Por qué importa

Muestra que optimizar la capa de orquestación de agentes puede reducir costes casi tanto como cambiar de modelo, abriendo una vía de ahorro complementaria a la reducción de precios de los LLM.

Quién se ve afectado
Equipos de desarrollo de software, empresas que operan agentes de codificación a escala y proveedores de infraestructura de IA agéntica.
Qué puede cambiar
Las empresas podrían empezar a optimizar el harness de sus agentes, no solo el modelo subyacente, como palanca de reducción de costes operativos en IA agéntica.

Análisis generado a partir de la información disponible; no procede de la fuente.

Predicción Qué observar a continuación

Vigilar si Nvidia u otros liberan estas técnicas de forma reutilizable, si se replican en benchmarks más variados, y si aparece 'pretraining' de harnesses como sugieren los autores.

Recomendación Qué debería hacer una empresa

Equipos que operan agentes de codificación en producción deberían evaluar en los próximos 6-12 meses técnicas de compactación de contexto y fusión de acciones similares para reducir costes de tokens.

Recomendación generada por IA con la evidencia disponible; no es asesoramiento profesional.

Compartir WhatsApp LinkedIn X Bluesky Telegram
Enviar esta noticia por correo

Se envía esta noticia con su análisis. La dirección se usa solo para ese envío y no se guarda.

Protección de datos. Responsable: Fernando Lobato, PhD. Finalidad: hacer el envío que pides. Base: nuestro interés legítimo. Lo envía Resend; la comprobación de robots es de Cloudflare. Puedes acceder a tus datos, pedir que los borremos y ejercer tus demás derechos como explica la política de privacidad.

Fuente original: The Decoder. La referencia es siempre el artículo original.

Ver fuente original ↗

agentesLLMcoding NvidiaOpenAIAnthropicComposio agentes de IA coding Nvidia optimización de costes SoL-Pi

Relacionadas

Herramientas y productos

NVIDIA impulsa IA local con nuevos modelos abiertos y agentes para desarrolladores

NVIDIA anunció en agosto de 2026 una serie de modelos abiertos y herramientas para ejecutar agentes de IA localmente. Destacan el modelo de código Qwen3.8-27B…

Por qué importaLa disponibilidad de modelos abiertos optimizados para ejecutar localmente reduce la dependencia de APIs en la nube y permite mantener datos…

Impacto medio Fiabilidad confirmado por varias fuentes NVIDIA Blog

OpenAI lanza GPT-5.5 en infraestructura NVIDIA GB200, utilizado por 10.000 empleados de NVIDIA

OpenAI ha presentado GPT-5.5, su último modelo frontera, ejecutándose en sistemas NVIDIA GB200 NVL72. Codex, la aplicación de agentes de código de OpenAI…

Por qué importaDemuestra la madurez de los agentes IA para tareas complejas de ingeniería y conocimiento, con evidencia interna de mejoras mensurables en…

Impacto alto Fiabilidad fuente primaria Relevancia 7/10 NVIDIA Blog
Herramientas y productos

NVIDIA Vera Rubin NVL72 alcanza 30x mayor eficiencia energética en cargas de trabajo agentic

NVIDIA anunció que sus sistemas Vera Rubin NVL72 alcanzan hasta 30x mayor rendimiento por megavatio que GB300 NVL72 en cargas de trabajo de IA agentic, según…

Por qué importaPara empresas que despliegan IA agentic en producción, la eficiencia energética se traduce directamente en rentabilidad: menos megavatios consumidos…

Impacto alto Fiabilidad confirmado por varias fuentes Relevancia 8/10 NVIDIA Blog

NVIDIA abre datos sintéticos para entrenar agentes de IA con 10 billones de tokens

NVIDIA ha publicado más de 10 billones de tokens de preentrenamiento y millones de muestras de post-entrenamiento como parte de Nemotron, incluyendo el…

Por qué importaLa liberación de datos sintéticos de alta calidad reduce la barrera para construir agentes de IA confiables sin exponer datos corporativos sensibles…

Impacto alto Fiabilidad fuente primaria Relevancia 7/10 Hugging Face

Tu opinión

0 comentarios

Escribe un comentario

Sin registro. La primera vez te pediremos confirmar el correo y el comentario pasará por moderación; después se publican al momento si cumplen las normas y firmas con el mismo nombre.

Protección de datos. Responsable: Fernando Lobato, PhD. Finalidad: publicar y moderar tu comentario y evitar abusos. Base: tu consentimiento y, contra los abusos, nuestro interés legítimo. Se publica tu nombre, no tu correo. El texto pasa por un filtro con IA de Anthropic, en Estados Unidos, sin tu nombre ni tu correo, y se guarda un resumen de tu IP 90 días. La comprobación de robots es de Cloudflare. Puedes acceder a tus datos, pedir que los borremos y ejercer tus demás derechos como explica la política de privacidad.