IAGenerado
EN · IT · ES

Nuevos agentes de IA cambian entre razonamiento latente y texto, reduciendo costos en pruebas

Según los investigadores, permitir que los agentes de IA cambien entre razonamiento latente interno y texto puede reducir los costos en más de la mitad y acelerar el trabajo.

Una figura del artículo "Hybrid Reasoning Agents".
Figure: Zou et al., arXiv:2610.18861, CC BY 4.0 (licencia)
Cómo funciona

Un programa de IA que piensa en su propio lenguaje interno y pasa a las palabras cuando lo necesita, lo que lo hace más rápido y económico.

  1. Primero piensa en silencio, en su propio lenguaje interno.
  2. Cuando necesita usar una herramienta, cambia a escribir palabras.
  3. Lleva la cuenta de todo durante toda la conversación
  4. Va cambiando entre ambos como haga falta para terminar la tarea.

Un nuevo tipo de agente de IA

Un artículo reciente sostiene que los agentes de IA construidos sobre modelos de lenguaje grandes no tienen que elegir entre razonar en su forma interna propia y actuar mediante texto: pueden hacer ambas cosas 1.

Los agentes de IA modernos razonan e interactúan a través de texto en cada paso 1. Eso mantiene legible lo que hacen, pero consume tiempo y tokens. El razonamiento latente, donde un modelo opera en sus representaciones internas en lugar de palabras, es un medio más eficiente, pero por sí solo no tiene una forma integrada de usar herramientas como motores de búsqueda, y es más difícil ver lo que el modelo está pensando .

Jiaru Zou y siete coautores se propusieron combinar ambos enfoques. Su sistema, que el artículo llama Hybrid Reasoning Agents o HybridAgent, se mueve entre razonamiento latente e interacción basada en texto dentro de un único proceso de generación 1.

Cómo funciona el cambio

La pieza clave es un componente ligero que el artículo denomina HybridLink, el cual se encarga de las transiciones entre modos de texto y latentes 1. El agente también mantiene una working memory continua que, según el artículo, preserva todo el contexto híbrido sin pérdidas a lo largo de varias turnos .

Los autores dicen que el diseño mantiene la capacidad del agente de usar herramientas mientras hace que sus pensamientos latentes sean directamente inspeccionables 1. Así que el razonamiento interno está pensado como una forma más rápida de pensar, no como algo oculto.

De un vistazo

Cambiar entre pensamiento interno y texto ahorra dinero y tiempo

Agentes estándarHybridAgent
Menos tokens utilizadosLínea base35,5–54,7 % menos
Velocidad de inferenciaLínea base1,8–2,6× más rápida
CostoLínea base2,7–3,7× más económico
RendimientoLínea base+10,4 %

Resultados reportados por los autores en 11 benchmarks de matemáticas, ciencias, medicina, búsqueda y razonamiento agéntico; artículo en arXiv, octubre de 2026

Métodos de entrenamiento

Los investigadores desarrollaron dos pasos posteriores al entrenamiento para esto. El primero, HybridSFT, es un ajuste fino supervisado que enseña al modelo subyacente a coordinarse con HybridLink, de modo que la generación híbrida con herramientas se mantenga estable 1. El segundo, HybridRL, utiliza aprendizaje por refuerzo para enseñar al modelo cuándo pensar en espacio latente y cuándo actuar a través de texto .

Resultados

El artículo reporta pruebas en tres tamaños de modelo en 11 benchmarks que cubren matemáticas, ciencias, medicina, búsqueda y razonamiento agéntico 1.

En comparación con agentes de LLM de última generación y marcos agénticos construidos sobre métodos basados en texto o latentes, HybridAgent mejoró el rendimiento en un 10,4 %, según el artículo 1. También usó entre un 35,5 % y un 54,7 % menos de tokens, ejecutó la inferencia de 1,8 a 2,6 veces más rápido ycostó entre 2,7 y 3,7 veces menos . Estos son los resultados propios de los autores, en un artículo publicado en arXiv el 13 de octubre de 2026 . El código y los datos están publicados en GitHub .

