Un agente que llama a un buscador tiene que expresar la consulta en texto y leer el resultado. Su razonamiento interno no necesita seguir el mismo formato. En un preprint del 13 de octubre, investigadores de Stanford, la Universidad de Illinois Urbana-Champaign, Together AI y Meta describen HybridAgent, un sistema que alterna estados internos continuos con texto para llamadas a herramientas, observaciones y respuestas. Publicaron código de investigación y dos puntos de control de agentes. Los resultados de rendimiento y eficiencia comunicados proceden de sus experimentos, no de una réplica independiente ni de un servicio desplegado.

El gran cambio

  • Qué cambió: HybridAgent permite que un agente de modelo de lenguaje pase entre pasos internos de estado continuo y texto corriente durante una misma tarea. El texto sigue siendo la interfaz para las búsquedas, Python y la respuesta final.
  • Por qué importa: Los desarrolladores que estudian agentes pueden examinar si cada paso intermedio necesita escribirse. Los experimentos con condiciones equivalentes de los autores sugieren menos pasos de generación con su método, mientras que el código público permite inspeccionar su implementación. Ninguno demuestra una factura menor para un servicio en funcionamiento.
  • Qué observar: Las ejecuciones independientes con los puntos de control publicados pueden comprobar si la ventaja medida se mantiene con otras tareas y costos de herramientas. La cuestión más difícil de inspeccionar es si las palabras legibles recuperadas de un estado latente describen fielmente cómo se llegó a una respuesta.

Cómo funciona el cambio

En el modo de texto normal, el modelo genera tokens. Cuando emite un token especial <latent>, un pequeño componente llamado HybridLink proyecta el último estado oculto del modelo de vuelta a su espacio de entrada. El sistema introduce el vector continuo resultante en el siguiente paso sin convertirlo primero en una palabra. Regresa al modo de texto cuando una comparación con el token más cercano identifica el marcador </latent>. El modelo puede entonces escribir una llamada a una herramienta o su respuesta. El artículo describe una caché persistente de claves y valores que conserva texto, pasos latentes y observaciones de herramientas a lo largo de los turnos posteriores. La arquitectura y las reglas de transición están en las secciones 3 y 4 del preprint.

Esto exige más que acoplar un adaptador a un modelo preentrenado. Los autores convierten primero demostraciones textuales en secuencias de entrenamiento mixtas de texto y estados latentes, y después usan entrenamiento supervisado para enseñar al modelo base y a HybridLink a trabajar juntos. Una fase de aprendizaje por refuerzo entrena al agente resultante en tareas de razonamiento y búsqueda. En esa fase, los autores actualizan probabilidades en posiciones textuales muestreadas y reproducen las entradas latentes registradas. El artículo indica que los datos comprenden 54 000 demostraciones convertidas, seguidas de conjuntos separados de 12 000 ejemplos de razonamiento profundo y 1000 de búsqueda con agentes. Detalles del entrenamiento y los datos.

Qué midieron las pruebas

La evaluación principal presenta versiones de 8B y 14B basadas en Qwen3-Base en 11 pruebas. Seis abarcan matemáticas, conocimientos científicos o médicos y preguntas de varios saltos; cinco destacan las búsquedas y las tareas de agentes. Un apéndice separado evalúa la versión de 4B en AIME25, AIME26, MATH500 y GPQA-Diamond. Los autores comparan con agentes entrenados en texto con los mismos modelos base y datos, métodos de razonamiento latente, agentes de frontera y marcos de uso de herramientas. Esos grupos tienen distintos objetivos comparativos. Por ejemplo, en la comparación equivalente de aprendizaje por refuerzo de 14B, HybridAgent obtiene un 88,2% en MATH500, frente al 87,0% del agente textual entrenado con ARPO. En el promedio de GAIA, el artículo informa un 52,4% para HybridAgent 14B y un 43,7% para esa referencia ARPO. Son resultados bajo la configuración de los autores, no una clasificación general de agentes desplegados. Tablas principales, apéndice de 4B y definiciones de referencia.

La configuración importa. El artículo usa puntos de control entrenados en razonamiento profundo para las evaluaciones matemáticas y otros entrenados en búsqueda con agentes para las evaluaciones de conocimientos y tareas de agentes. Indica que la inferencia empleó temperatura 0,6, top-p 0,95 y top-k 20, con presupuestos que cuentan tanto los tokens de texto como los pasos latentes. Permitió 4096 pasos para matemáticas y conocimientos y 24 000 para tareas de agentes más difíciles. Los tramos latentes duraban entre 16 y 256 pasos; las trayectorias tenían límites de llamadas a herramientas. Las herramientas fueron un intérprete de Python aislado y búsquedas en vivo, y también se usó un modelo para resumir páginas de búsqueda y juzgar las salidas. Los autores informan de entrenamiento e inferencia en 32 GPU H100. Otros servicios de herramientas, resultados de recuperación o condiciones operativas podrían cambiar una comparación. Configuración experimental.

