# Análisis del artículo «Agentic Reasoning for Large Language Models»: razonamiento con agentes para grandes modelos de lenguaje El término «agente de IA» abarca desde chatbots con búsqueda hasta sistemas que planifican tareas y utilizan herramientas. La investigación reciente examina también cómo actualizan su memoria, aprenden de la experiencia y colaboran entre sí… Source: https://www.iplexlaw.co.kr/es/blog/1531924 INICIO / Noticias y análisis Noticias y análisis Análisis del artículo «Agentic Reasoning for Large Language Models»: razonamiento con agentes para grandes modelos de lenguaje El término «agente de IA» abarca desde chatbots con búsqueda hasta sistemas que planifican tareas y utilizan herramientas. La investigación reciente examina también cómo actualizan su memoria, aprenden de la experiencia y colaboran entre sí… IA y software Publicado el 2026.09.03 IPLEX 20 min de lectura Texto original del artículo: https://arxiv.org/pdf/2601.12538 Autor: Yongduck Kim, agente de patentes de IPLEX IP Law Firm El término «agente de IA» aparece con frecuencia, pero su alcance no siempre está claro. Puede referirse a un chatbot con búsqueda o a un sistema que planifica y utiliza diversas herramientas. A ello se suman mecanismos para actualizar la memoria, aprender de la experiencia y distribuir funciones entre varios agentes. Este artículo presenta el razonamiento con agentes como una perspectiva integradora. El modelo de lenguaje no se limita a generar texto: planifica, actúa y aprende mientras interactúa con el entorno. Más que proponer un único modelo nuevo, el estudio ofrece un mapa sistemático de la investigación publicada hasta 2025. Tres ideas clave: el razonamiento con agentes conecta pensamiento y acción; el artículo lo organiza en capacidades fundamentales, autoevolución y razonamiento colectivo; y una misma función puede implementarse mediante instrucciones y flujos de trabajo durante la inferencia o aprenderse mediante refuerzo o ajuste fino. Datos del artículo científico «Agentic Reasoning for Large Language Models» es un amplio estudio de revisión del razonamiento con agentes. Entre sus autores figuran Tianxin Wei, Ting-Wei Li y Zhining Liu, junto con investigadores de la Universidad de Illinois Urbana-Champaign, Meta, Amazon, Google DeepMind, UC San Diego y Yale. La versión v1 de arXiv se publicó el 18 de enero de 2026. Examina planificación, uso de herramientas, búsqueda, retroalimentación, memoria, autoevolución, sistemas multiagente, aplicaciones, pruebas de referencia y retos futuros. Su aportación consiste en organizar la investigación y las opciones de diseño existentes, no en validar un nuevo algoritmo mediante experimentos. 1. Visión de conjunto del artículo La primera figura resume el estudio. En la parte superior, el usuario plantea una tarea, el agente la resuelve y los resultados se generalizan a otras tareas. La zona central muestra el paso de la inferencia tradicional de los LLM a los sistemas con agentes: el contexto deja de ser estático, el cálculo incorpora interacción y el aprendizaje puede continuar después del preentrenamiento. Figura 1. Mapa general del razonamiento con agentes. Fuente: Tianxin Wei et al., Agentic Reasoning for Large Language Models, figura 1, p. 2. La zona inferior reúne cuatro áreas. Arriba a la izquierda aparecen las capacidades fundamentales: planificación, herramientas y búsqueda web. Arriba a la derecha se sitúan la retroalimentación, la memoria y la autoevolución. Abajo a la izquierda se representa la colaboración multiagente, con reparto de funciones y evolución conjunta. Abajo a la derecha se muestran aplicaciones y evaluaciones en salud, finanzas, derecho, educación, robótica, ciencia, software, videojuegos y web. Como analogía, un chatbot convencional responde a una pregunta, mientras que un sistema con agentes se aproxima a un gestor de proyectos: comprueba el objetivo, divide el trabajo, busca información, ejecuta herramientas y revisa el plan cuando los resultados no son adecuados. El concepto de agente va más allá de un chatbot que llama a herramientas. En este artículo, razonar también implica decidir qué observar, qué acción realizar, cómo interpretar un fallo, qué experiencias conservar y qué información intercambiar con otros agentes. 