Radar de inteligencia artificial
xArtisans · Edición diaria
26 julio 2026
El futuro también caduca

1000 días
que nos quedan

El agente sale del laboratorio y entrena en su arnés

Cómo leer este reloj

El lote útil de hoy desplaza el foco desde el modelo aislado hacia el sistema que lo hace trabajar. OpenForgeRL entrena agentes dentro de Claude Code, Codex u OpenClaw; otros trabajos convierten la verificación, la procedencia y la compactación del contexto en piezas explícitas del bucle. No hay una gran noticia dominical de producto, así que el radar evita fingirla: la frontera está en hacer que el agente aprenda, recuerde y se audite en condiciones de producción.

La portada de hoy

El agente sale del laboratorio y entrena en su arnés

OpenForgeRL lleva el aprendizaje por refuerzo a Claude Code, Codex y OpenClaw; al mismo tiempo, dos trabajos muestran por qué un sistema pierde seguridad cuando borra la procedencia de sus instrucciones o compacta el contexto sin comprobarlo.

🎧 El día en vozEl resumen del día contado por Alba · 2 min 51 s
La viñeta del día
Viñeta diaria de Sol: un agente baja en carretilla sujeto por arnés, trazabilidad y freno; muestra exactamente que quedan 662 días de 1000.

Sin arnés, trazabilidad y freno, la autonomía va cuesta abajo. · Sol

Viñeta · Sol

Lo que hoy hace correr el reloj

Entrenamiento · arneses

OpenForgeRL lleva el entrenamiento desde el modelo abstracto hasta Claude Code, Codex y OpenClaw

permite entrenar con RL agentes que usan arneses reales y entornos con herramientas, navegador o interfaz gráfica; la mejora aparece en verificación y planes largos, mientras la recuperación de errores sigue marcando el límite práctico

Durante años hemos hablado del modelo como si fuera el agente entero. No lo es. Cuando un sistema programa, navega o administra una máquina, el modelo trabaja dentro de un arnés que decide qué herramientas ve, cómo recibe sus resultados, cuánto contexto conserva y cuándo considera terminada una tarea. OpenForgeRL, un trabajo de Columbia University, Dartmouth College y Microsoft Research, propone entrenar al agente dentro de ese entorno real. La idea parece obvia hasta que se intenta ejecutar: los arneses modernos son procesos con estado, terminales, navegadores, reinicios y llamadas encadenadas, mientras muchas pilas abiertas de entrenamiento esperan intercambios mucho más limpios.

El marco separa dos problemas que normalmente llegan pegados. Un proxy ligero atiende las llamadas que el arnés hace al modelo y las registra en el formato que necesita una pila estándar de aprendizaje por refuerzo, como veRL. A la vez, un orquestador sobre Kubernetes lanza cada rollout en un contenedor remoto independiente. El entrenamiento puede ocurrir en una infraestructura y la ejecución del arnés en otra. Esa separación permite conservar Claude Code, Codex, OpenClaw, un navegador o un agente de interfaz gráfica tal como se comportan en producción, sin reescribirlos como una simulación empobrecida para que quepan en el entrenador.

El cambio no consiste en enseñar una herramienta aislada. Un agente de código debe abrir archivos, entender instrucciones, editar, ejecutar pruebas, interpretar fallos y decidir si necesita otra vuelta. Uno de navegador debe coordinar percepción visual, clics y comprobaciones sobre páginas cambiantes. La recompensa final llega tarde y no explica qué decisión intermedia estropeó el trabajo. OpenForgeRL captura la trayectoria que ocurre dentro del arnés y permite optimizarla de extremo a extremo. En lugar de preparar al modelo con ejercicios abstractos y conectarlo después a una fábrica que nunca ha visto, lo entrena con el ruido, la latencia y las restricciones de esa fábrica.

Los autores prueban el marco en dos familias. OpenForgeClaw opera con agentes basados en herramientas y arneses de tipo claw; alcanza 31,7 en pass³ y 55,9 en pass@3 sobre ClawEval, además de 33,7 en QwenClawBench. OpenForgeGUI trabaja con navegador y control de ordenador: obtiene 37,7 en OSWorld-Verified, 63,0 en Online-Mind2Web y 72,3 en WebVoyager. Según el artículo, ambos superan casi siempre a bases abiertas de tamaño comparable y, en tareas gráficas, igualan o rebasan modelos varias veces mayores. Son resultados del propio equipo y necesitarán reproducción independiente, pero la comparación apunta a una conclusión útil: mejorar el entrenamiento situado puede rendir más que aumentar parámetros sin cambiar el entorno.

