Qué pasó
- El 22 de octubre de 2026, Microsoft y Hugging Face publicaron en el blog de Hugging Face ThinkingBox-Training, un método para entrenar agentes con recompensas que salen del estado final de una base de datos.
- El banco de pruebas que lo precede, ThinkingBox-Bench, tiene 507 tareas. El agente recibe un backend real y herramientas MCP, trabaja, y luego se revisa qué cambió de verdad en la base.
- El equipo usó esas comprobaciones como recompensa en tareas fuera del banco y ajustó Qwen3.8-27B con 50 pasos de GRPO. El código está publicado en GitHub.
- La tasa media de éxito pasó de 51,70% a 60,78%. Las tareas resueltas en los 20 intentos subieron de 38 a 107, y las resueltas al menos una vez bajaron de 453 a 446.
Por qué importa
- Un agente que dice “listo” sin haber terminado es uno de los problemas centrales de la automatización con IA. Medir el resultado en la base de datos, y no en la respuesta, es una forma de exigir pruebas.
- Para empresas que prueban agentes en reservas o cobros, el ejemplo del blog es concreto: antes del ajuste, el agente cambió una reserva sin la aprobación exigida en 15 de 20 intentos; después, en ninguno.
- La mejora en repetibilidad tuvo un costo: siete tareas que antes salían al menos una vez dejaron de salir.
El dato
De 38 a 107. Tareas que el agente resolvió en los 20 intentos, antes y después del ajuste, de un total de 507.
Contexto
El método elige las tareas de práctica según su dificultad para el modelo actual, con una estimación fija hecha antes de entrenar. Las tareas que el modelo ya resuelve siempre, o que nunca resuelve, no le enseñan nada, explican los autores.
Qué viene
- El código de entrenamiento está disponible para que otros equipos lo repliquen.
- Sin plazos anunciados para nuevos modelos o tareas.
Cierre
En septiembre, un estudio midió que los agentes se declaran listos hasta 38 puntos más seguido de lo que aprueba el evaluador. Y en correo, los agentes ejecutan 99,7% de sus llamadas pero resuelven 33,5% de las tareas.
Fuentes
- Hugging Face Blog — Turning Database Grading into RL Rewards: Post-Training Agents with ThinkingBox (22 de octubre de 2026)
- Imagen de portada: Aaron Hall, CC BY-SA 2.0, vía Wikimedia Commons
Editado por Rodrigo Cornejo. Quiénes escriben las notas
