Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoCódigo / SDK · Listo para usarGitHub Trending AI→ original

Google Research publica PaperOrchestra: cinco agentes de IA escriben un artículo científico a partir de borradores

Hay una idea y registros de experimentos, pero todavía no hay artículo: faltan el plan, la revisión de trabajos previos, los gráficos y la maquetación. Google Research ha publicado PaperOrchestra, cinco agentes de IA que convierten los borradores en un manuscrito en LaTeX, el formato que usan las conferencias científicas. Un agente diseña el plan, otro busca bibliografía, y los restantes redactan las secciones, corrigen el texto y dibujan los gráficos. El repositorio sumó 306 estrellas en un día, pero todavía no hay cifras de calidad.

Procesado por IA desde GitHub Trending AI; editado por Hamidun News
Google Research publica PaperOrchestra: cinco agentes de IA escriben un artículo científico a partir de borradores
Fuente: GitHub Trending AI. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalGitHub Trending AI ↗
Editor jefe
Entradaidea y registros; salida: archivos LaTeX con la plantilla de la conferencia
Dato clave #2Se necesita una clave de Gemini o de OpenAI, y otra de Semantic Scholar para buscar trabajos
Dato clave #3No es un producto oficial de Google; el conjunto de datos de evaluación se publicará más adelante

Imagine a un doctorando que ya ha ejecutado sus experimentos: tiene notas de texto con la idea y tablas con los resultados de las ejecuciones. Aun así, de ahí a un artículo terminado quedan semanas de trabajo rutinario: definir la estructura, localizar y resumir trabajos ajenos, dibujar los gráficos y, por último, ajustarlo todo a los requisitos de la conferencia. Google Research ha publicado en GitHub el proyecto PaperOrchestra, que intenta automatizar precisamente esa parte.

En él trabajan cinco agentes de IA (instancias separadas de un modelo de lenguaje con un rol acotado), y el resultado es un manuscrito en LaTeX, el lenguaje de maquetación con el que las conferencias científicas aceptan los artículos. En un día, el repositorio acumuló 306 estrellas, es decir, usuarios de GitHub que lo marcaron como interesante, y entró en las tendencias.

Qué hace PaperOrchestra

Es un marco multiagente: en lugar de una sola modelo grande a la que se le pide «escribe un artículo», trabaja un equipo de especialistas. Según la descripción de los autores, son un agente de plan, un agente de revisión bibliográfica, un agente de redacción de secciones, un agente de refinamiento del texto y un agente de construcción de gráficos.

La entrada son materiales «en bruto»: una descripción de la idea y un registro de experimentos. No se exige una estructura estricta. La salida es un manuscrito con el formato de la plantilla de la conferencia de destino, con revisión bibliográfica e ilustraciones generadas: gráficos de resultados y diagramas conceptuales.

Si se desglosa el trabajo del doctorando por roles, el esquema encaja. El primer agente esboza el armazón del artículo. El segundo busca trabajos relevantes, selecciona los más importantes y los integra en el texto. El tercero redacta las secciones. El cuarto relee el texto y lo mejora. El quinto construye los gráficos a partir del código.

Cómo ejecutarlo

El proyecto se instala en un entorno de Conda separado con Python 3.11, y las dependencias se toman de requirements.txt. Hacen falta claves para los modelos que se vayan a usar. Para Gemini se necesita un proyecto y una región de Vertex AI o bien GEMINI_API_KEY; para los modelos de OpenAI, OPENAI_API_KEY. Además, la clave de Semantic Scholar es necesaria para buscar bibliografía. Si se quiere que la demo envíe el resultado por correo, se añaden otros dos campos.

La ejecución se realiza con el script paper_writing_cli.py. Hay dos parámetros obligatorios: la carpeta con los materiales de entrada y la carpeta con la plantilla LaTeX. La carpeta de salida puede omitirse; en ese caso se crea un directorio con marca de tiempo. Existe un interruptor para el agente de gráficos y una selección de modelo independiente para los agentes que redactan y buscan bibliografía, y para los agentes revisores que verifican y replantean el borrador. Para quien no quiera trabajar desde la consola, hay una demo interactiva en Streamlit.

El repositorio incluye scripts de evaluación automática, la lógica principal de los agentes y del flujo de trabajo, funciones auxiliares para las llamadas a las API y el manejo de PDF, y plantillas de conferencias. Se puede añadir una plantilla propia creando una subcarpeta.

Limitaciones y qué hacer con ellas

Conviene mirar con realismo lo que el material no contiene. No hay cifras de calidad en la descripción: no se sabe con qué frecuencia los artículos generados superan la revisión por pares ni hasta qué punto son precisas las referencias bibliográficas. El conjunto de datos con el que se probó el proyecto aún no se ha publicado; los autores prometen hacerlo más adelante. El trabajo se describe en el preprint arXiv:2604.05018 (Yiwen Song, Yale Song, Tomas Pfister, Jinsung Yoon). El repositorio está señalado expresamente como producto no oficial de Google, así que no cabe esperar soporte ni garantías.

Hay además una cuestión ética que el código no resuelve. El ensamblado automático de un manuscrito a partir de registros puede convertirse fácilmente en un flujo de artículos flojos, y muchas conferencias tienen normas sobre el uso de IA en la redacción. La responsabilidad por la veracidad de los hechos, la corrección de las referencias y la descripción honesta de los experimentos sigue recayendo en el autor.

La conclusión práctica para los desarrolladores de agentes es que PaperOrchestra ilustra con claridad una arquitectura en la que la tarea se divide en roles estrechos y, tras la redacción, viene una etapa separada de autocomprobación. Este patrón puede trasladarse a otros documentos largos: informes técnicos, documentación, notas analíticas. Para los investigadores es una forma de obtener rápidamente un primer borrador y una base sobre la que editar, pero no sustituye al trabajo propio. Mientras no se publiquen el conjunto de datos y las evaluaciones independientes, conviene tratar el proyecto como un prototipo interesante y no como una herramienta lista para presentar artículos.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Qué hace PaperOrchestra?

Es un marco multiagente: en lugar de una sola modelo grande a la que se le pide «escribe un artículo», trabaja un equipo de especialistas. Según la descripción de los autores, son un agente de plan, un agente de revisión bibliográfica, un agente de redacción de secciones, un agente de refinamiento del texto y un agente de construcción de gráficos. La entrada son materiales «en bruto»: una descripción de la idea y un registro de experimentos. No se exige una estructura estricta.

Cómo ejecutarlo?

El proyecto se instala en un entorno de Conda separado con Python 3.11, y las dependencias se toman de requirements.txt. Hacen falta claves para los modelos que se vayan a usar. Para Gemini se necesita un proyecto y una región de Vertex AI o bien GEMINI_API_KEY; para los modelos de OpenAI, OPENAI_API_KEY. Además, la clave de Semantic Scholar es necesaria para buscar bibliografía. Si se quiere que la demo envíe el resultado por correo, se añaden otros dos campos.

¿Qué se sabe sobre Limitaciones y qué hacer con ellas?

Conviene mirar con realismo lo que el material no contiene. No hay cifras de calidad en la descripción: no se sabe con qué frecuencia los artículos generados superan la revisión por pares ni hasta qué punto son precisas las referencias bibliográficas. El conjunto de datos con el que se probó el proyecto aún no se ha publicado; los autores prometen hacerlo más adelante. El trabajo se describe en el preprint arXiv:2604.05018 (Yiwen Song, Yale Song, Tomas Pfister, Jinsung Yoon).

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…