Artículos Relacionados con Multi-Agente

El Centro de Noticias de HTX ofrece los artículos más recientes y un análisis profundo sobre "Multi-Agente", cubriendo tendencias del mercado, actualizaciones de proyectos, desarrollos tecnológicos y políticas regulatorias en la industria de cripto.

El prompt de Opus 5 para crear juegos se vuelve viral: ¡Replica una obra maestra AAA en 24 horas!

¡Un simple prompt de Opus 5 se ha vuelto viral y permite crear prototipos de videojuegos en 24 horas! El método, llamado "Ciclo de Desafío", organiza múltiples agentes de IA: uno principal desglosa la tarea, otros especializados ejecutan el trabajo (gráficos, código, etc.) y un "agente juez" supervisa la calidad, comparando los resultados con estándares de juegos AAA y exigiendo revisiones hasta que se cumplan. Un usuario, Anshu, lo utilizó para recrear en un día un juego de exploración espacial inspirado en 'Outer Wilds', titulado 'The Long Silence'. Otros han creado clones de 'Call of Duty', juegos de karts o versiones como "Claudepunk 2077". El proceso implica definir un objetivo básico, dejar que Opus 5 planifique y ejecute de forma autónoma durante horas, y realizar ajustes manuales finales. La clave es el agente juez, que fuerza a la IA a iterar y mejorar continuamente, potenciando sus capacidades de planificación a largo plazo. Aunque los resultados no igualan por completo a un AAA, el método demuestra el sorprendente potencial de los modelos actuales para la creación rápida de prototipos y tareas complejas y prolongadas.

marsbit07/29 08:50

El prompt de Opus 5 para crear juegos se vuelve viral: ¡Replica una obra maestra AAA en 24 horas!

marsbit07/29 08:50

El nuevo campeón de la IA en Japón: ¿Cómo se compara un pequeño modelo de 7B con Fable y Mythos?

En junio de 2026, Sakana AI de Japón sacudió la comunidad con Fugu, un pequeño modelo de solo 7B de parámetros que actúa como "capataz" orquestando modelos globales líderes como GPT-5 y Claude Opus. En los exigentes benchmarks SWE-Bench Pro (73.7) y TerminalBench 2.1 (82.1), Fugu Ultra superó a modelos como GPT-5.5 y Claude Opus 4.8. Sakana afirma que rivaliza incluso con los restringidos Fable 5 y Mythos Preview, aunque esta comparación se basa en informes públicos y no en pruebas directas. Su arquitectura se centra en un núcleo de 7B, el RL Conductor, que no genera respuestas directas, sino que descompone tareas, las asigna a modelos especialistas y sintetiza los resultados. Esto mejora la estabilidad en sesiones largas, la revisión profunda de código y reduce el consumo de tokens. Las pruebas beta destacaron su eficacia en flujos de trabajo complejos. Sin embargo, esta estrategia presenta vulnerabilidades: depende de APIs de modelos estadounidenses (riesgo de costes e inestabilidad), puede tener mayor latencia y las comparaciones con modelos no accesibles son polémicas. Para Japón, con limitaciones en cómputo y datos, Fugu representa una vía de "salida asimétrica", priorizando la orquestación inteligente sobre el tamaño bruto del modelo. Demuestra que la competencia en IA se desplaza hacia la integración de sistemas, aunque la dependencia de tecnologías subyacentes sigue siendo un límite.

marsbit06/22 11:22

El nuevo campeón de la IA en Japón: ¿Cómo se compara un pequeño modelo de 7B con Fable y Mythos?

marsbit06/22 11:22

AGI no es el destino final: nuevo estudio de DeepMind afirma que el verdadero progreso de la IA apenas comienza al avanzar hacia una ASI