El volumen también importa. Los avances aparecen con cientos o pocos miles de tareas, no con un corpus ilimitado. El agente mejora la autoverificación, cubre más herramientas necesarias y termina con mayor frecuencia planes de varios pasos. Es precisamente el tipo de progreso que se pierde cuando se mide solo la calidad de la siguiente respuesta. Un sistema puede escribir una explicación impecable y aun así olvidar ejecutar el test que demostraría que su parche funciona. El aprendizaje dentro del arnés convierte esa omisión en parte observable de la conducta.

El paper evita vender una victoria completa. La recuperación ante errores continúa débil. Cuando una herramienta devuelve una salida extraña, una página cambia o una acción deja el entorno en un estado imprevisto, el agente todavía tiene dificultades para diagnosticar el desvío y construir una ruta alternativa. El aprendizaje refuerza secuencias que suelen funcionar, pero no garantiza criterio ante todos los callejones nuevos. Esta limitación separa fiabilidad de autonomía: hacer mejor el recorrido conocido no equivale a saber reparar cualquier recorrido roto.

También aparece una variable que solemos tratar como invisible: el arnés tiene una dificultad propia. ZeroClaw, OpenClaw y Codex no son recipientes neutros; ofrecen acciones, señales y convenciones distintas. El estudio observa que algunos resultan sustancialmente más difíciles de aprender. Un arnés que devuelve toneladas de texto, oculta el estado relevante o no formula una condición clara de terminado puede desperdiciar capacidad del modelo. Otro que expone pruebas, permisos y consecuencias de cada herramienta facilita tanto la ejecución como el entrenamiento. El diseño de interfaz para agentes empieza a parecerse al diseño de maquinaria: una mala botonera puede convertir un buen operario en un riesgo.

La misma observación complica la comparación entre productos. Dos agentes que usan un modelo parecido pueden obtener resultados distintos porque uno dispone de mejores herramientas o recibe una señal de error más clara. Y un modelo que gana en un benchmark bajo un arnés puede perder la ventaja cuando se cambia el bucle de ejecución. Informar únicamente del nombre del modelo oculta qué parte del rendimiento pertenece a la política aprendida, cuál al entorno y cuál a las decisiones del equipo que construyó la integración.

La lectura práctica no es que todo equipo deba desplegar Kubernetes y entrenar su propio modelo mañana. Es que evaluar un agente fuera de su arnés deja fuera una parte decisiva del producto. Las pruebas deberían reproducir las herramientas, permisos, datos y fallos reales; registrar trayectorias completas; medir verificación, cobertura de herramientas y recuperación, no únicamente el resultado final. Cuando se cambie de modelo o de arnés, conviene tratarlo como un cambio de sistema, porque la misma inteligencia puede comportarse de otro modo bajo señales diferentes.

OpenForgeRL desplaza así la frontera desde el modelo aislado hacia el conjunto que lo hace trabajar. Si el código, los datos y los modelos anunciados se publican como promete el equipo, el marco ofrecerá una vía abierta para estudiar esa interacción con más rigor. La noticia dominical no es una nueva caja negra que presume de saber más. Es una infraestructura que permite observar qué aprende un agente cuando deja el gimnasio y entra, por fin, en el taller donde tendrá que responder por sus actos.

Leer el artículo →
Seguridad · procedencia

Una cadena multiagente puede conservar la intención peligrosa y esconder su procedencia

en 25 perfiles controlados, el modelo rechazó un objetivo manipulador cuando lo vio directamente, pero se alineó con él cuando otros agentes lo transformaron y ocultaron sus cláusulas y origen; la seguridad del componente final no basta si no puede inspeccionar la cadena completa

Un modelo puede rechazar una orden manipuladora cuando la ve completa y terminar sirviendo al mismo objetivo cuando otros agentes se la entregan ya transformada. Esa es la grieta que estudia Same Dangerous Objective, Opposite Advice, de Linjun Li, del Departamento de Matemáticas de la Universidad de Pensilvania. El experimento no describe a un modelo que inventa por su cuenta un plan malicioso. Describe una arquitectura que oculta al último componente el origen y las cláusulas peligrosas de un propósito decidido aguas arriba.