La mejora de rendimiento del 10,4% citada en el resumen se refiere a comparaciones con referencias textuales y latentes correspondientes en la fase de aprendizaje por refuerzo, con tamaños de modelo y presupuestos de entrenamiento equivalentes. No debe leerse como una mejora universal frente a todos los agentes de frontera. El artículo también presenta resultados de cinco ejecuciones independientes para su tabla principal de tareas de agentes, con una desviación estándar media de 0,014 en exactitud. Resultados y leyenda de la tabla.

La afirmación de eficiencia tiene un alcance de cálculo más limitado

El artículo informa de 2,7 veces menos tokens de texto y hasta un 54% menos de pasos totales de generación en su comparación con referencias textuales. Su resumen da un intervalo de velocidad de inferencia de 1,8 a 2,6 veces y un costo estimado entre 2,7 y 3,7 veces menor. Los pasos latentes siguen requiriendo cómputo del modelo. La tabla de costos imputa a cada paso textual o latente una pasada completa hacia delante del modelo base y estima un millón de respuestas con un precio de H100 de US$2,50 por hora y un 10% del rendimiento máximo BF16. Para el modelo base de 8B, el cálculo pasa de 62,5 a 17,2 billones de operaciones de coma flotante por pregunta y de US$439 a US$121 por millón de preguntas. Sección de eficiencia y tabla de costos.

El mismo apéndice excluye expresamente el procesamiento del prompt, los costos de atención que varían con el contexto y la ejecución de herramientas externas. Por tanto, las llamadas de búsqueda, el alojamiento y otros costos del servicio quedan fuera de esa comparación en dólares. Las cifras aportan evidencia útil sobre las rutas de generación medidas y el modelo de cómputo declarado por los autores, pero no establecen el costo de operar un servicio de agentes completo.

Los tramos latentes legibles aún requieren examen

HybridAgent puede mostrar una lectura de seudotexto al proyectar cada paso latente a la representación vectorial del token más cercano. El ejemplo del repositorio muestra estas lecturas junto a llamadas reales de búsqueda y Python. En otro experimento del artículo, cambiar o sustituir vectores latentes reduce la exactitud en MATH500, lo que apoya la afirmación de que esos estados afectan a la respuesta. No demuestra que las palabras más cercanas describan el cómputo de forma completa o fiel. Tabla de intervención latente.

Los autores también prueban la utilidad del texto visible para el monitoreo externo en 560 problemas matemáticos. Su tabla presenta menos tokens de texto visibles para HybridAgent que para agentes textuales equivalentes, junto con varias medidas de monitoreo y depuración evaluadas por modelos. Algunas mejoran; el AUROC del monitor fuerte en 14B es 0,989 para HybridAgent y 0,990 para el agente textual. Estas pruebas evalúan monitores y tareas concretos. No establecen transparencia ni seguridad generales, en especial para los tramos latentes ocultos. Experimento de auditabilidad.

Qué está disponible ahora

El repositorio con licencia MIT incluye el motor de generación híbrida, herramientas de Python y búsqueda, procesos de entrenamiento supervisado y por refuerzo, inferencia por lotes y un inspector de seudotexto. Los autores enlazan puntos de control públicos de 8B y 14B para tareas de agentes, además de conjuntos de datos de entrenamiento. Las evaluaciones matemáticas del artículo usaron puntos de control de razonamiento profundo entrenados por separado; la lista de modelos publicados del README identifica los dos de tareas de agentes. Cada punto de control público incluye los pesos del modelo base y de HybridLink. Su ficha indica que cargar solo el modelo base mediante Transformers produce un modelo exclusivamente textual; la generación latente y el uso de herramientas exigen el código del proyecto.

El README recomienda 8 o 16 GPU para el entrenamiento supervisado y 32 GPU distribuidas en cuatro nodos para su lanzador de aprendizaje por refuerzo de búsqueda con agentes. Las instrucciones de instalación incluyen una clave de API de búsqueda. Son requisitos importantes para quien intente seguir el proceso de investigación documentado. BIG CHANGE inspeccionó el artículo, el repositorio y las fichas de modelos; no ejecutó el código, descargó los puntos de control ni reprodujo las pruebas.