Archivo de resúmenes

Los sistemas de IA que se mejoran sin intervención humana pierden terreno, pero un área resiste.

En cuatro semanas, las publicaciones sobre multi-agent systems and negotiation (sistemas multiagentes y negociación) caen de 204 a 111 artículos, es decir, una disminución de casi la mitad. Sin embargo, un subconjunto de estos trabajos - aquellos que exploran la amélioration récursive autonome (recursive self-improvement) - se mantiene estable. La expresión aparece en 33 artículos este mes, un volumen cercano a los 31 registrados en agosto. Estas investigaciones se centran en agentes capaces de corregir sus propios errores y afinar su rendimiento sin depender de datos externos o humanos.

Tres artículos recientes ilustran esta persistencia:

• The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement
• MetaRSI / RSI2: A Meta-Recursive Self-Improving System for Recursive Self-Improving Systems Themselves
• Generalized Agent Iteration: One Formal Framework for Iterative Policy Improvement and Recursive Self-Improvement

Paralelamente, los agent harnesses (marcos de software que definen los objetivos y restricciones de los agentes) suman 51 artículos este mes, frente a 21 en agosto. Estas herramientas buscan enmarcar tareas complejas y prolongadas, como la gestión de proyectos o la toma de decisiones distribuida en el tiempo. Dos ejemplos:

• RobustSGPO: Search-Space Control for Agent Harness Evolution
• Co-Evolving Harnesses and Models: On-Policy Correction Helps Weaker Models Catch Up Where Imitation Fails

En otros ámbitos, la mayoría de los temas principales retroceden. Los large language models (grandes modelos de lenguaje) pasan de 587 a 271 artículos, y las aplicaciones multimodales (que combinan texto, imagen y sonido) de 575 a 244. Solo el reconocimiento y síntesis de voz (Speech Recognition and Synthesis) avanza, con 112 artículos frente a 78.

Los sistemas de IA que aprenden a mejorarse sin datos humanos ocupan ahora un lugar central en la investigación. Este mes, dos temas relacionados con este enfoque experimentan un crecimiento sin igual: los sistemas multiagentes y la negociación (172 artículos en cuatro semanas, frente a 53 el mes anterior) y la búsqueda de información (149 artículos, frente a 47). Estos dos ámbitos comparten una misma técnica, el on-policy self-distillation (OPSD), donde los modelos afinan sus respuestas entrenándose con sus propios intentos en lugar de con ejemplos proporcionados por humanos.

El OPSD no es una novedad, pero su adopción masiva en aplicaciones concretas marca un punto de inflexión. Los trabajos recientes ya no se limitan a ensalzar sus promesas: ponen a prueba sus límites. Tres preguntas se repiten en los títulos del mes:

• ¿Cómo evitar que el modelo se distorsione a sí mismo con información privilegiada (datos ocultos que sesgan su aprendizaje)? 29 artículos abordan este tema, 19 más que en julio.
• ¿Cómo estabilizar el entrenamiento cuando las recompensas son escasas o ruidosas? 23 artículos exploran el uso de privileged information para guiar la destilación, y otros 20 la token-level supervision (una señal de aprendizaje afinada a nivel de cada palabra o símbolo).
• ¿Cómo rastrear una respuesta hasta su fuente para verificar su solidez? Las expresiones «evidence supports» (22 artículos) y «local evidence» (17 artículos) aparecen en trabajos que evalúan la fiabilidad de los razonamientos paso a paso.

Algunos ejemplos recientes:

• Rethinking Privileged Information in On-Policy Self-Distillation
• Beyond Teacher Likelihood: Group-Calibrated On-Policy Distillation for Long-Context Reasoning
• Trust Is Not Enough: Influence Calibration for On-Policy Self-Distillation in Agentic RL
• RuleWeaver: Benchmarking Rule-Centered Scenario Reasoning for Large Language Models
• Neuro-symbolic PRM: Enhancing Scientific Reasoning via Structured Traces and Symbolic Verification

Esta dinámica viene acompañada de un retroceso marcado de los enfoques tradicionales. Las redes neuronales generativas adversarias (268 artículos, -23 % en un mes) y las redes neuronales avanzadas (135 artículos, -24 %) pierden terreno, al igual que la explicabilidad (107 artículos, -38 %). La investigación parece privilegiar ahora sistemas capaces de mejorarse por sí solos, aunque sea a costa de sacrificar parte de su transparencia.

