Nadie está preparado para lo que este artículo de Stanford revela sobre la IA multi-agente. "Colaboración Latente en Sistemas Multi-Agente" muestra que los agentes no necesitan mensajes, protocolos ni instrucciones explícitas de trabajo en equipo. Comienzan a coordinarse dentro de sus propias representaciones ocultas una capa de colaboración completa que existe solo en el espacio latente. Y los comportamientos son increíbles: • Los agentes silenciosamente transfieren tareas según quién es mejor • Los roles aparecen de la nada: líder, ejecutor, apoyo • Las políticas codifican señales que nunca aparecen en las acciones • Los equipos se adaptan a nuevos entornos sin reentrenamiento • La colaboración se mantiene estable incluso cuando la comunicación es imposible El detalle más sorprendente: Incluso cuando eliminas todos los canales de comunicación, los agentes aún cooperan. El "trabajo en equipo" no vive en los mensajes. Vive en la red. Esto cambia por completo el manual de multi-agente. Hemos estado construyendo mecanismos de coordinación por encima... mientras que la verdadera coordinación está sucediendo por debajo. Una nueva era de inteligencia de equipo emergente se está desarrollando — y está sucediendo en los lugares que ni siquiera estábamos mirando. Proyecto: github. com/Gen-Verse/LatentMAS

DeepSeek acaba de realizar el tipo de actualización que todos los modelos de razonamiento han estado pretendiendo tener. En lugar de soltar una larga cadena de pensamientos y esperar que tenga sentido, DeepSeek Math V2 realiza una interrogación completa sobre su propia lógica. Construye una prueba, la ataca, verifica el ataque, verifica al verificador, corrige los fallos y repite el proceso hasta que no puede romperse más. Esa única idea cambió completamente su rendimiento. Esto es lo que ese nivel de autoexamen produjo: • Rendimiento de nivel oro en IMO 2025 • Rendimiento de nivel oro en CMO 2024 • 118/120 en Putnam 2024, la puntuación más alta reportada • Mejores resultados que GPT-5 Thinking y Gemini 2.5 Pro en las categorías más difíciles El secreto no es la escala. Es la arquitectura alrededor del modelo: — un verificador que busca lagunas lógicas — un meta-verificador que cuestiona al verificador — un generador de pruebas condicionado para evitar razonamientos débiles — un bucle que obliga a cada parte del sistema a afinarse El proceso funciona como un molino: - Produce una prueba - Prueba la prueba - Prueba al probador - Repara el razonamiento - Repite Se enfocaron en el verdadero problema del razonamiento matemático: un modelo puede dar la respuesta correcta por las razones equivocadas. Así que DeepSeek entrenó un verificador que puntúa el razonamiento, no los resultados. La parte sorprendente es lo que sucede con el tiempo: cada ciclo mejora la calidad de la prueba del modelo sin limpieza humana. Mejora porque se niega a aceptar su primer borrador como correcto. Esta es una nueva dirección para los modelos de razonamiento. No más pensamiento. Mejor pensamiento. Si quieres entender hacia dónde se dirige el razonamiento de la IA, este documento es un adelanto de la próxima era.

Estoy leyendo este informe de Anthropic sobre el uso real de Claude y los números impactan como un ladrillo. Pasaron por 100,000 conversaciones. Aquí está la parte que me detuvo: La mayoría de las tareas que la gente lleva a Claude normalmente tardan alrededor de 90 minutos. Con Claude, esas mismas tareas se completan un 80 por ciento más rápido. Eso significa que alguien ahorra horas cada semana sin siquiera intentarlo. Luego el informe se vuelve más grande. Si aplicas estas ganancias a la economía de EE. UU., los modelos actuales por sí solos aumentan la productividad laboral en un 1.8 por ciento al año durante la próxima década. Casi el doble del ritmo reciente. Y nada de esto incluye mejores modelos. Esto es solo cómo la gente ya usa Claude en este momento. Esta podría ser la primera vez que hemos visto evidencia concreta de lo que la IA está haciendo dentro de trabajos reales. Cambio silencioso. Impacto masivo. Ya está sucediendo.