2. Razonamiento convencional de los LLM y razonamiento con agentes Un modelo de lenguaje convencional recibe instrucciones y genera una respuesta en una o varias etapas. Aunque utilice cadenas de pensamiento o compare distintas soluciones, el proceso sigue siendo relativamente cerrado si no actúa sobre el entorno. En un sistema con agentes, la salida del modelo da lugar a una acción que modifica la siguiente entrada. Una búsqueda devuelve resultados; la ejecución de código puede devolver un error; y un clic cambia el estado de una página. El agente incorpora estas observaciones, revisa su plan y vuelve a actuar. Por ello, la gestión del estado y la recuperación entre etapas adquieren tanta relevancia como la calidad de una respuesta aislada. Ambos enfoques difieren en las entradas, el cálculo, la interacción externa, la gestión del estado, el tratamiento de errores y los objetivos. La inferencia convencional suele partir de instrucciones fijas y generar una respuesta o realizar una exploración interna limitada. El estado se concentra en el contexto de la conversación y los errores se abordan regenerando la respuesta, con el objetivo de producir una contestación plausible. El razonamiento con agentes utiliza un contexto dinámico que cambia con los resultados de cada acción. Alterna razonamiento, acción, observación y revisión. Puede conectarse a búsquedas, API, código, navegadores o robots, y gestiona conjuntamente la memoria externa, el estado de la tarea y el del entorno. Ante un error, puede verificar, revertir, replantear el plan o elegir otra herramienta. Su objetivo es alcanzar un estado concreto del entorno. El razonamiento con agentes no equivale a una cadena de pensamiento más larga. Conecta el procesamiento interno con acciones externas y utiliza sus resultados para orientar la siguiente decisión. Un plan extenso no garantiza un buen funcionamiento: detectar errores y recuperar el estado adecuado puede resultar más importante. 3. Capacidades fundamentales: planificación, herramientas y búsqueda Estas capacidades permiten a un agente alcanzar objetivos en un entorno complejo, aunque relativamente estable. El artículo las organiza en planificación, uso de herramientas y búsqueda. Son funciones estrechamente relacionadas: el plan identifica la información que falta, la búsqueda la obtiene y las herramientas ejecutan las acciones. 3.1 Planificación: convertir objetivos en pasos ejecutables Un plan va más allá de una lista de tareas. Tiene en cuenta el estado actual, selecciona los siguientes pasos, evalúa los resultados intermedios y se modifica cuando es necesario. El artículo clasifica los enfoques en diseño de flujos de trabajo, búsqueda en árboles, formalización, descomposición, uso de herramientas externas y diseño de recompensas. Figura 2. Clasificación esquemática de los métodos de planificación de los agentes de LLM. Fuente: Mismo artículo, figura 2, p. 11. - Diseño de flujos de trabajo: definir de antemano etapas como percepción, razonamiento, ejecución y verificación, con una función concreta para cada una. - Búsqueda en árboles: representar las alternativas como ramas y explorarlas en profundidad o en anchura para identificar rutas prometedoras. - Formalización: representar el plan mediante código, máquinas de estados, grafos o expresiones lógicas, además del lenguaje natural. - Descomposición de tareas: dividir un objetivo en subobjetivos y definir sus dependencias y su orden de ejecución. - Uso de herramientas externas: incorporar grafos de conocimiento, búsquedas, modelos del mundo, calculadoras o entornos de ejecución de código a la planificación. - Entrenamiento posterior: utilizar recompensas para que el modelo aprenda comportamientos de planificación. En un producto, las reglas de recuperación importan más que la complejidad del plan. Si se produce un error antes de un pago, debe estar definido si el sistema reinicia el proceso, vuelve al último estado correcto, solicita confirmación o prueba otro medio de pago. Estas transiciones de estado y los procedimientos de recuperación determinan la calidad del agente. 