El documento de DeepMind plantea que la Inteligencia Artificial General (AGI) no será el punto final del desarrollo de la IA, sino un paso hacia una Inteligencia Artificial Superintendente (ASI) que supere colectivamente a los mejores equipos de expertos humanos. El informe explora cuatro posibles caminos hacia la ASI: 1) escalar recursos (cómputo, modelos, datos), 2) avances algorítmicos o nuevos paradigmas, 3) mejora recursiva automática de los sistemas, y 4) la coordinación de múltiples agentes de AGI para crear una inteligencia colectiva. También identifica cuellos de botella clave, como el límite de los datos de alta calidad generados por humanos, las presiones sobre recursos económicos y naturales, las posibles limitaciones de los paradigmas actuales de redes neuronales, la creciente dificultad de la investigación, las "barreras de abstracción" para descubrir nuevos conceptos fundamentales, y los factores de gobernanza y aceptación social. El documento destaca la necesidad urgente de desarrollar nuevos marcos de evaluación, ya que las métricas basadas en el rendimiento humano quedarán obsoletas una vez alcanzada la AGI. Finalmente, concluye que el progreso hacia la ASI es incierto y estará sujeto a restricciones físicas y prácticas, requiriendo un esfuerzo de investigación multidisciplinar global para monitorear y guiar su desarrollo.

marsbit06/16 12:05

AGI no es el destino final: nuevo estudio de DeepMind afirma que el verdadero progreso de la IA apenas comienza al avanzar hacia una ASI

marsbit06/16 12:05

El desconocido en el AI local que ansía Apple: Nace el primer modelo cognitivo, 4B iguala a GPT-5.4

**Título: Apple busca AI de dispositivo y surge un modelo cognitivo pionero: 4B iguala a GPT-5.4** **Resumen en español europeo:** La industria de la IA se enfrenta a una crisis de costes, ejemplificada por casos como el de Amazon, que paralizó un ranking interno debido al enorme gasto en computación por el uso de herramientas de IA por los empleados. Frente a este desafío, la visión de Andrej Karpathy de separar el "núcleo cognitivo" de un modelo (su capacidad de pensar y razonar) de su vasto conocimiento factual está ganando terreno. Este enfoque ha sido llevado a la práctica por la empresa china Nextie (明日新程), que ha desarrollado **Alpha**, presentado como el primer **modelo cognitivo para dispositivos** (dispositivo lateral). Con solo **4 mil millones de parámetros**, logra resultados equivalentes a modelos de cientos de miles de millones como GPT-5.4 en tareas de **inteligencia colectiva** (como debate, reflexión o toma de decisiones en grupo mediante votación). El modelo se entrena mediante aprendizaje por refuerzo en modelos de razonamiento de código abierto, centrándose en potenciar la **abstracción y generalización**, no en memorizar datos. Esto permite una drástica reducción del coste computacional, posibilitando su despliegue tanto en la nube como directamente en **dispositivos finales** como ordenadores portátiles o robots de IA encarnada. Este avance podría abrir la puerta a agentes de IA **proactivos** que funcionen de forma continua y autónoma, en lugar de los actuales modelos reactivos que solo responden a comandos. El equipo fundador, procedente de Microsoft Xiaoice, tiene un historial de logros con modelos pequeños, como su modelo de 3.6B que superó a Llama de 65B en rankings japoneses. Nextie se posiciona en el campo de los **sistemas multiagente**, un área de alto crecimiento respaldada por inversiones como la de OpenAI en la startup Isara. En resumen, los modelos cognitivos como Alpha prometen no solo un cambio en la escala de parámetros, sino una **reestructuración fundamental de la economía** de la IA, haciendo viable su integración masiva y continua en dispositivos cotidianos.

marsbit06/09 12:09

El desconocido en el AI local que ansía Apple: Nace el primer modelo cognitivo, 4B iguala a GPT-5.4

marsbit06/09 12:09

TaiJi Completa Ronda de Financiación Estratégica de $3.5 Millones con Participación de Castrum Capital, Becker Ventures y Coinvestor Ventures

TaiJi ha completado una ronda de financiación estratégica de 3,5 millones de dólares, con la participación de Castrum Capital, Becker Ventures y Coinvestor Ventures. Los fondos se destinarán al desarrollo de productos, la mejora del motor de IA, la construcción de sistemas de análisis multiagente, la infraestructura de datos de mercado, la expansión global de la comunidad y la promoción de colaboraciones ecológicas. TaiJi está construyendo una red inteligente de mercado on-chain impulsada por IA en el ecosistema BSC. La plataforma integra datos de mercado, señales on-chain, cambios de liquidez, sentimiento en redes sociales y eventos de proyectos en un sistema unificado de inferencia de IA. Su objetivo es transformar información fragmentada en resultados estructurados de análisis de eventos, rutas de impacto, evaluaciones de riesgo e indicadores de seguimiento, ayudando a los usuarios a navegar en el complejo entorno actual de Web3. La primera fase del producto incluirá módulos clave como Market Intelligence, Scenario Engine, Impact Map, Risk Signals y My TaiJi. La plataforma enfatiza que no custodia activos, ejecuta operaciones, ofrece consejos de inversión ni garantiza rendimientos.

