Resumen: Los modelos de lenguajes grandes (LLM) han avanzado rápidamente y Gemini-3-Pro ha establecido un nuevo hito en rendimiento. En este trabajo, exploramos la inteligencia colectiva como una alternativa al escalamiento monolítico y demostramos que la colaboración de los LLM de código abierto puede superar a Gemini-3-Pro. Primero revisamos el enrutamiento y la agregación de LLM a escala e identificamos tres cuellos de botella clave: (1) los enrutadores actuales sin trenes están limitados por un paradigma basado en consultas que se centra únicamente en la similitud textual; (2) los métodos de agregación recientes siguen siendo en gran medida estáticos y no logran seleccionar agregadores apropiados para diferentes tareas; (3) la complementariedad del enrutamiento y la agregación sigue infrautilizada. Para abordar estos problemas, presentamos JiSi, un marco novedoso diseñado para liberar todo el potencial de la colaboración de los LLM a través de tres innovaciones: (1) Enrutamiento mixto consulta-respuesta que captura tanto información semántica como la dificultad del problema; (2) Selección de agregadores basada en conjuntos de soporte que evalúan conjuntamente la agregación y la capacidad de dominio de los agregadores; (3) Switch adaptativo de enrutamiento-agregación que aprovecha dinámicamente las ventajas del enrutamiento y la agregación. Experimentos exhaustivos en nueve puntos de referencia demuestran que JiSi puede superar a Gemini-3-Pro con solo un 47 % de costos al orquestar diez LLM de código abierto, mientras supera las líneas de base convencionales. Sugiere que la inteligencia colectiva representa un camino novedoso hacia la Inteligencia General Artificial (AGI).
Publicado originalmente en export.arxiv.org el 5 de enero de 2026.
Ver fuente original
