Together AI lleva nueve trabajos de investigación a ICML 2026 en Seúl

Together AI anunció el 30 de junio de 2026 que ICML 2026, en Seúl, ha aceptado nueve trabajos de investigación de la compañía y sus socios. Los trabajos se presentan en el stand B714 y abarcan todo el stack de infraestructura de IA, desde los agentes hasta los kernels de GPU.

Cómo se organiza el stack de investigación

Together AI subraya que la IA de frontera no se construye en un único nivel. Una mejora en una capa no sirve de nada si las capas contiguas no le siguen el ritmo. La compañía ha distribuido los nueve trabajos en cinco niveles del stack, desde los agentes en la parte superior hasta los kernels de GPU en la base. También muestra cómo cada nivel alimenta al siguiente, mientras las cargas de producción de la plataforma Together indican qué problema de investigación abordar a continuación.

ICML (International Conference on Machine Learning) es una de las principales conferencias de machine learning del mundo, junto a NeurIPS e ICLR. Que un artículo entre en su programa se considera tradicionalmente en el sector una señal sólida de la calidad de la investigación. En 2026, la conferencia se celebra en Seúl, donde Together AI contará con su propio stand, el B714, para reunirse con los asistentes.

Qué hay de nuevo en agentes y entrenamiento de modelos

Tres trabajos se centran en agentes que realizan trabajo real y se evalúan con tareas en las que no es posible «fingir» que se han resuelto. DSGym es un framework para evaluar y entrenar agentes de datos: más de 1 000 tareas en más de 10 dominios bajo una API unificada. ThunderAgent acelera la inferencia de agentes hasta 3,6 veces. TTT-Discover es un modelo abierto que, según sus autores, supera el mejor resultado humano en su categoría de tareas.

Otros dos trabajos abordan cómo convertir un modelo base en un modelo de razonamiento incluso cuando no existe una respuesta de referencia con la que contrastar. RARO entrena el modelo sin verificador y logra un 25% de victorias frente a la versión base. V1 añade hasta un 10% de respuestas correctas. Ambos trabajos resuelven el mismo problema práctico: cómo mejorar un modelo en tareas cuya respuesta correcta no se puede comprobar con una simple comparación con un «diccionario de respuestas correctas».

Cómo se acelera la inferencia y los kernels de GPU

En el nivel de optimización algorítmica, Aurora implementa decodificación especulativa adaptativa. En esta técnica, un modelo más ligero «anticipa» varios tokens y el modelo principal los verifica, lo que acelera la generación de texto. El algoritmo de Aurora se adapta al tráfico real y logra una aceleración de hasta 1,25 veces. Según Together AI, esta misma línea de investigación ya funciona en producción en la plataforma con el nombre de especulador ATLAS. Es decir, el paso de un artículo en ICML a un servicio real no ha llevado años, sino un solo ciclo de desarrollo.

Datos clave de los niveles de sistemas y hardware:

• Untied Ulysses mantiene un contexto de 5 millones de tokens en un solo nodo de cómputo
• Opportunistic Expert Activation (OEA) acelera la decodificación de modelos MoE hasta un 39%
• ParallelKernelBench es un conjunto de 87 tareas sobre kernels multi-GPU, la base del stack, donde el hardware en bruto se convierte en velocidad útil
• En total, ICML 2026 ha aceptado 9 trabajos de Together AI y sus socios
• La compañía los presenta en el stand B714 en Seúl

Por qué le interesa a la compañía

Together AI vincula directamente la investigación con la producción: los avances de Aurora ya se utilizan en su plataforma como especulador ATLAS. La compañía describe así la lógica del ciclo: los resultados de la investigación pasan a formar parte de la plataforma Together, y las cargas de producción en esa plataforma muestran qué problema de investigación abordar después.

Qué significa

ICML 2026 muestra que la carrera por una inferencia de IA más rápida y barata se libra tanto en los propios modelos como en los frameworks de agentes, los algoritmos de decodificación y los kernels de GPU. Empresas como Together AI organizan su investigación a lo largo de todo ese stack, en lugar de concentrarla en un único punto.