marsbit06/02 09:50

TaiJi Completa Ronda de Financiación Estratégica de $3.5 Millones con Participación de Castrum Capital, Becker Ventures y Coinvestor Ventures

marsbit06/02 09:50

TaiJi completa una ronda de financiación estratégica de 3,5 millones de dólares con la participación de Castrum Capital, Becker Ventures y Coinvestor Ventures

TaiJi ha completado con éxito una ronda de financiación estratégica de 3,5 millones de dólares, con participación de Castrum Capital, Becker Ventures y Coinvestor Ventures. Estos fondos se destinarán principalmente a la investigación y desarrollo de productos, la mejora del motor de inferencia de IA, la construcción de un sistema de análisis multiagente y la expansión de la comunidad global. TaiJi está construyendo una red de inteligencia de mercado impulsada por IA en el ecosistema BSC. La plataforma integra datos de mercado, señales on-chain, cambios de liquidez, sentimiento en redes sociales y eventos de proyectos en un sistema unificado de inferencia de IA. Su objetivo es transformar la información fragmentada en resultados de simulación de mercado estructurados, ayudando a los usuarios a comprender el impacto multidimensional de los eventos. A diferencia de las herramientas tradicionales, TaiJi emplea un marco de inferencia multiagente donde agentes especializados (mercado, on-chain, riesgo, etc.) analizan conjuntamente las señales. Su primera fase incluye módulos como Market Intelligence, Scenario Engine, Impact Map, Risk Signals y My TaiJi. La plataforma no custodia activos, ni ejecuta operaciones, ni ofrece consejos de inversión. Con esta inversión, TaiJi acelerará el desarrollo de sus funciones centrales y expandirá su presencia en el ecosistema Web3.

链捕手06/02 09:29

TaiJi completa una ronda de financiación estratégica de 3,5 millones de dólares con la participación de Castrum Capital, Becker Ventures y Coinvestor Ventures

链捕手06/02 09:29

Claude Opus 4.8 es lanzado, Anthropic comienza a convertir la 'fiabilidad' en una característica de producto

Claude Opus 4.8 ha sido lanzado, manteniendo el precio pero destacando la **fiabilidad** como su principal avance. En pruebas de honestidad en código, redujo la tasa de no detección de errores propios del 19.7% al 3.7%. También introduce flujos de trabajo dinámicos en Claude Code, donde múltiples subagentes, incluido uno adversario para autocontrol, colaboran. Aunque lidera cinco de seis benchmarks clave, GPT-5.5 sigue siendo superior en tareas de terminal. Se observan mejoras notables en razonamiento matemático (+27 puntos) y eficiencia de tokens, pero también retrocesos menores en algunas áreas, honestamente reportados. Anthropic anuncia que un modelo más potente, Mythos, llegará en semanas. El mensaje central es que la competencia entre modelos de vanguardia ya no se trata solo de rendimiento bruto, sino de **confiabilidad y verificabilidad**, permitiendo delegar tareas más críticas.

marsbit05/29 22:23

Claude Opus 4.8 es lanzado, Anthropic comienza a convertir la 'fiabilidad' en una característica de producto

marsbit05/29 22:23

OpenAI y Anthropic podrían estar diciendo las cosas equivocadas

En el último año, los sistemas multi-agente (MAS) se han convertido en una de las direcciones más populares en IA. Este artículo argumenta que el enfoque actual liderado por OpenAI y Anthropic, centrado en múltiples agentes de IA colaborando en un flujo de trabajo centralizado para tareas complejas (lo que llama "Harness MAS"), es solo un camino. Este sistema se asemeja más a un motor de orquestación de LLM, donde los agentes actúan como funciones o herramientas temporales sin identidad propia duradera. El autor propone una segunda ruta fundamentalmente diferente: el "Protocol-Native Agent System". Aquí, el núcleo no son agentes para tareas, sino "Agentes Personales" o "compañías autónomas" que pertenecen y representan permanentemente a individuos. Estos agentes tendrían identidad persistente, memoria a largo plazo, preferencias, recursos y soberanía sobre decisiones e intereses. Este cambio transforma la filosofía del sistema: de un problema de ingeniería de software a la creación de una "sociedad digital". La coordinación ya no dependería de prompts o contextos compartidos, sino de protocolos que gestionen identidad, confianza, permisos, incentivos y contratos entre entidades autónomas. El reto futuro no será la capacidad de razonamiento de los agentes, sino cómo logran una interpretación coordinada del mundo y una colaboración a largo plazo con objetivos e intereses diversos. Incluso las "empresas" del futuro podrían ser alianzas dinámicas de estos Agentes Personales unidos por protocolos.

