El agente de Empatra Studio 0.29 abarata el frontend un 59 % y se vuelve el doble de rápido
Empatra Studio 0.29 enseña a su agente de IA a hacer varias lecturas de archivos y comprobaciones en una sola pasada, en lugar de llamar al modelo en bucle en cada pequeño paso. En la tarea de frontend, las llamadas al modelo pasaron de 18 a 10, el tiempo bajó de 228 a 112 segundos y el gasto se redujo un 59 %. En programación con GPT-6.2 Sol, los costes cayeron un 38 %, y con Qwen, aproximadamente a la mitad. Si su agente hace muchas llamadas pequeñas a herramientas, agruparlas ahorra dinero sin cambiar de modelo.
Procesado por IA desde TG: @neurogen_news (Neurogen); editado por Hamidun News
Empatra Studio es una aplicación en la que un agente de IA lee archivos, modifica código y ejecuta comprobaciones por sí mismo. En la versión 0.29, los desarrolladores le enseñaron a agrupar varias lecturas y comprobaciones en una sola pasada, en lugar de volver al modelo después de cada pequeña acción. Según sus mediciones, en la tarea de frontend las llamadas al modelo pasaron de 18 a 10, el tiempo se redujo de 228 a 112 segundos (es decir, a la mitad) y el gasto en esa tarea cayó un 59 %. Menos llamadas significan menos espera y menos dinero pagado por reenviar el contexto.
Por qué el agente gasta dinero en tareas rutinarias
La mayoría de los agentes gastan su presupuesto no en razonamientos complejos, sino en la mecánica del proceso. Hay que abrir un archivo, luego otro, luego un tercero, y después lanzar una comprobación. Cada uno de esos pasos es un ciclo aparte: el agente llama al modelo y, en cada petición, se envía de nuevo todo el contexto acumulado. Cada ciclo se paga en tokens y implica esperar la respuesta.
Imagine que le pide a un becario que corrija la maquetación. La versión mala: va a por cada archivo por separado («¿puedo abrir el header?», «¿y ahora el footer?», «¿y ahora los estilos?»). La versión buena: recoge los tres archivos y vuelve una sola vez. El trabajo es el mismo, pero las conversaciones se reducen a la tercera parte. La versión 0.29 lleva al agente al segundo escenario: las lecturas y comprobaciones independientes se agrupan y se ejecutan en un único paso.
Lo que muestran las mediciones
Las cifras proceden del propio equipo, de sus pruebas internas; todavía no hay una verificación independiente, así que conviene tomarlas como una referencia.
- Frontend: 10 llamadas al modelo en lugar de 18, 112 segundos en lugar de 228.
- Programación con Qwen: 8 pasos en lugar de 13, 77 segundos en lugar de 146.
- Costes: con GPT-6.2 Sol, un 38 % menos en programación; en frontend, un 59 % menos; con Qwen, aproximadamente la mitad.
Según los autores, la calidad no se resintió: las mismas tareas superaron las mismas comprobaciones, 5 de 5 y 12 de 12. Pero las muestras son muy pequeñas, por lo que no se puede garantizar la misma calidad en cualquier proyecto.
Hay además una salvedad honesta sobre el tiempo. En programación con GPT, este apenas cambió, aunque los costes bajaron un 38 %. La razón es que casi todo el tiempo lo ocupa el propio modelo, mientras que el trabajo de Studio supone solo entre el 1 % y el 3 %. Si el modelo tarda mucho en cada paso, agrupar las lecturas no acelera lo principal, aunque sí reduce el volumen de contexto reenviado. En el análisis secuencial y en los informes, la ventaja también se nota sobre todo en el precio, no en la velocidad.
Diálogos largos y peticiones gratuitas
La segunda parte de la versión afecta al contexto. Cuando el espacio de la ventana del modelo se agota, el agente elabora un resumen con sus requisitos y continúa desde el punto en que se detuvo. El espacio que queda disponible se muestra en la cabecera del hilo, de modo que es menos probable que una sesión larga se corte de forma repentina. El resumen sigue siendo una compresión, y los acuerdos menores del inicio de la conversación pueden perderse, por lo que es mejor repetir explícitamente las restricciones críticas.
Otro cambio: las optimizaciones ahora funcionan en el ordenador, en la web y en el teléfono; antes la aceleración solo estaba disponible en la aplicación de escritorio. Gracias a la reducción de costes, los usuarios sin suscripción disponen ahora de más peticiones gratuitas.
Qué debe llevarse el desarrollador
La lección va más allá de este producto. Si está construyendo su propio agente, revise los registros: ¿cuántas llamadas a herramientas son independientes entre sí y podrían ejecutarse en un mismo lote? La lectura de varios archivos, la ejecución de un linter y de las pruebas, la búsqueda en el repositorio son candidatos habituales. Cada llamada agrupada elimina un ciclo completo de consulta al modelo con el contexto entero.
Una segunda conclusión: decida de antemano qué quiere optimizar, los segundos o el dinero. Si casi todo el tiempo lo ocupa el modelo, optimizar la infraestructura que lo rodea acelerará poco el trabajo, pero aun así reducirá la factura.
La versión 0.29 no añade ningún modelo nuevo ni promete un salto de calidad. Es un trabajo de ingeniería minucioso alrededor del agente. Para los equipos que pagan a diario por tokens, este tipo de actualizaciones suele ser lo que más se nota.
- 21 nov 2026Thinking Machines lanza Inkling 2 Mini: 26.000 millones de parámetros y 20,1 puntos en el AA Index
- 21 nov 2026MiniMind, un proyecto abierto, permite entrenar tu propio LLM desde cero por 0,42 $ en una RTX 3090
- 21 nov 2026TensorRT-LLM supera a vLLM en H100: 2780 frente a 2400 tokens/s con Llama 3.3 70B
- 21 nov 2026Los desarrolladores de 1C se pasan a los agentes de IA: McKinsey ve una mejora de productividad de solo el 3%
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Por qué el agente gasta dinero en tareas rutinarias?
La mayoría de los agentes gastan su presupuesto no en razonamientos complejos, sino en la mecánica del proceso. Hay que abrir un archivo, luego otro, luego un tercero, y después lanzar una comprobación. Cada uno de esos pasos es un ciclo aparte: el agente llama al modelo y, en cada petición, se envía de nuevo todo el contexto acumulado. Cada ciclo se paga en tokens y implica esperar la respuesta. Imagine que le pide a un becario que corrija la maquetación.
¿Qué se sabe sobre Lo que muestran las mediciones?
Las cifras proceden del propio equipo, de sus pruebas internas; todavía no hay una verificación independiente, así que conviene tomarlas como una referencia. Frontend: 10 llamadas al modelo en lugar de 18, 112 segundos en lugar de 228. Programación con Qwen: 8 pasos en lugar de 13, 77 segundos en lugar de 146. Costes: con GPT-6.2 Sol, un 38 % menos en programación; en frontend, un 59 % menos; con Qwen, aproximadamente la mitad.
¿Qué se sabe sobre Diálogos largos y peticiones gratuitas?
La segunda parte de la versión afecta al contexto. Cuando el espacio de la ventana del modelo se agota, el agente elabora un resumen con sus requisitos y continúa desde el punto en que se detuvo. El espacio que queda disponible se muestra en la cabecera del hilo, de modo que es menos probable que una sesión larga se corte de forma repentina.
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.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.