3.2 Uso de herramientas: ampliar las capacidades del modelo Los modelos de lenguaje tienen limitaciones para acceder a información reciente o interna, realizar cálculos precisos y operar en la web. Las herramientas permiten conectarlos a API de búsqueda, bases de datos, calculadoras, entornos de ejecución de código y sistemas empresariales. Al aumentar las herramientas disponibles, también crece la dificultad de elegir la adecuada, invocarla con el formato correcto e interpretar los errores. Figura 3. Diferencias entre un LLM convencional y un sistema con agentes que utiliza herramientas. Fuente: Mismo artículo, figura 3, p. 15. Los LLM tradicionales, a la izquierda de la figura, no tienen acceso a herramientas externas, por lo que sus conocimientos pueden quedar desactualizados y sus cálculos ser inexactos. El sistema basado en agentes de la derecha analiza la pregunta del usuario, selecciona la herramienta necesaria, comprueba el resultado y vuelve a seleccionar una herramienta si el resultado es insuficiente. La clave no es la herramienta en sí, sino el ciclo de selección, llamada, observación y nueva selección. Entre los fallos habituales están inventar una herramienta inexistente, introducir argumentos incorrectos, interpretar un error como un éxito o repetir una llamada fallida. Por ello, deben diseñarse conjuntamente la validación del esquema, las comprobaciones previas, los límites de ejecución, los reintentos, los permisos y la identificación de la fuente de los resultados. 3.3 Búsqueda: localizar la información necesaria En un sistema RAG convencional, una pregunta activa una búsqueda predeterminada y la respuesta se elabora con los documentos recuperados. Un agente decide en cada etapa cuándo buscar, qué consultar, si los resultados bastan y si necesita ampliar la búsqueda. La recuperación de información pasa así a formar parte del razonamiento. Figura 4. Comparación de sistemas estáticos de búsqueda RAG y basados en agentes. Fuente: Mismo artículo, figura 4, p. 18. Se reproduce la parte del esquema necesaria para la explicación. Por ejemplo, un agente que busca antecedentes de patentes debe poder añadir clasificaciones o solicitantes cuando obtiene demasiados resultados, y ampliar los sinónimos o los conceptos cuando obtiene pocos. También debe comprobar si los documentos contienen todos los elementos técnicos relevantes. Esta tarea exige más que resumir varios resultados. El artículo distingue tres enfoques: organizar la búsqueda mediante instrucciones durante la inferencia; aprender a buscar mediante ajuste fino o aprendizaje por refuerzo; y utilizar fuentes estructuradas, como grafos de conocimiento. Estos enfoques pueden combinarse según las necesidades del sistema. 4. Razonamiento autoevolutivo: retroalimentación, memoria y expansión de la capacidad Un agente básico se centra en resolver una tarea; uno que evoluciona con la experiencia busca mejorar sus acciones o tareas posteriores. La retroalimentación y la memoria son esenciales: la primera identifica errores y la segunda permite incorporar lo aprendido a decisiones futuras. 4.1 Retroalimentación: Cómo descubrir y corregir caminos incorrectos Figura 5. Tres formas de retroalimentación del agente Fuente: Mismo artículo, figura 5, p. 21. El artículo distingue tres tipos de retroalimentación. La reflexión durante la inferencia revisa la respuesta o el plan sin modificar los parámetros. La adaptación de parámetros aprende de trayectorias evaluadas o de datos de preferencias y conserva los cambios en los pesos del modelo. La verificación externa utiliza pruebas unitarias, comprobadores de restricciones o simuladores para determinar si un resultado cumple los requisitos y, en caso contrario, permitir un nuevo intento. La diferencia está en cómo se conserva el aprendizaje. La reflexión suele limitarse a la conversación actual; la adaptación de parámetros puede modificar el comportamiento a largo plazo. Los verificadores permiten seleccionar resultados válidos aunque no expliquen cada fallo, algo especialmente útil cuando comprobar el resultado es sencillo y poco costoso, como en la generación de código. 