Si los resultados se mantienen, sugieren que los agentes pueden combinar un razonamiento interno eficiente con el texto que necesitan para actuar en el mundo, en lugar de tener que elegir uno u otro.

Correcciones y actualizaciones

  • Corregido el 20 de octubre de 2026. Una versión anterior afirmaba que el artículo mencionaba 'web search' y 'agentic planning tasks'; la fuente dice que los benchmarks cubrían 'search' y 'agentic reasoning'.
  • Corregido el 20 de octubre de 2026. Esa primera corrección también eliminó la afirmación de que el código y los datos estaban en GitHub. Era incorrecto: el resumen del artículo da la dirección de GitHub, y la afirmación vuelve a incluirse con el enlace. El artículo también describía al autor principal como investigador de la Universidad de Stanford, lo cual no dice la página del artículo, y presentaba el razonamiento interno del agente como privado, mientras los autores indican que está diseñado para ser directamente inspeccionable. Ambas cuestiones han sido corregidas, y se ha eliminado una lista de hechos clave que aparecía dos veces.
  • Corregido el 20 de octubre de 2026. El titular afirmaba que los agentes piensan en código oculto. Su razonamiento interno (latente) no es código, y los autores dicen que está diseñado para ser inspeccionable, por lo que el titular ahora dice lo que describe el artículo.

Los datos clave

  • HybridAgent cambia entre razonamiento latente e interacción basada en texto en un único proceso de generación
  • Un componente ligero, HybridLink, maneja los cambios entre los dos modos
  • El entrenamiento utiliza HybridSFT (ajuste fino supervisado) y luego HybridRL (aprendizaje por refuerzo)
  • En 11 benchmarks los autores reportan una ganancia de rendimiento del 10,4 %, un 35,5-54,7 % menos de tokens y un coste 2,7-3,7 veces menor
  • El artículo, de Jiaru Zou y siete coautores, se publicó en arXiv el 13 de octubre de 2026, con código y datos en GitHub

Fuentes

  1. Hybrid Reasoning Agents

Mira

Pressing the box loads the video from YouTube, which then receives your visit under its own privacy policy. Until then nothing is requested from YouTube.

Si esta noticia te afecta a ti o a tu empresa, o usa algo que te pertenece, pide una corrección o que se retire. Cómo funcionan las solicitudes

Sigue leyendo

Una figura del artículo "Physics2Weight: Direct Neural Network Architecture and Weight Generation from Physical Law".Cómo funcionaFísicos ahora usan IA para construir redes neuronales directamente a partir de las leyes de la físicaHerald of AIFigure: Sato et al., arXiv:2611.12954, CC BY 4.0

Físicos ahora usan IA para construir redes neuronales directamente a partir de las leyes de la física

Un nuevo método permite a Physics2Weight crear redes neuronales que resuelven problemas reales de física sin el lento entrenamiento por ensayo y error que necesita la mayoría de las IA hoy en día.

Cómo funciona
Una figura del artículo "Verifiable pXRD: Hill-climbing pXRD structure determination with LLM agents".Cómo funcionaLos agentes de IA mejoran la recuperación de estructuras cristalinas del 27 % al 69 %, lo que podría acelerar la investigación de nuevos materialesHerald of AI▶Figure: Chen et al., arXiv:2611.17539, CC BY 4.0

Los agentes de IA mejoran la recuperación de estructuras cristalinas del 27 % al 69 %, lo que podría acelerar la investigación de nuevos materiales

Un nuevo sistema de IA utiliza agentes de modelos de lenguaje grandes para determinar la disposición de los átomos en los cristales a partir de datos de difracción de polvo mucho más rápido, lo que podría acelerar el descubrimiento de fármacos y el desarrollo de nuevas baterías.

Cómo funciona