Noticias externas

Resumen: Los agentes basados ​​en modelos de lenguaje grande (LLM) exhiben sólidas capacidades de razonamiento paso a paso en horizontes cortos, pero a menudo no logran mantener un comportamiento coherente en horizontes de planificación largos.

Resumen: Los agentes que utilizan herramientas interactivas deben resolver tareas del mundo real a través de una interacción de múltiples turnos tanto con humanos como con entornos externos, lo que requiere seguimiento del estado del diálogo, ejecución de herramientas de múltiples pasos y al mismo tiempo seguir instrucciones complejas.

Resumen: Los modelos de lenguajes grandes demuestran capacidades notables, pero siguen siendo fundamentalmente probabilísticos, lo que presenta desafíos críticos de confiabilidad para la implementación empresarial.