4.2 Memoria: seleccionar qué conservar La memoria de un agente no consiste simplemente en almacenar conversaciones completas. Lo esencial es seleccionar y estructurar la información: qué registrar, cómo resumirlo, cuándo recuperarlo y cuándo eliminar datos obsoletos. Figura 6. Tres ejes de diseño de memoria con agentes. Fuente: Mismo artículo, figura 6, p. 24. Se reproduce la parte del esquema necesaria para la explicación. El primer eje es el uso de conversaciones, resúmenes, flujos de trabajo y trayectorias anteriores en las instrucciones actuales. El segundo es la memoria estructurada, que representa relaciones entre entidades mediante grafos o integra imágenes, audio y documentos. El tercero consiste en aprender las propias operaciones de escritura, actualización, eliminación y recuperación de memoria. Un riesgo importante es que un dato incorrecto en la memoria a largo plazo afecte a numerosas tareas posteriores. La mezcla de información de distintos usuarios también puede vulnerar la privacidad o los permisos de acceso. Por ello, conviene conservar la fuente, la fecha de creación, la fiabilidad, los permisos, las condiciones de caducidad y el historial de cambios. 4.3 Autoevolución: la capacidad de cambiar planes, herramientas y la propia búsqueda Figura 7. Evolución de la planificación, el uso de herramientas y la búsqueda. Fuente: Mismo artículo, figura 7, p. 28. Se reproduce la parte del esquema necesaria para la explicación. La autoevolución va más allá de corregir una respuesta. Los agentes pueden crear ejercicios, revisar estrategias al comparar éxitos y fallos, y generar herramientas de código para problemas que las herramientas existentes no resuelven. También pueden recordar fuentes frecuentes y mejorar sus rutas de búsqueda. El término «autoevolución» debe interpretarse con precisión. Buena parte de la investigación actual actualiza memorias o políticas mediante retroalimentación predefinida en entornos limitados; no implica que el sistema elija objetivos y valores como una persona. Deben definirse los elementos que pueden cambiar, las modificaciones permitidas y cómo revertir cambios incorrectos. 5. Razonamiento colectivo: funciones, colaboración y memoria compartida En tareas complejas, varios agentes pueden repartirse el trabajo: uno planifica, otro busca y un tercero verifica los resultados. El artículo examina esta organización como razonamiento colectivo en sistemas multiagente. 5.1 Diseño de funciones: compartir instrucciones no equivale a colaborar Figura 8. Funciones generales y aplicaciones específicas de dominio de múltiples agentes Fuente: Mismo artículo, figura 8, p. 30. El artículo distingue coordinadores, ejecutores, evaluadores, gestores de memoria y coordinadores de comunicación. Los primeros dividen los objetivos y supervisan el progreso; los ejecutores buscan, ejecutan código y elaboran documentos; los evaluadores detectan errores y riesgos. La gestión de memoria organiza el conocimiento a largo plazo y evita repetir fallos, mientras que la coordinación de comunicación controla el formato y el alcance de los mensajes. En un ejemplo jurídico, un agente puede ordenar los hechos, otro analizar normas y precedentes y un tercero verificar las citas y la coherencia argumental. Asignar nombres especializados no mejora por sí solo la precisión. Cada función necesita entradas, salidas, responsabilidades, condiciones de parada y mecanismos de verificación cruzada definidos. 5.2 Colaboración secuencial, jerárquica, por funciones o generada automáticamente Figura 9. Colaboración durante la inferencia y colaboración aprendida mediante entrenamiento posterior. Fuente: Mismo artículo, figura 9, p. 34. La colaboración durante la inferencia define el orden y las funciones mediante instrucciones o flujos de trabajo. En una estructura secuencial, cada etapa recibe los resultados de la anterior; en una jerárquica, un coordinador dirige a los demás agentes. En la organización por funciones se asignan especialidades de antemano, mientras que en la generación automática el LLM configura el flujo según la tarea. El entrenamiento posterior utiliza datos o recompensas para optimizar las instrucciones de cada función, las conexiones entre agentes y la política que selecciona al siguiente agente. Una dificultad central es atribuir el resultado conjunto a cada contribución: una respuesta correcta no permite aislar fácilmente el valor de una búsqueda o de una objeción anterior. 