Miércoles 14 de octubre de 2026 ·
JevAgentHarness: evaluar, desplegar y entrenar modelos de decisión que comparten el control con LLMs
Útil para
Los agentes basados en LLM llaman a un modelo grande en cada paso, lo que encarece y ralentiza las tareas largas. Los autores proponen delegar las decisiones de opción múltiple, como qué herramienta usar, en modelos de decisión como Jev, que son más baratos y rápidos. Crean AgentDecisionBench para evaluarlos, y JevAgentHarness, que usa un umbral de confianza para que el LLM decida cuando el modelo de decisión no está seguro. También entrenan AgentDecision-4B, un modelo abierto de 4.000 millones de parámetros: en tareas distintas a su entrenamiento resolvió el 91,5% frente al 82,0% de Jev, y en tareas parecidas hizo los agentes entre 81,1% y 89,0% más baratos y hasta 2,5 veces más rápidos.
Qué significa
Quien desarrolle agentes de IA puede delegar decisiones rutinarias, como la elección de herramientas, en un modelo pequeño para reducir costes y tiempo de ejecución.
Cómo te afecta
- Programadores
Si tus agentes llaman a un LLM grande en cada paso, puedes probar a delegar la elección de herramientas en AgentDecision-4B, un modelo abierto de 4.000 millones de parámetros. Las cifras de ahorro y velocidad (81,1% a 89,0% más barato, 2,5 veces más rápido) las dan los autores en tareas parecidas a su entrenamiento.
Fuentes originales
Resumen de Hoy en IA. Pulsa una fuente para leer la noticia completa en su idioma original.
- Hugging Face Daily PapersLeer la noticia completa en Hugging Face Daily Papers
También ese día
Todas las noticias de IA del miércoles 14 de octubre de 2026 ->