El corpus de julio suma 6 479 artículos, frente a 12 021 en junio. El retroceso alcanza a los veinte asuntos seguidos sin excepción: dice algo sobre la recogida de datos, no sobre el estado de la investigación. Lo que sigue siendo legible es el orden en que los asuntos retroceden.

Solo uno atraviesa el mes casi intacto: los algoritmos y arquitecturas para la computación cuántica, 69 artículos en julio frente a 79 en junio, mientras el corpus entero pierde casi la mitad de su volumen. Es también el único tema que los números semanales vieron crecer, dos semanas seguidas.

En el otro extremo, son los asuntos más voluminosos los que ceden más terreno: grandes modelos de lenguaje (344 artículos frente a 773), aprendizaje multimodal (311 frente a 684), robustez adversaria (211 frente a 464) y síntesis de imágenes (171 frente a 378). Todos retroceden más que la media del corpus.

Tres trabajos cuánticos recogidos a lo largo del mes: Cautious optimism for deep parameterized quantum circuits Towards quantum machine learning for assessing the resilience of post-quantum cryptography Approximate Quantum State Preparation Through Proximal Policy Optimization

La ética y lo multimodal en fuerte progresión

El mes de junio confirma dos movimientos de fondo en la investigación en IA, con volúmenes que superan ampliamente las variaciones estacionales.

Ética e impactos sociales: 259 artículos publicados este mes, frente a 170 en mayo (+52 %). Los trabajos recientes abordan cuestiones de gobernanza, sesgos y equidad, a menudo en relación con aplicaciones concretas. Tres ejemplos destacados:

• AI Governance in the Global South: Challenges and Opportunities for Inclusive Policy Frameworks
• Bias Mitigation in Large Language Models: A Survey of Techniques and Evaluation Metrics
• The Environmental Footprint of Generative AI: Measuring and Mitigating Energy Consumption

Aplicaciones multimodales: 684 artículos, frente a 527 en mayo (+30 %). Los modelos que integran texto, imagen, audio y vídeo ganan en madurez, con arquitecturas optimizadas para tareas específicas. Entre las publicaciones recientes:

• Unified Multimodal Transformers for Real-Time Video Question Answering
• Cross-Modal Retrieval with Contrastive Learning: Aligning Text, Image, and Audio Embeddings

Por el contrario, temas como los Generative Adversarial Networks (378 artículos, -7 %) o los Graph Neural Networks (274, -8 %) pierden terreno, sin que los datos permitan identificar un factor único.

La síntesis generativa se impone como campo de investigación

En mayo de 2026, el volumen de publicaciones sobre Generative Adversarial Networks and Image Synthesis se disparó a 408 artículos, frente a 171 el mes anterior (+138 %). Esta duplicación en un mes sitúa al tema a la cabeza de los crecimientos entre los temas seguidos, por delante de los avances en Stochastic Gradient Optimization Techniques (288 artículos, +112 %) o en Reinforcement Learning in Robotics (442 artículos, +87 %).

El auge de los GAN no se limita a la cantidad: los títulos recientes exploran arquitecturas híbridas y aplicaciones inéditas. Tres artículos ilustran esta diversificación:

• Diffusion-Guided GANs for High-Fidelity Image Synthesis
• Neural Radiance Fields Meets GANs: 3D-Aware Image Generation
• Self-Supervised GANs for Medical Image Augmentation

Los trabajos sobre optimización estocástica (288 artículos) y las redes neuronales gráficas (297 artículos, +88 %) parecen alimentar esta dinámica, sugiriendo una convergencia entre métodos de entrenamiento y generación de contenidos. A destacar: las aplicaciones en imagen médica (118 artículos en Machine Learning in Healthcare, +44 %) se benefician directamente de estos avances.