5.3 Memoria conjunta: ¿Qué compartirán múltiples agentes? Figura 10. Cuatro dimensiones de diseño de memoria multi-agente. Fuente: Mismo artículo, figura 10, p. 40. Se reproduce la parte del esquema necesaria para la explicación. La memoria compartida se diseña en cuatro dimensiones. La estructura puede ser jerárquica o plana; la topología, centralizada o distribuida; el contenido puede recoger hechos o procedimientos; y la gestión define cómo resumir, olvidar, filtrar y verificar la información. Compartir más información enriquece el contexto, pero aumenta el coste de comunicación y el riesgo de propagar errores. Una separación excesiva puede privar a los agentes de información necesaria. En entornos empresariales, debe distinguirse la memoria compartida de la privada según los datos personales, los secretos empresariales y los permisos de cada área, conservando la procedencia y el historial de acceso. 6. Diseño durante la inferencia y entrenamiento posterior El artículo distingue cuándo se implementan las capacidades del agente: durante la inferencia o mediante entrenamiento posterior. Son opciones complementarias que se combinan según el coste, la flexibilidad y la fiabilidad necesarios. Durante la inferencia, las instrucciones, las búsquedas, los flujos de trabajo y la memoria externa coordinan el comportamiento sin modificar los pesos. Este enfoque permite cambios rápidos y se adapta a modelos existentes, pero depende de la longitud de las instrucciones, del coste de las llamadas y de la estabilidad de la ejecución. Resulta útil en productos experimentales o con reglas empresariales cambiantes. Incluye instrucciones de planificación, bucles de búsqueda, recuperación de memoria, verificación y reintentos. El entrenamiento posterior incorpora patrones de comportamiento a los pesos mediante aprendizaje por refuerzo, ajuste fino supervisado o aprendizaje de preferencias. Puede aportar rapidez y consistencia en tareas repetitivas, aunque requiere datos, diseño de recompensas y actualizaciones costosas. Se aplica a tareas repetidas a gran escala o a entornos específicos; por ejemplo, para ajustar llamadas a herramientas, aprender políticas de búsqueda o controlar la memoria. Una opción práctica consiste en validar primero el flujo durante la inferencia y convertir después las interacciones exitosas repetidas en datos para el entrenamiento posterior. Entrenar todas las capacidades desde cero puede encarecer las correcciones; depender únicamente de instrucciones puede aumentar el consumo de tokens y la latencia. Un diseño mixto puede estabilizar mediante entrenamiento la selección habitual de herramientas y sus formatos de llamada, mantener las reglas empresariales y las condiciones de cada usuario en memoria o políticas externas, y someter las acciones de mayor riesgo a verificadores y aprobación humana. 7. Aplicaciones y pruebas de referencia 7.1 ¿Dónde se aplica? Figura 11. Áreas de aplicación representativas de la inferencia basada en los agentes Fuente: Mismo artículo, figura 11, p. 43. Se reproduce la parte del esquema necesaria para la explicación. El artículo examina matemáticas y programación, descubrimiento científico, robótica y agentes con presencia física, salud, navegación web e investigación autónoma. Las restricciones varían: en programación importan la ejecución y las pruebas; en salud, la evidencia y la revisión responsable; y en robótica, la seguridad física y la respuesta en tiempo real. - Matemáticas y codificación: Descomposición de problemas, ejecución de códigos, pruebas, corrección de errores y trabajo a largo plazo en el nivel de repositorio son clave. - Descubrimiento científico: formular hipótesis, planificar experimentos, ejecutar herramientas, evaluar resultados y utilizar esos resultados para diseñar el siguiente experimento. - Robótica y agentes con presencia física: vincular los objetivos expresados en lenguaje con la percepción espacial y las acciones, adaptándose a los cambios del entorno. - Salud: coordinar agentes especializados, buscar evidencia, recordar el estado del paciente y apoyar decisiones seguras. - Navegación web e investigación autónoma: contrastar información entre sitios y herramientas y sintetizarla en un resultado extenso. 