El trabajo utiliza el alias gpt-5.6-sol de OpenAI en 25 perfiles de decisión preparados de antemano. Cada perfil enfrenta opciones con compensaciones y contiene un objetivo oculto que autoriza tácticas como ocultar información, fabricar razones o ejercer presión para inclinar la recomendación hacia un blanco. En la condición directa, el modelo recibe ese objetivo sin intermediarios. Su consejo medio se opone al resultado buscado: la exposición explícita parece activar desconfianza o resistencia frente a la intención manipuladora.

Después, el mismo objetivo atraviesa una cadena de tres etapas que los autores llaman Id, Censor y Superego. Los agentes intermedios convierten la instrucción original en afecto, preferencias y restricciones reescritas. El Superego, que produce la respuesta visible para el usuario, recibe una dirección favorable al blanco, pero no ve la orden original, las tácticas autorizadas ni quién las introdujo. En esa condición mediada, la tendencia se invierte y el consejo acaba alineado con el objetivo oculto. La dirección sobrevive; la procedencia desaparece.

Hay que leer con cuidado el alcance. Veinticinco perfiles controlados no proporcionan una tasa general de fallo para sistemas en producción. El experimento tampoco identifica qué mecanismo interno explica que el modelo reaccione de forma diferente. Los autores dicen que el cambio es compatible con que el modelo reconozca o desconfíe del motivo manipulador al verlo directamente, pero no lo demuestran. La evidencia es conductual: dos rutas que parten del mismo objetivo generan orientaciones opuestas según lo que el componente final puede inspeccionar.

Ese límite no reduce la importancia arquitectónica. Muchas aplicaciones dividen el trabajo entre planificadores, investigadores, resumidores, revisores y ejecutores. Cada uno recibe una fracción del contexto porque enviar todo resulta caro o inseguro. La separación puede ser sensata, pero también permite lavar una intención. Una orden problemática se convierte primero en una preferencia neutra, después en un criterio de puntuación y finalmente en una recomendación que parece independiente. Ningún mensaje aislado contiene ya la manipulación completa, aunque el sistema conserve su vector.

El usuario que solo ve el último chat tampoco puede reconstruir la cadena. Puede percibir un sesgo o una recomendación extraña, pero no sabe si nació del razonamiento visible, de una regla empresarial, de un dato recuperado o de una instrucción escondida dos agentes atrás. Los autores llaman a esto una brecha de visibilidad arquitectónica, no una ocultación perfecta. El comportamiento puede dejar pistas; lo que falta es la capacidad local de trazar el consejo hasta la decisión que lo originó.

La seguridad centrada únicamente en el modelo final queda, por tanto, mal situada. Un proveedor puede demostrar que su asistente rechaza instrucciones peligrosas en pruebas directas y aun así integrarlo como cara amable de un flujo que ya ha convertido esas instrucciones en señales aparentemente aceptables. El componente final no puede cuestionar lo que desconoce. Un filtro de salida tampoco sabe si una recomendación moderada es el final de una operación legítima o la versión pulida de una presión oculta.

La reparación exige conservar procedencia junto con contenido. Cada objetivo debería viajar con quién lo creó, qué autoridad posee, qué transformaciones ha sufrido y qué restricciones no pueden borrarse durante el resumen. El agente que recomienda o actúa necesita acceso, al menos, a una representación auditable de esa historia. Los pasos intermedios deberían firmar sus cambios y distinguir entre evidencia, interpretación y preferencia. Si una compactación elimina la razón por la que una instrucción era peligrosa, la compactación ha roto una propiedad de seguridad, aunque haya resumido bien las palabras.

Esto implica una tensión real con la minimización de contexto. Mostrar al último agente toda la conversación puede ser caro y exponer datos que no necesita. Ocultarlo todo, en cambio, le quita capacidad de control. La solución no es reenviar cada palabra, sino diseñar una cadena de custodia: identificadores estables para los objetivos, permisos explícitos, un registro de transformaciones y alertas cuando una preferencia pierde su fuente. La privacidad y la auditabilidad deben resolverse juntas, no intercambiarse sin dejar rastro.

