AI FRONTIER
Signals worth understanding before they become obvious.
LRMoE: recalibración de carga del lado de la demanda para un entrenamiento MoE eficiente en nodos con memoria limitada
LRMoE es un sistema de entrenamiento MoE consciente de la memoria que recalibra conjuntamente la demanda en retropropagación y equilibra la carga de trabajo retenida, usando enrutamiento consciente de la capacidad y compactación física para reducir el tráfico inverso, el cómputo y la demanda de búferes de ejecución. El...
- El artículo reporta que en Qwen3-30B-A3B y GLM4.5-106B-A12B, LRMoE reduce el tiempo de entrenamiento acumulado de las capas MoE hasta objetivos de pérdida fijos en 21,2-44,8 % respecto a SYMI.
- Durante la ejecución hacia adelante, planifica cuotas de retención y la ubicación de expertos bajo restricciones de recursos mientras preserva todos los cómputos enrutados.
- Durante la retropropagación, una métrica de recalibración de carga estima la contribución de cada par token-experto a la actualización del experto y selecciona pares dentro de esas cuotas.
Para los equipos que entrenan MoE dispersos en nodos GPU con memoria limitada, LRMoE muestra que seleccionar pares token-experto por su contribución durante la retropropagación puede reducir el tráfico inverso y la demanda de búferes sin ca...
Detección de colusión encubierta entre agentes de IA mediante escucha positiva socio-externo
El artículo propone una prueba conductual, Partner-Outsider Positive Listening (PoPLi): un socio que usa un código secreto reacciona al enunciado exacto de un mensaje, mientras que un agente no implicado colocado en su lugar no lo hace. PoPLi es la diferencia entre ambos agentes en cuánto cambia su acción cuando el men...
- Los monitores que solo leen mensajes no separaron las condiciones: uno que lee los mensajes del hablante respondió «no» en los 50 mercados, y uno que lee los mensajes de cada vendedor marcó 9 de 10 mercados sin colusión.
- PoPLi detecta el uso de un canal privado, no la colusión como tal, y no puede detectar colusión solo por incentivos ni códigos transportados por el significado.
- El método se calcula a posteriori reproduciendo los prompts registrados, y el artículo está marcado como trabajo en curso.
Para quienes construyen sistemas multiagente, PoPLi aporta una auditoría conductual por reproducción de registros que puede revelar un canal privado tras mensajes aparentemente inocentes, aunque deja fuera del alcance la colusión solo por i...
WebAnything: de la Web salvaje a entornos de agentes escalables
WebAnything es un marco totalmente automatizado que reconstruye entornos Web reutilizables y fundamentados en la fuente a partir de URL reales, sin implementación manual por sitio ni reparación tras la configuración y autorización iniciales. El artículo reporta la construcción de 244 artefactos de sitios web en 14 domi...
- El artículo reporta la construcción de 244 artefactos de sitios web en 14 dominios de aplicación y 53 categorías, que soportan 12.984 tareas ejecutadas y aceptadas.
- En comparación con WebHarbor asistido por humanos, WebAnything logra puntuaciones agregadas más altas en tres métricas de fidelidad, con 12 victorias, dos empates y ninguna derrota en una auditoría ciega.
Para los constructores de agentes, esto muestra que los entornos Web reiniciables de entrenamiento y evaluación pueden generarse automáticamente a partir de URL reales sin ingeniería por sitio, con ganancias de ajuste fino cuantificadas en ...
ThinkJev: un solo pensamiento, todos los presupuestos para decisiones tipadas calibradas
ThinkJev construye un sistema rápido y uno lento a partir de un único modelo abierto de pensamiento híbrido: System 1 lee las probabilidades de las letras de opción cuando el modelo responde directamente, y System 2 lee las mismas letras después de que el modelo ha pensado sobre el mismo prompt en caché, de modo que es...
- Con una tasa de error objetivo del 5 %, Qwen3.5-27B responde el 24,5 % de 8359 decisiones de prueba solo con System 1, con un error realizado del 3,9 % (Qwen3.5-4B y 9B: 6,5 % y 0,0 %).
- Para el resto de decisiones, detener cada pensamiento en cuanto su respuesta es segura alcanza el 81,6 % de precisión frente al 82,7 % de pensar siempre, usando el 72 % de los tokens de pensamiento.
Para quienes construyen servicios de decisiones tipadas, esto sugiere reutilizar un prompt en caché y sus probabilidades de letras en un único modelo abierto de pensamiento híbrido, y decidir por decisión si pensar bajo una garantía estadís...
Medir dónde se pierde la intención en la síntesis agéntica de contratos inteligentes
El artículo diseña una evaluación basada en ejecución que reproduce las mismas transacciones en un contrato escrito por IA y en el original que debe reproducir para medir con qué frecuencia coinciden, y propone una arquitectura de elicitación primero que hace al cliente una breve lista de preguntas antes de escribir có...
- El artículo informa que comprobar solo las funciones que todos los sistemas incluyen ocultó aproximadamente la mitad de la diferencia entre pipelines.
- El artículo informa que preguntar primero importó mucho más que revisar o parchear después en tres modelos de IA, mientras que las correcciones de seguridad automatizadas a menudo rompen el comportamiento solicitado.
- El artículo informa que métodos comunes como los jueces de IA y las herramientas de análisis estándar pasan por alto errores obvios, y que las decisiones de puntuación también importan.
- Los autores publican sus herramientas, 600 tareas y todos los resultados; el artículo fue aceptado en ACM TheWebConf2027.
Para la generación de código agéntica, conviene elicitar los requisitos faltantes antes de generar y validar contra una clave de respuestas ejecutable escrita de forma independiente, en lugar de depender de la revisión posterior o del parch...
OpenFrontiers: una colección de problemas de investigación abiertos y un benchmark para el redescubrimiento científico
OpenFrontiers combina un corpus estructurado de 12.151 problemas de investigación abiertos con un benchmark retrospectivo de 200 problemas de matemáticas, 110 resueltos en 2026 y 90 aún abiertos, cada uno con un enunciado Lean 4 verificado por sondas automatizadas y dos revisiones independientes.
- El corpus registra enunciados de problemas, contexto, progreso y otra información de 12.151 problemas.
- El benchmark contiene 200 problemas, 110 resueltos en 2026 y 90 aún abiertos, cada uno con un enunciado Lean 4 verificado por sondas automatizadas y dos revisiones independientes.
- Un subconjunto HQ-50 filtra además según la puntuación de calidad, etc.
- El protocolo de evaluación califica las pruebas formales con dos verificadores independientes en un entorno aislado bajo condiciones de libro cerrado, recuperación congelada y web en vivo.
Como el benchmark separa la calificación formal en condiciones de libro cerrado, recuperación congelada y web en vivo, los desarrolladores pueden distinguir el redescubrimiento genuino de la recuperación de soluciones publicadas.