7.2 ¿Qué debe evaluarse? Figura 12. Alcance de las pruebas de referencia del razonamiento con agentes. Fuente: Mismo artículo, figura 12, p. 65. Evaluar únicamente el porcentaje final de aciertos puede ocultar fallos relevantes. Una respuesta correcta pierde valor si exige llamadas innecesarias, deja datos falsos en la memoria o implica acciones arriesgadas. El artículo reúne pruebas de capacidades fundamentales —herramientas, memoria, planificación y colaboración multiagente— y pruebas de aplicaciones en robótica, ciencia, salud y web. Además del éxito de la tarea, conviene medir la precisión por etapa, el éxito de las llamadas a herramientas, los reintentos, el tiempo medio, el coste de tokens y API, la recuperación ante errores, la corrupción de la memoria, la exactitud de las citas, las intervenciones humanas y el bloqueo de acciones arriesgadas. Una puntuación final aislada no permite identificar qué componente falla. 8. Perspectiva de un agente de patentes especializado en IA Desde la perspectiva de patentes, debe distinguirse el concepto general de razonamiento con agentes de una implementación técnica concreta. La planificación, las herramientas, la recuperación, la memoria y la colaboración ya aparecen en numerosos estudios y proyectos de código abierto. Enumerar estos elementos no basta para identificar una diferencia técnica. Resolver un problema concreto de implementación puede aportar valor en materia de PI. Entre los ejemplos figuran los errores repetidos de herramientas, los datos incorrectos en memoria, el coste creciente de comunicación, la exposición de información entre agentes y la pérdida de estado en tareas largas. Cuanto más preciso sea el problema técnico, mejor podrá definirse una posible estrategia de protección. 8.1 Áreas técnicas que conviene examinar El artículo permite identificar seis áreas relevantes. La planificación y el control del estado abordan errores acumulados y reinicios costosos en tareas largas: deben examinarse la representación del estado, las condiciones de transición, los puntos de control, el alcance de la reversión y la reconstrucción del plan. La orquestación de herramientas aborda selecciones erróneas, argumentos inválidos, llamadas repetidas y permisos mal utilizados mediante normalización de esquemas, comprobaciones previas, enrutamiento dinámico, recuperación según el error y entornos aislados. La búsqueda con agentes debe evitar consultas innecesarias, detectar evidencia insuficiente y tratar documentos contradictorios. Importan las reglas para iniciar o finalizar la búsqueda, reformular consultas y evaluar fuentes y suficiencia. El control de memoria debe reducir recuerdos incorrectos, almacenamiento redundante, mezcla de datos personales y demoras de recuperación mediante reglas de incorporación, resumen, estructuración, fiabilidad, caducidad, eliminación, corrección, permisos y trazabilidad. En la colaboración multiagente, el reparto de funciones, la topología de comunicación, la compresión de mensajes, las recompensas conjuntas, la resolución de desacuerdos y la evaluación de contribuciones buscan reducir costes, duplicidades, responsabilidades imprecisas y errores colectivos. En gobernanza y auditoría, importan la trazabilidad y el control de riesgos a lo largo de las acciones: registros, comprobación de políticas, aprobaciones, permisos según el riesgo, interrupción, recuperación y auditorías reproducibles. 