Categoría: agentes de IA
Sistemas de IA que realizan tareas mediante acciones sucesivas.
El título abre el artículo; «Ver la viñeta» lleva a su imagen.
Artículos publicados (8)
Más recientes primero, según la fecha de incorporación.
-
Claude, proteínas y señales: qué se acelera y qué queda por comprobar
Proteínas, secuencia, plegamiento, unión y afinidad explicados paso a paso, con dos apoyos conceptuales. Resultados de Anthropic y límites de actividad, tratamiento y análisis químico conservados.
-
Cuando los agentes de IA inventan reglas para compartir un ordenador
SCARCE estudia acuerdos persistentes entre agentes que compiten por tiempo de ejecución. Cómo intervienen la memoria y las coaliciones, y por qué aún no se conoce su efecto colectivo.
-
Cómo contener una IA que intenta cruzar sus límites
OpenAI describe cómo refuerza y prueba el aislamiento de sus modelos en investigación. Explicación de las capas, los incidentes y los límites de la evidencia reportada.
-
Eko: jugar en una isla y aprender con un cuaderno
Un estudio de Eko explora conductas parecidas al juego y transferencia mediante memoria escrita, sin cambios de pesos ni evidencia de diversión sentida.
-
Mejorar una IA: ¿arreglar respuestas o aprender a mejorar?
Una revisión distingue corregir respuestas, conservar capacidades y revisar el proceso que produce futuras mejoras, con límites de evaluación y control externo.
-
Enjambres de agentes: cuando investigar avanza más rápido que revisar
Una perspectiva sobre enjambres de agentes que producen resultados candidatos más rápido de lo que sus autores pueden revisarlos, con verificaciones parciales y preguntas abiertas.
-
IdeaScientist: buscar una idea donde el problema cambia de nombre
IdeaScientist separa brechas, mecanismos transferibles y propuestas de investigación; su evaluación mejora puntuaciones de ideación, sin demostrar eficacia experimental ni ausencia total de contaminación.
-
MLExpert: cuando un agente aprende entre resultados
MLExpert aprende de resultados intermedios al optimizar tareas de aprendizaje automático; sus mejoras reportadas dependen de evaluaciones y arneses concretos.