#Investigación
Cobertura curada sobre «Investigación»: lanzamientos, investigación, benchmarks, código abierto.
arXiv cs.AILas pruebas de Lean para código generado por IA fallan tras refactorizaciones en el 13-27% de los casos
Hugging Face BlogAi2 demuestra que los jueces LLM de novedad se rompen con unas pocas palabras en el prompt
arXiv cs.AIConflicto de conocimiento en RAG: por qué se necesita una probabilidad de acierto del contexto, no un algoritmo rígido
arXiv cs.AILos investigadores descubren: los agentes de IA confunden hechos antiguos y nuevos en su memoria incluso tras una búsqueda correcta
arXiv cs.LGLas habilidades para agentes de IA no son universales: los modelos débiles necesitan su propia versión del prompt
arXiv cs.LGEstudio: un solo fallo aleatorio hace que un agente de IA abandone una herramienta funcional en el 11,6% de los casos
arXiv cs.AIReconteo del experimento METR: en tareas complejas y revisiones, los desarrolladores con IA pierden un 24% de horas
TG: @ai_machinelearning_big_data (Machinelearning)Google enseña a los modelos de lenguaje a "dormir" y a transferir conocimiento de la memoria a los pesos
Ai2 demuestra que los jueces LLM de novedad se rompen con unas pocas palabras en el prompt
Conflicto de conocimiento en RAG: por qué se necesita una probabilidad de acierto del contexto, no un algoritmo rígido
Los investigadores descubren: los agentes de IA confunden hechos antiguos y nuevos en su memoria incluso tras una búsqueda correcta
Las habilidades para agentes de IA no son universales: los modelos débiles necesitan su propia versión del prompt
Los investigadores descubrieron que una instrucción tipo "habilidad" que impulsa a GPT-5.6 en 31 puntos puede hundir a un modelo más débil como Gemma en 9 puntos.
Estudio: un solo fallo aleatorio hace que un agente de IA abandone una herramienta funcional en el 11,6% de los casos
Investigadores pusieron a prueba 11 modelos de lenguaje en 90.000 decisiones y descubrieron que, tras un único fallo de mala suerte con una herramienta confiable…
Reconteo del experimento METR: en tareas complejas y revisiones, los desarrolladores con IA pierden un 24% de horas
El investigador Solomon Lijo recalculó los registros de METR sobre 246 tareas de desarrollo y, en 540 sesiones de Claude Code, demostró cómo el ahorro en la…
¿Quién gana el conflicto de instrucciones: la posición, el rol en el chat o simplemente la etiqueta?
Anthropic descubre que los expertos siguen la opinión del agente en el 86% de las decisiones disputadas
Berkeley describe el razonamiento paralelo adaptativo: el modelo decide cuándo ramificarse
Científicos de la NTU enseñan a un modelo de IA a saltarse el video: 59% menos tokens
El texto en nepalí "pesaba" tres veces más que el inglés: el arreglo del tokenizador no logró solucionarlo del todo
Un equipo de investigadores descubrió por qué modelos como Llama-3 y Qwen3 gastan varias veces más tokens en texto nepalí que en inglés, corrigieron la expresión…
Investigadores de SAP enseñan a los agentes de IA a no titubear entre distintas soluciones para la misma tarea
Los agentes LLM con acceso a herramientas suelen comportarse de forma distinta cada vez que repiten la misma tarea. Un nuevo método llamado RSD mide la consistencia…
S3AC devuelve el crítico al RL para LLM: ganancias desde 1.5B hasta 397B parámetros
Skill∞: un agente mejora sus propias habilidades y su propio metahabilidad, 60,7% en SkillsBench
MoleculeMind afirma un 94,7% de proyectos exitosos en diseño de proteínas con IA
La AREX-2 china de 27B supera a un modelo de 1,6 billones de parámetros
Work Agents: 16 investigadores construyen un sistema de coordenadas unificado para agentes de IA
Del prompting a la ingeniería de contexto: 6 técnicas prácticas que ahorran horas de ajuste de respuestas
MLE-World predice el resultado de un experimento de ML sin ejecutarlo: 77,9% de acierto
VibeVideoBench: los agentes crean vídeo con código y el mejor cumple en el 76,3% de las tareas
Un nuevo benchmark comprueba si los agentes de IA pueden crear en una hora un vídeo con sonido solo con código. GPT-6 Astra y Claude Opus 5.5 lideran, pero todos…
Los tokens discretos de imagen casi alcanzan a los continuos: FVQ cierra la brecha con un 59% de ventaja sobre Emu3
Investigadores de Meituan LongCat y centros asociados descubrieron que el error de cuantización en una imagen no implica pérdida de significado. Su método, FVQ…