FlowMAS, de la Universidad de Xiamen, enseña a los equipos de agentes de IA a repartirse los roles por sí solos

El equipo de ASC Lab de la Universidad de Xiamen ha publicado FlowMAS, una investigación sobre sistemas multiagente que aparece bajo la marca NeurIPS 2026. El titular de Jiqizhixin formula la idea de forma figurada: los equipos de IA deben aprender por sí mismos el «排兵布阵», es decir, a colocar a sus combatientes y a ordenar la secuencia de acciones. Lo único que se sabe a partir del fragmento disponible es la composición de los autores y el perfil del laboratorio. No hay en él benchmarks, tamaños de modelo ni comparaciones con métodos de referencia.

Quién está detrás del trabajo

El primer autor es Wang Haitao, doctorando de la promoción de 2025. Con él trabajó en el proyecto la estudiante de máster Liang Chenjing. El director científico y autor de correspondencia es el profesor asociado Shen Xiji. Entre los coautores figuran Zhang Haipeng, Hu Jiawei, Wang Sicheng, el investigador sénior Mei Songzhu, el profesor Wen Chenglu y el profesor Wang Cheng.

El Laboratorio de Percepción y Computación Espacial declara tres líneas de trabajo: agentes basados en grandes modelos, aprendizaje por refuerzo y sistemas multiagente. FlowMAS se sitúa en la intersección de las tres.

Qué problema aborda esta línea de investigación

El nombre y el subtítulo permiten suponer de qué trata el trabajo, pero es una suposición, no un resumen del artículo. Las arquitecturas multiagente clásicas basadas en LLM suelen montarse a mano. El ingeniero decide cuántos agentes hacen falta, quién planifica, quién escribe el código, quién verifica el resultado y en qué orden se pasan el contexto. Este esquema funciona bien en una tarea concreta, pero se traslada mal a otras. Si cambia el tipo de tarea, hay que rediseñar la topología.

La frase sobre la «colocación de fuerzas» por cuenta propia apunta a un intento de eliminar esa fase manual: el sistema debería aprender a construir el flujo de trabajo (el nombre incluye la palabra flow) para cada tarea concreta. La mención del aprendizaje por refuerzo en el perfil del laboratorio hace probable que la señal para ese ajuste sea una recompensa por el resultado final. Cómo funciona exactamente en FlowMAS no se deduce del texto disponible.

Qué se sabe hasta hoy

• Nombre: FlowMAS.
• Plataforma: NeurIPS 2026, según el titular de la publicación.
• Institución: ASC Lab, Universidad de Xiamen.
• Tema: organización autoaprendida de equipos de agentes de IA.
• Métricas, datasets, modelos base y coste de ejecución: no figuran en la fuente.
• Código y pesos: no se mencionan en el fragmento disponible.

Qué comprobar al leer el artículo completo

Por ahora tenemos un anuncio sin datos, y es pronto para sacar conclusiones sobre la utilidad del método. Cuando aparezca el preprint, conviene fijarse en varios puntos.

Primero, con qué se compara. Una comparación convincente debería incluir tanto los esquemas multiagente manuales como un agente individual potente con el mismo presupuesto de tokens. Los sistemas multiagente suelen ganar simplemente porque gastan más cómputo.

Segundo, el coste de entrenamiento e inferencia. Si el sistema aprende a construir el proceso mediante RL, importa cuántas ejecuciones requiere y cuánto aumenta el número de llamadas al modelo por tarea.

Tercero, la transferencia. Si el sistema aprendió a distribuir agentes en un tipo de tareas, hay que ver si el esquema que encontró funciona en otras sin reentrenamiento.

Cuarto, la apertura del código. Para los profesionales que montan pipelines de agentes, la reproducibilidad importa más que un nombre llamativo.

Para quienes construyen sistemas de agentes en producción, FlowMAS es por ahora un motivo para seguir el preprint, no para cambiar la arquitectura. Volveremos sobre el tema cuando haya cifras.