8.2 La diferenciación reside en las condiciones de funcionamiento en lugar de en los nombres de los componentes Enumerar «agente», «planificador», «memoria» y «verificador» puede quedarse en una descripción funcional. Para explicar la diferencia técnica, debe precisarse qué decisión se toma, en qué momento, a partir de qué entradas y estado, qué datos se actualizan y qué recuperación se activa ante un fallo. Precise la representación del estado. Explique cómo se gestionan el objetivo, las etapas completadas, las condiciones pendientes de confirmar, los resultados de herramientas, su fiabilidad y los permisos. Defina las condiciones de activación. Exprese mediante reglas o umbrales cuándo se inicia una nueva búsqueda, se revisa el plan, se solicita aprobación o se actualiza la memoria. Detalle el flujo de datos. Indique qué información recibe cada módulo y en qué formato la transmite al siguiente. Mida el efecto técnico. Utilice métricas reproducibles: número de llamadas, latencia, consumo de memoria, recuperación ante errores y bloqueo de acciones arriesgadas. Contemple implementaciones alternativas. Las variantes centralizadas o distribuidas, basadas en reglas o en aprendizaje, y con uno o varios agentes permiten responder a un entorno tecnológico cambiante. Conclusión: De modelos de lenguaje a sistemas de acción El estudio muestra que la evolución de los LLM va más allá de generar respuestas extensas. Avanza hacia sistemas que interpretan objetivos, planifican, seleccionan herramientas e información, recuerdan resultados, se recuperan de fallos y colaboran con otros agentes. A medida que aumentan sus capacidades, también crece la responsabilidad en el diseño del sistema. Una secuencia de acciones incorrectas puede tener más impacto que una frase errónea. La gestión del estado, la validación, los permisos, la auditoría, la calidad de la memoria, la interrupción y la recuperación importan tanto como el rendimiento. Para el análisis de patentes, la conclusión es similar: conviene identificar problemas técnicos recurrentes en productos reales y describir los flujos de datos y las reglas que los resuelven. La diferenciación puede residir en la arquitectura que permite actuar al modelo de forma segura y eficiente, más que en su nombre. Leer el original coreano Este artículo del archivo refleja la situación en su fecha de publicación. Contacte con el despacho para analizar su caso. Consultar sobre este tema ↗ Todos los artículos HABLE CON IPLEX Consulte sus necesidades de propiedad intelectual Analizamos conjuntamente sus necesidades tecnológicas y empresariales. ↗ Contactar Más reciente Examen parcial de diseños industriales: una vía para obtener protección con mayor rapidez ↗ Anterior Marcas en Filipinas: registro y declaraciones de uso efectivo ↗ Artículos relacionados IA y software 2026.10.01 FiX: olvido selectivo por características en la atención softmax Yongduck Kim analiza las compuertas de FiX, su estabilidad numérica y la caché paginada, diferenciando los resultados medidos de las cuestiones aún abiertas. ↗ Lea el artículo IA y software 2026.09.30 MHAR: leer las capas anteriores desde distintos subespacios de características Yongduck Kim analiza Multi-Head Attention Residuals: selección en profundidad, resultados publicados, costes de implementación y relación entre características técnicas y efectos. ↗ Lea el artículo IA y software 2026.09.28 Columna: Claude Computer Use y el aprendizaje de los agentes de IA a través de las patentes Yongduck Kim, socio director de IPLEX, analiza en AI Times los datos y las secuencias de acciones que permiten entrenar a agentes de IA para utilizar software. ↗ Lea el artículo - https://www.iplexlaw.co.kr/es - https://www.iplexlaw.co.kr/es/blog/category/ai - https://arxiv.org/pdf/2601.12538 - https://www.iplexlaw.co.kr/forum/view/1531924 - https://www.iplexlaw.co.kr/es/contact - https://www.iplexlaw.co.kr/es/blog - https://www.iplexlaw.co.kr/es/contact - https://www.iplexlaw.co.kr/es/blog/1533342 - https://www.iplexlaw.co.kr/es/blog/1531884 - https://www.iplexlaw.co.kr/es/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/es/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/es/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/es/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/es/blog/claude-computer-use-agent-patent - https://www.iplexlaw.co.kr/es/blog/claude-computer-use-agent-patent