Pinned post
Es super interesante ver como open weight models pueden tener buena performance cuando se juntan con System One models para guiarlos mejor.
Vamos a trabajar en expandir nuestro evals y poder hacer mas experimentos en el futuro!
Vamos a trabajar en expandir nuestro evals y poder hacer mas experimentos en el futuro!
👀😏 Hemos probado una arquitectura nueva para coordinar agentes de IA y los resultados con DeepSeek han superado a Claude Opus 5.5 en el benchmark.View quoted post on X
La idea es bastante interesante. 👇
En vez de dejar todas las decisiones al LLM, hemos introducido reglas y Clef, un modelo de decisión de @Cloudflare, para ayudar a coordinar el trabajo de los agentes.
¿Los resultados?
DeepSeek V4.1 Flash pasa del 83% al 100% de éxito en las ejecuciones evaluadas. Opus se queda en el 93%.
El experimento lo han hecho nuestros amigos de @agent__swarm , con quienes estamos colaborando para investigar cómo funcionan los modelos abiertos en sistemas multiagente. Seguidles, que están haciendo cosas muy interesantes. Y también a @voidisomorphism y @ecura
La muestra todavía es pequeña y hay bastante que investigar, pero creo que esto abre una vía muy prometedora: mejorar el rendimiento de los agentes cambiando la arquitectura, sin necesidad de utilizar siempre un modelo más grande.
Vamos a repetir el experimento con más tareas de ingeniería de software.
La semana que viene publicaremos un artículo y vídeo explicando la arquitectura, la metodología y todos los resultados.
Os dejo el benchmark por aquí:
api.desplega.agent-swarm.dev/p/ab1bf515eb3a…