El modelo sin ajustar resolvió tareas que su versión pulida no logró.
Un artículo del 1 de octubre comparó 14 pares de modelos, cada uno en versión cruda y ajustada. Con intentos suficientes, los modelos crudos resolvieron tareas que los ajustados nunca lograron. Los autores llaman a esa brecha impuesto de afilado y proponen un arreglo en el muestreo.
Por qué importaEl ajuste hace al modelo más fiable al primer intento y más estrecho en general. Si tu agente se atasca siempre en una tarea, un modelo más simple puede llegar.
Léelo en la app — gratis, en 9 idiomas
Noticias relacionadas
Meta liberó el firmware para que construyas tu propio aparato Muse.2026-10-04Apple va a cerrar el permiso de Mac que piden los agentes de IA.
2026-10-04Un modelo entrenado con fotos comunes logró 70% en razonamiento.
2026-10-04DeepSeek puso su agente en tu escritorio y abrió el código.
2026-10-03Cloudflare regaló dos modelos que solo eligen y nunca conversan.
2026-10-03