Hogar
Un equipo académico pone fin al monopolio de los gigantes tecnológicos con SFT; OpenSeeker-v2 encabeza la clasificación de agentes de búsqueda
En el panorama en constante evolución de los modelos de lenguaje a gran escala (LLM), las capacidades de búsqueda profunda se han convertido en la ventaja decisiva para los agentes inteligentes avanzados. Sin embargo, este ámbito ha estado controlado durante mucho tiempo por gigantes del sector que cuentan con una gran financiación. Los enfoques de desarrollo convencionales suelen depender de procesos que consumen muchos recursos y que abarcan el preentrenamiento, el preentrenamiento continuado (CPT), el ajuste fino supervisado (SFT) y el aprendizaje por refuerzo (RL).
Un equipo de investigadores académicos ha presentado recientemente su último trabajo, OpenSeeker-v2, que cuestiona de raíz esta visión establecida. Según su informe, el entrenamiento con trayectorias de tareas de alta calidad y gran dificultad permite que incluso un enfoque sencillo de ajuste fino supervisado (SFT) genere un agente de búsqueda de primer nivel.

El equipo esbozó tres estrategias clave de optimización para la síntesis de datos: en primer lugar, ampliar el grafo de conocimiento para crear un espacio de exploración más amplio; en segundo lugar, ampliar sustancialmente el repertorio de herramientas para superar los límites funcionales; y, por último, aplicar un filtrado estricto de pasos reducidos para garantizar la calidad y la eficiencia de los datos de entrenamiento.
Los resultados experimentales revelan que OpenSeeker-v2 (con 30 000 millones de parámetros y una arquitectura ReAct), entrenado con tan solo 10 600 puntos de datos, mostró un rendimiento sobresaliente en cuatro pruebas de referencia fundamentales: obtuvo una puntuación del 46,0 % en BrowseComp, del 58,1 % en BrowseComp-ZH, un 34,6 % en «Humanity’s Last Exam» y un 78,0 % en xbench. Estas cifras no solo establecen nuevos récords, sino que también superan ampliamente a los modelos del sector que se basaban en complejas cadenas de procesamiento que combinaban CPT, SFT y RL —como Tongyi DeepResearch—.

Sorprendentemente, se trata del primer agente de búsqueda de vanguardia (SOTA) desarrollado por un equipo íntegramente académico utilizando únicamente SFT, con la misma escala y arquitectura de modelo. El equipo ha publicado ahora en código abierto los pesos del modelo de OpenSeeker-v2. Este avance reduce significativamente las barreras de I+D para los agentes de búsqueda avanzados y ofrece una vía de desarrollo más accesible y ligera tanto para la comunidad académica como para la de código abierto.
Artículo: https://arxiv.org/pdf/2605.04036
Artículo relacionado
Las acciones de EE. UU. alcanzan un hito histórico mientras gigantes de la IA y la aeroespacial se preparan para su debut de un billón de dólares
Elon Musk, Sam Altman y Dario Amodei, tres titanes del sector tecnológico, están avanzando hacia ofertas públicas iniciales para sus respectivas empresas. Con SpaceX, OpenAI y Anthropic, tres gigantes de la industria que se acercan a valoraciones de
La startup sueca de inteligencia artificial Lovable Eyes alcanza una valoración de 13.200 millones de dólares tras una importante ronda de financiación
Mientras las herramientas de codificación impulsadas por inteligencia artificial ganan terreno, la startup sueca Lovable ha asegurado una importante ronda de financiación. La empresa tiene como objetivo recaudar 3 000 millones de dólares, lo que podr
Google prueba el agente Remy AI para Gemini a medida que el enfoque se desplaza hacia el control del usuario
Según Business Insider, Google está probando Remy, un nuevo agente personal de IA para Gemini. Esta herramienta tiene como objetivo ejecutar tareas en nombre de los usuarios, optimizando tanto los flujos de trabajo profesionales como las rutinas diar
Recomendaciones de temas especiales relacionados
comentario (0)
0/500
En el panorama en constante evolución de los modelos de lenguaje a gran escala (LLM), las capacidades de búsqueda profunda se han convertido en la ventaja decisiva para los agentes inteligentes avanzados. Sin embargo, este ámbito ha estado controlado durante mucho tiempo por gigantes del sector que cuentan con una gran financiación. Los enfoques de desarrollo convencionales suelen depender de procesos que consumen muchos recursos y que abarcan el preentrenamiento, el preentrenamiento continuado (CPT), el ajuste fino supervisado (SFT) y el aprendizaje por refuerzo (RL).
Un equipo de investigadores académicos ha presentado recientemente su último trabajo, OpenSeeker-v2, que cuestiona de raíz esta visión establecida. Según su informe, el entrenamiento con trayectorias de tareas de alta calidad y gran dificultad permite que incluso un enfoque sencillo de ajuste fino supervisado (SFT) genere un agente de búsqueda de primer nivel.

El equipo esbozó tres estrategias clave de optimización para la síntesis de datos: en primer lugar, ampliar el grafo de conocimiento para crear un espacio de exploración más amplio; en segundo lugar, ampliar sustancialmente el repertorio de herramientas para superar los límites funcionales; y, por último, aplicar un filtrado estricto de pasos reducidos para garantizar la calidad y la eficiencia de los datos de entrenamiento.
Los resultados experimentales revelan que OpenSeeker-v2 (con 30 000 millones de parámetros y una arquitectura ReAct), entrenado con tan solo 10 600 puntos de datos, mostró un rendimiento sobresaliente en cuatro pruebas de referencia fundamentales: obtuvo una puntuación del 46,0 % en BrowseComp, del 58,1 % en BrowseComp-ZH, un 34,6 % en «Humanity’s Last Exam» y un 78,0 % en xbench. Estas cifras no solo establecen nuevos récords, sino que también superan ampliamente a los modelos del sector que se basaban en complejas cadenas de procesamiento que combinaban CPT, SFT y RL —como Tongyi DeepResearch—.

Sorprendentemente, se trata del primer agente de búsqueda de vanguardia (SOTA) desarrollado por un equipo íntegramente académico utilizando únicamente SFT, con la misma escala y arquitectura de modelo. El equipo ha publicado ahora en código abierto los pesos del modelo de OpenSeeker-v2. Este avance reduce significativamente las barreras de I+D para los agentes de búsqueda avanzados y ofrece una vía de desarrollo más accesible y ligera tanto para la comunidad académica como para la de código abierto.
Artículo: https://arxiv.org/pdf/2605.04036
Las acciones de EE. UU. alcanzan un hito histórico mientras gigantes de la IA y la aeroespacial se preparan para su debut de un billón de dólares
Elon Musk, Sam Altman y Dario Amodei, tres titanes del sector tecnológico, están avanzando hacia ofertas públicas iniciales para sus respectivas empresas. Con SpaceX, OpenAI y Anthropic, tres gigantes de la industria que se acercan a valoraciones de
La startup sueca de inteligencia artificial Lovable Eyes alcanza una valoración de 13.200 millones de dólares tras una importante ronda de financiación
Mientras las herramientas de codificación impulsadas por inteligencia artificial ganan terreno, la startup sueca Lovable ha asegurado una importante ronda de financiación. La empresa tiene como objetivo recaudar 3 000 millones de dólares, lo que podr