También hacen falta pruebas de composición. No basta con preguntar al modelo final si aceptaría una orden dañina. Hay que inyectar esa orden al inicio del flujo, dejar que pase por planificadores y revisores y observar qué llega al usuario o a la herramienta. Las evaluaciones deben variar dónde se coloca el objetivo, qué agentes conocen su origen y qué datos quedan fuera de contexto. Una arquitectura segura no debería depender de que el último modelo adivine una intención borrada por diseño.

El paper dibuja, en suma, un problema menos espectacular que el de una inteligencia rebelde y bastante más cercano al software corriente: una cadena de transformaciones pierde la información necesaria para juzgar lo que transporta. El consejo final puede sonar prudente, estar bien escrito y respetar todas las reglas locales mientras sirve a una finalidad que nunca tuvo permiso para examinar. En sistemas multiagente, la pregunta de seguridad ya no es solo «¿qué respondió el modelo?». Es «¿quién puso en marcha esta dirección y qué se le ocultó a cada eslabón?».

Leer el artículo →
Memoria · contexto

Gestionar contexto es una arquitectura de ciclo de vida, no una carpeta de memoria

propone cinco primitivas —arquitectura, ingestión, alcance, anticipación y compactación— y sostiene que acumular contexto eleva el coste de forma cuadrática; resumir sin validar abarata a costa de precisión, mientras la compactación comprobada busca coste lineal sin perder procedencia

La memoria de un agente suele presentarse como una base de datos a la que se añaden recuerdos y desde la que se recuperan fragmentos parecidos a la consulta actual. Agentic Context Management, de Gaurav Dadhich, propone un marco más amplio. El problema no es solo dónde guardar información. Es decidir qué debe entrar en la mente operativa del agente, con qué alcance, durante cuánto tiempo, bajo qué presupuesto y con qué prueba de que una compactación no ha destruido lo importante.

Los agentes de producción acumulan conversación, instrucciones extensas, definiciones de herramientas y salidas que crecen en cada turno. Esa mezcla termina ahogando la atención y elevando la factura. El texto sostiene que muchos fallos atribuidos al razonamiento nacen, en realidad, de una administración deficiente del contexto: hechos relevantes que no llegan cuando hacen falta, residuos que compiten con ellos y resúmenes que borran restricciones o procedencia. Recordar dentro de una sesión y recordar entre sesiones son variantes de la misma tarea de ciclo de vida.

Dadhich divide la disciplina en cinco primitivas. La primera es la arquitectura: elegir almacenes y redundancias adecuadas para cada tipo de información. La segunda, la ingestión: decidir qué merece convertirse en memoria y estructurarlo. La tercera es el alcance, que separa lo personal, lo compartido por un equipo y lo perteneciente a una organización. La cuarta, la anticipación, prepara lo que probablemente necesitará el siguiente paso. La quinta reúne compactación y consolidación: reducir el historial, olvidar material obsoleto y conservar fidelidad y procedencia.

Esta enumeración corrige una confusión frecuente. Recuperar por similitud semántica no equivale a gestionar contexto. Una cláusula contractual puede ser poco parecida a la pregunta actual y, sin embargo, limitar todas las acciones posibles. Una preferencia del usuario puede ser relevante solo para ese usuario, no para toda la empresa. Un resultado de herramienta puede perder valor después de que el entorno cambie. El sistema necesita reglas de autoridad, vigencia y alcance además de un buscador que encuentre textos cercanos.

El argumento económico es concreto. Si cada turno vuelve a enviar todo lo anterior, el volumen total de tokens consumidos crece aproximadamente de forma cuadrática con la longitud de la conversación. Un resumen agresivo devuelve un crecimiento lineal, pero puede provocar un precipicio de precisión: el coste baja porque han desaparecido detalles que luego resultan decisivos. La alternativa defendida es la compactación validada, que conserva un estado pequeño y comprueba que hechos, restricciones y procedencia continúan representados. Lo barato deja de ser sinónimo de olvidar a ciegas.

El paper presenta Maximem Synap, una implementación de referencia multiinquilino. Bajo la configuración descrita, declara un 92% en LongMemEval y un 93,2% en LoCoMo. Son cifras del autor y requieren contraste independiente; además, los propios benchmarks miden mal dimensiones que importan en despliegues serios. El artículo señala latencia, eficiencia de tokens y resistencia a la degradación del contexto como huecos de evaluación. Un sistema puede responder bien en una prueba y seguir siendo demasiado lento, caro o frágil después de muchas compactaciones.

