El framework HACE activa la coevolución entre agentes de lenguaje y modelos de IA especializados

La idea del autoaprendizaje recursivo en IA se ha enfrentado durante mucho tiempo a una limitación estricta: los modelos de lenguaje de gran tamaño pueden desarrollar su propio código y lógica, pero fallan en dominios específicos como la química cuántica o el plegamiento de proteínas. Por su parte, las redes especializadas en estas áreas poseen una comprensión profunda de la física y de la estructura de los datos, aunque dependen por completo de los pipelines de ingeniería diseñados por humanos. El framework Heterogeneous Agentic CoEvolution (HACE) aborda este problema mediante la simbiosis de dos sistemas fundamentalmente diferentes: un agente LLM flexible y un modelo aplicado rígidamente optimizado.

Doble bucle de entrenamiento

La arquitectura de HACE se fundamenta en el aprendizaje recíproco, donde el progreso de un componente altera de inmediato el entorno del otro. El modelo especializado se entrena mediante supervised learning con datos estructurados que el agente de lenguaje localiza y filtra para él. A su vez, el propio agente se somete a un on-policy reinforced self-training: como función de recompensa, recibe el incremento verificado de las métricas del modelo objetivo en conjuntos de validación de control.

La principal complejidad técnica de este tipo de conexiones radica en el desplazamiento de la distribución (distribution drift). A medida que el especialista opera con mayor precisión, las heurísticas previas del agente pierden eficacia. Los creadores de HACE resolvieron este desafío integrando una búsqueda evolutiva en el nivel superior de la arquitectura. El algoritmo muta y selecciona continuamente los protocolos de interacción («interaction harness»), modificando las reglas de intercambio de información, los formatos de los prompts y los umbrales de filtrado de los ejemplos de entrenamiento directamente durante el proceso.

Resultados en tres benchmarks fundamentales

El rendimiento de la coevolución heterogénea se evaluó en tres tareas no triviales, en las que los LLM estándar sin codificadores especializados arrojan resultados discretos:

• Sistemas de recomendación: el agente generó cortes de características no evidentes y reglas de aumentación para grafos de usuarios, reduciendo el error de clasificación. • Biología estructural: la predicción de funciones proteicas mejoró su precisión gracias a la selección adaptativa de patrones de mutación poco frecuentes. • Ciencia de materiales: el pronóstico de la estabilidad de redes cristalinas superó a los pipelines de autoaprendizaje convencionales en las métricas clave de validación.

En todos los escenarios, el bucle cerrado de HACE superó a los métodos clásicos de self-training, donde un modelo intenta perfeccionarse a sí mismo dentro de una sola arquitectura.

Un cambio de infraestructura en I+D

El enfoque de HACE traslada el foco desde el etiquetado manual y la ingeniería de características hacia el diseño de protocolos de interacción. Los laboratorios ya no necesitan mantener equipos independientes de ingenieros de ML para cada fase de ajuste de las redes aplicadas. Basta con desplegar un supervisor basado en agentes con acceso a un entorno de validación para transformar el refinamiento de modelos industriales en un proceso computacional totalmente autónomo.