ai-powered-markdown-translatorArtículo traducido del francés al español con gpt-6.1-sol.
Sakana AI e investigadores de UC Berkeley presentan MASS, un método en el que Qwen3.6-27B se perfecciona a partir de las mejores ejecuciones de su propio equipo de agentes: tras dos rondas, supera a su versión base en el 69,9 % de las comparaciones en tareas excluidas del entrenamiento. En las noticias breves, FINAL-Bench lanza el Open Quantum Challenge, un concurso de simulación cuántica y corrección de errores que se realiza con una sola GPU, y Qwen Code v0.25.1 pasa a ser una versión estable.
MASS: Sakana AI y UC Berkeley mejoran Qwen3.6-27B a partir del trabajo de su propio equipo de agentes
11 de octubre — Sakana AI y UC Berkeley presentan MASS, un método de automejora recursiva: Qwen3.6-27B resuelve tareas de investigación en un equipo de subagentes, reescribe el workflow del equipo y evalúa por sí mismo los resultados, y después se ajusta con LoRA a partir de sus mejores ejecuciones. Dos jueces externos, GPT-5.5 y Claude Opus 4.8, miden los avances.
| Medida comunicada | Valor publicado |
|---|---|
| Victorias frente al modelo base tras dos rondas, tareas excluidas del entrenamiento | 69,9 % |
| Puntuación por token de salida, cuatro bancos de pruebas de investigación | 1,2 a 1,6 veces el modelo base |
| Misma medida, Terminal-Bench 2.0 y SWE-bench Verified | 0,96 y 0,94 veces el modelo base |
Los propios autores consideran que la mejora es desigual entre los bancos de pruebas y creen que pueden corregirlo añadiendo tareas de ingeniería de software. El código se publica sin una licencia declarada, y el artículo está en arXiv desde el 8 de octubre.
🔗 Publicación sobre MASS · Artículo en arXiv · Código en GitHub
Noticias breves
- Open Quantum Challenge — En Hugging Face, FINAL-Bench (VIDRAFT) abre dos temporadas que se realizan con una sola GPU, sin ordenador cuántico: estimar la energía del estado fundamental de sistemas de Fermi-Hubbard hasta el 28 de febrero de 2027 y diseñar un decodificador de corrección de errores (QEC) hasta el 31 de marzo de 2027, con 1 000 dólares por temporada. 🔗 fuente · 🔗 espacio del concurso
- Qwen Code v0.25.1 — La versión estable reúne las tres versiones preliminares presentadas aquí desde el 6 de octubre y solo añade 17 entradas, entre ellas un botón de envío inmediato (Enviar ahora) para los mensajes en cola en Web Shell. Las notas suman 57 funcionalidades y 85 correcciones desde la v0.25.0, sin cambios incompatibles conocidos. 🔗 fuente
Qué significa esto
MASS parte de una observación: en una tarea de investigación abierta, ninguna regla automática indica si una respuesta es buena, y el propio modelo puede convertirse en el supervisor más competente disponible. Sakana AI destaca el problema de seguridad que esto conlleva: cuando un modelo es su propio evaluador, los puntos ciegos compartidos pueden hacer que los errores se confundan con avances y luego reforzarlos durante el entrenamiento. Para medir los avances sin influir en el ciclo, el protocolo recurre a jueces externos, cuyos veredictos no se transmiten a MASS; al comparar sus evaluaciones, la concordancia del evaluador con ellos pasa del 73 % para el modelo base al 93 % tras la segunda ronda.
El experimento también aporta información sobre los datos de los agentes. Según los autores, las trayectorias de equipo enseñan mejor que las de un agente individual: un modelo entrenado con las primeras gana el 68,3 % de sus comparaciones con el modelo base con 28,8 millones de tokens supervisados, frente al 64,0 % con 42 millones para un modelo entrenado con las segundas. Además, se ejecuta en Qwen Code, el agente de código cuya v0.25.1 pasa a ser estable ese mismo día: una herramienta para desarrolladores sirve aquí de banco de trabajo para la investigación.
El Open Quantum Challenge aborda el problema desde el otro extremo. Cada propuesta recibe una puntuación automática al compararse con una respuesta de referencia fija, y la guía de participación está pensada para entregársela a un agente de código como Codex o Claude Code. Cuando una tarea puede verificarse, una puntuación calculada basta para decidir entre los participantes; cuando no puede verificarse, MASS convierte al modelo en su propio juez, bajo la supervisión de jueces externos.