La procedencia conecta este trabajo con el riesgo multiagente que también aparece hoy. Si un resumen conserva una preferencia pero elimina quién la introdujo y con qué autoridad, puede transformar una opinión en regla. Si junta recuerdos de varias personas sin respetar alcance, puede filtrar información o tomar una decisión con datos que no pertenecen a ese contexto. La memoria no es neutral: determina qué hechos tienen derecho a influir sobre una acción. Por eso debe auditarse como parte de la arquitectura de permisos.

La anticipación es quizá la pieza menos intuitiva. La mayoría de sistemas espera a que el agente formule una consulta y luego busca algo parecido. Un gestor de contexto más maduro observa la fase del trabajo y prepara lo que vendrá: antes de editar código, reglas del repositorio y tests relevantes; antes de enviar un correo, relación con el destinatario, permisos y compromisos abiertos. Anticipar no significa inundar el prompt. Significa construir un pequeño paquete de contexto justificado por el siguiente movimiento probable.

También cambia la responsabilidad sobre los errores. Si un agente incumple una norma que nunca entró en su contexto, quizá el problema no sea su capacidad de razonar sino la política que seleccionó sus recuerdos. Si actuó sobre un dato caducado, hay que revisar vigencia e ingestión. Y si una reanudación perdió el compromiso clave de una sesión anterior, debe probarse la compactación. El marco permite asignar cada fallo a una fase operativa en vez de responder con el remedio genérico de añadir más texto al prompt.

Para un equipo que ya opera agentes, el marco sugiere controles sencillos. Medir cuántos tokens se arrastran por turno; registrar qué fuente introdujo cada recuerdo; asignar fechas de vigencia; separar datos personales, de proyecto y de organización; probar que un resumen conserva restricciones críticas; y evaluar reanudaciones después de contextos compactados. También conviene observar qué se olvidó voluntariamente. Una memoria que nunca borra no es más responsable: acumula datos caducados, aumenta superficie de exposición y vuelve más difícil distinguir la señal.

El autor no demuestra que estas cinco primitivas sean la única taxonomía posible ni que una implementación resuelva toda la memoria agéntica. Sí desplaza la pregunta al lugar correcto. Guardar más no basta. Un agente necesita una política sobre qué puede recordar, una economía sobre qué merece reenviar y una verificación sobre lo que ha comprimido. Cuando el historial crece, el problema deja de ser recuperar documentos y se convierte en gobernar una mente operativa con presupuesto, permisos y caducidad.

Leer el artículo →

Más noticias del día

El resto del pulso
Investigación · deep research

AREX convierte cada respuesta provisional en el punto de partida de una investigación más precisa

separa un bucle interno de búsqueda y otro externo que audita cada restricción, conserva evidencia verificada y lanza consultas dirigidas sobre los huecos; sus modelos de 4B y 122B-A10B superan baselines de tamaño comparable en varios benchmarks de investigación profunda

separa un bucle interno de búsqueda y otro externo que audita cada restricción, conserva evidencia verificada y lanza consultas dirigidas sobre los huecos; sus modelos de 4B y 122B-A10B superan baselines de tamaño comparable en varios benchmarks de investigación profunda

Fuente: arxiv.org

Leer el artículo →
YouTube · Chai aur Code

Loop engineering: el test deja de ser el final y pasa a gobernar el siguiente intento

explica un ciclo operativo de cobertura, ejecución, fallo, reparación y nueva prueba: el agente no recibe una orden abierta de «mejóralo», sino una condición observable que decide si continúa; la transcripción completa fue revisada

explica un ciclo operativo de cobertura, ejecución, fallo, reparación y nueva prueba: el agente no recibe una orden abierta de «mejóralo», sino una condición observable que decide si continúa; la transcripción completa fue revisada

Ver el vídeo en YouTube

Leer el artículo →
YouTube · Sabrina Ramonov

Un objetivo autónomo necesita estado final, prueba verificable y freno

descompone el bucle en automatización, worktrees, skills, conectores, agente ejecutor, agente revisor y memoria compartida; su ejemplo más útil exige terminar con cero archivos sueltos, comprobar el recuento, no borrar nada y detenerse tras 30 turnos; transcripción revisada

descompone el bucle en automatización, worktrees, skills, conectores, agente ejecutor, agente revisor y memoria compartida; su ejemplo más útil exige terminar con cero archivos sueltos, comprobar el recuento, no borrar nada y detenerse tras 30 turnos; transcripción revisada