marsbit05/28 05:35

OpenAI y Anthropic podrían estar diciendo las cosas equivocadas

marsbit05/28 05:35

Patrones de Diseño Agente: Un libro que me hizo replantearme 'qué es realmente un Agente'

El libro _Agentic Design Patterns_, escrito por Antonio Gullí, presenta una clasificación de cuatro niveles para los agentes de IA: * **Nivel 0**: LLM básico, sin herramientas ni capacidad de acción. No es considerado un agente real. * **Nivel 1**: Usa herramientas de forma autónoma, decidiendo cuándo y cómo utilizarlas para obtener información externa. * **Nivel 2**: Introduce la planificación y la "Context Engineering", que consiste en filtrar y preparar cuidadosamente la información del contexto para mejorar la precisión. Incluye la capacidad de autorreflexión (Reflection) mediante un patrón de dos agentes: un "Productor" y un "Crítico". * **Nivel 3**: Sistemas multiagente que colaboran, con diferentes topologías de comunicación según la complejidad de la tarea. El artículo destaca tres conceptos clave del libro: 1. **Context Engineering**: Va más allá del "Prompt Engineering", gestionando las capas de información (instrucciones del sistema, datos externos, estado implícito y retroalimentación) que el agente tiene a su disposición para tomar decisiones. 2. **Reflection**: Un patrón práctico donde un agente "Productor" genera un resultado y un agente "Crítico" distinto lo revisa, creando un ciclo de mejora iterativa. 3. **Memoria en tres capas**: Sesión (conversación actual), Estado (datos temporales de la tarea) y Memoria persistente (experiencia a largo plazo). La conclusión es que, en lugar de construir sistemas multiagente complejos, a menudo es más eficaz primero llevar un solo agente al Nivel 2, dotándolo de herramientas, reflexión y una gestión adecuada del contexto y la memoria. El libro proporciona un mapa de patrones de diseño que sistematizan soluciones a problemas comunes en el desarrollo de agentes.

链捕手05/25 04:50

Patrones de Diseño Agente: Un libro que me hizo replantearme 'qué es realmente un Agente'

链捕手05/25 04:50

¡Gran avance en la colaboración de IA! Stanford y NVIDIA unen fuerzas para eliminar las ineficiencias en la comunicación de la IA, la velocidad de razonamiento aumenta un 240%

Imagina que tres asistentes de IA resuelven un problema matemático juntos. Tradicionalmente, comunican cada paso por escrito, lo que es lento e ineficiente, un problema conocido como "impuesto del lenguaje". Un equipo de UIUC, Stanford, NVIDIA y MIT propone RecursiveMAS, un sistema donde los agentes de IA comparten "pensamientos" directamente en el espacio latente (vectores), sin generar texto intermedio. Utiliza un módulo ligero llamado RecursiveLink para transferir estas representaciones internas. Los resultados en pruebas con modelos como Qwen y Llama-3 muestran: - Precisión mejorada en un 8.3% de media. - Velocidad de inferencia hasta 2.4 veces mayor. - Uso de tokens reducido en un 75%. Las ventajas aumentan con más ciclos de colaboración. El enfoque desafía la necesidad de comunicación por texto entre agentes, ofreciendo una nueva vía para escalar sistemas multiagente mediante recursión profunda en lugar de solo añadir más agentes. Aunque prometedor, necesita validación independiente y abordar retos como la interoperabilidad entre modelos distintos y la reducida transparencia del proceso.

marsbit05/21 00:16

¡Gran avance en la colaboración de IA! Stanford y NVIDIA unen fuerzas para eliminar las ineficiencias en la comunicación de la IA, la velocidad de razonamiento aumenta un 240%

marsbit05/21 00:16

活动图片

Categorías popularesright-arrow

Etiquetas Popularesright-arrow