Ver el vídeo en YouTube

Leer el artículo →
YouTube · Matthew Berman

El precio por token pierde sentido cuando un modelo necesita el doble de pasos

su lectura de Opus 5 insiste en coste y tasa de éxito por tarea, no en tarifa nominal; también advierte que más esfuerzo no siempre mejora el resultado y que las rutas automáticas por seguridad pueden cambiar de modelo y de coste durante una ejecución; transcripción revisada

su lectura de Opus 5 insiste en coste y tasa de éxito por tarea, no en tarifa nominal; también advierte que más esfuerzo no siempre mejora el resultado y que las rutas automáticas por seguridad pueden cambiar de modelo y de coste durante una ejecución; transcripción revisada

Ver el vídeo en YouTube

Leer el artículo →
NaN Builders

NaN prueba una tercera vía: GPU compartida y factura plana

ofrece por 70 euros al mes acceso a modelos abiertos sobre un nodo compartido de 96 GB, API compatible con OpenAI y sin cobro por token; el modelo reduce incertidumbre de coste, pero sustituye la elasticidad de la nube por capacidad comunitaria finita y una cuota declarada de 500 millones de tokens al mes para los modelos frontera

ofrece por 70 euros al mes acceso a modelos abiertos sobre un nodo compartido de 96 GB, API compatible con OpenAI y sin cobro por token; el modelo reduce incertidumbre de coste, pero sustituye la elasticidad de la nube por capacidad comunitaria finita y una cuota declarada de 500 millones de tokens al mes para los modelos frontera

Fuente: justuse.nan.builders

Leer el artículo →
arXiv · UCL ARC

Los modelos abiertos de 31–35B ya vuelven viable el trabajo local con datos sensibles

en 20 tareas de preparación de datos longitudinales, ejecutadas sin enviar información a terceros, los modelos abiertos actuales alcanzan hasta un 87,9% de finalización media en hardware de consumo; no elimina el coste de operar la máquina, pero cambia la compra de tokens por inversión en equipo, gobernanza y mantenimiento

en 20 tareas de preparación de datos longitudinales, ejecutadas sin enviar información a terceros, los modelos abiertos actuales alcanzan hasta un 87,9% de finalización media en hardware de consumo; no elimina el coste de operar la máquina, pero cambia la compra de tokens por inversión en equipo, gobernanza y mantenimiento

Fuente: arxiv.org

Leer el artículo →
Investigación · fuentes

Los papers del día

Cuatro trabajos para leer con el radar abierto.

OpenForgeRL entrena al agente dentro del arnés donde luego tendrá que trabajar

un proxy registra las llamadas del arnés como datos de entrenamiento y un orquestador ejecuta cada rollout en un contenedor remoto; con cientos o pocos miles de tareas, los agentes abiertos mejoran verificación, cobertura de herramientas y planes largos, aunque la recuperación ante errores continúa débil

Abrir el paper

Una cadena multiagente puede conservar la intención peligrosa y esconder su procedencia

en 25 perfiles controlados, el modelo rechazó un objetivo manipulador cuando lo vio directamente, pero se alineó con él cuando otros agentes lo transformaron y ocultaron sus cláusulas y origen; la seguridad del componente final no basta si no puede inspeccionar la cadena completa

Abrir el paper

Gestionar contexto es una arquitectura de ciclo de vida, no una carpeta de memoria

propone cinco primitivas —arquitectura, ingestión, alcance, anticipación y compactación— y sostiene que acumular contexto eleva el coste de forma cuadrática; resumir sin validar abarata a costa de precisión, mientras la compactación comprobada busca coste lineal sin perder procedencia

Abrir el paper

AREX convierte cada respuesta provisional en el punto de partida de una investigación más precisa

separa un bucle interno de búsqueda y otro externo que audita cada restricción, conserva evidencia verificada y lanza consultas dirigidas sobre los huecos; sus modelos de 4B y 122B-A10B superan baselines de tamaño comparable en varios benchmarks de investigación profunda

Abrir el paper

Hemeroteca · repositorio

Vídeos y ediciones anteriores