Estos investigadores hallaron una forma de hacer que los agentes de IA piensen sin hablar, y es 2,4 veces más rápida

Investigadores de la Universidad de Illinois Urbana-Champaign, la Universidad de Stanford, NVIDIA y el MIT han construido RecursiveMAS, un marco multiagente que trata todo el sistema como una única computación recursiva en el espacio latente. El preprint plantea una pregunta simple: si los modelos de lenguaje recursivos funcionan para modelos individuales, ¿por qué no para agentes? the-ai-agent-that-remembers-you-why-vitabench-20-reveals-a-chasm-between-good-chatbots-and-good-collaborators

¿Por qué recursión en el espacio latente?

La idea es casi demasiado obvia una vez que la escuchas. En la mayoría de los sistemas multiagente, cada pensamiento se decodifica en palabras antes de pasar al siguiente agente. Eso es costoso y crea un cuello de botella semántico. RecursiveMAS mantiene todo el razonamiento intermedio en un espacio latente continuo, decodificando solo a texto en la ronda final.

El marco conecta agentes heterogéneos a través de RecursiveLink, una red residual ligera de dos capas. Los enlaces internos mapean el último estado oculto de un agente de vuelta a su espacio de incrustación de entrada. Los enlaces externos transfieren pensamientos latentes entre agentes, incluso cuando esos agentes tienen diferentes tamaños ocultos. El diseño residual significa que el módulo solo necesita aprender el cambio distribucional, no toda la semántica. how-the-m3-team-turned-math-proof-into-an-evolutionary-search-problem

Arquitectura y entrenamiento

RecursiveMAS encadena todos los agentes en un único bucle recursivo. Cada agente genera pensamientos latentes a través del enlace interno, luego los pasa al siguiente agente a través del enlace externo. Después de que el último agente termina, sus salidas retroalimentan al primero, cerrando el bucle. El entrenamiento utiliza un algoritmo de bucle interno-externo de dos etapas. El bucle interno inicializa cada RecursiveLink con un objetivo de regresión alineado con la distribución de incrustación de la respuesta correcta. El bucle externo despliega todo el sistema durante múltiples rondas de recursión y optimiza todos los enlaces mediante retropropagación a través de todo el rastro. Solo alrededor de 13 millones de parámetros, el 0,31 % del sistema completo, son entrenables. Los LLM base permanecen congelados.

Garantías teóricas

Dos resultados destacan. Primero, los sistemas multiagente recursivos basados en texto pagan un costo de decodificación por paso proporcional al tamaño del vocabulario. RecursiveMAS reemplaza eso con una transformación de espacio latente mucho más económica, eliminando el cuello de botella de proyección de vocabulario. Segundo, bajo suposiciones realistas con predicciones de tokens confiables, el ajuste fino recursivo basado en texto sufre de gradientes que desaparecen. RecursiveMAS mantiene gradientes estables y casi constantes a través de la retropropagación en bucle. the-subtle-trap-waiting-for-ai-agents-in-production

Rendimiento y eficiencia

A través de nueve benchmarks que cubren matemáticas, ciencias, medicina, código y búsqueda, RecursiveMAS supera consistentemente a las líneas base sólidas. En MATH500, AIME 2025, AIME 2026, GPQA-D, LiveCodeBench y MedQA, el marco ofrece una mejora de precisión promedio del 8,3 % sobre la mejor línea base bajo presupuestos de entrenamiento igualados. En las tareas de matemáticas de competencia AIME 2025, densas en lógica, mejora en un 18,1 %. En el benchmark de generación de código retenido MBPP+, gana un 13 %.

Las cifras de eficiencia son aún más marcadas en rondas de recursión más profundas. En la ronda 3, RecursiveMAS logra una aceleración de inferencia de extremo a extremo de hasta 2,4 veces sobre los sistemas multiagente recursivos basados en texto, mientras reduce el uso de tokens en un 75,6 %. Estas ventajas se acumulan a medida que la recursión se profundiza, porque la mayoría de las rondas ocurren completamente en el espacio latente. moonshot-ais-k27-code-is-faster-and-cheaper-but-open-source-coding-models-face-a-new-benchmark-gap

Generalización a través de patrones de colaboración

RecursiveMAS es independiente de la estructura. El equipo lo instanció bajo cuatro patrones de colaboración: secuencial (planificador-crítico-solucionador), mezcla (expertos de dominio con resumidor), destilación (experto-aprendiz) y deliberación (reflector y llamador de herramientas). En todos los patrones, el marco mejora sobre el agente independiente más fuerte: 6,2 % en estilo de mezcla, 4,8 % en estilo de deliberación y 8,0 % en estilo de destilación, donde eleva a un aprendiz más pequeño mientras preserva una ventaja de velocidad de 1,5 veces sobre un experto más grande.

Lo que esto significa para los sistemas multiagente

El trabajo apunta a un nuevo eje de escalado para sistemas multiagente. En lugar de agregar más agentes o modelos más grandes, la profundidad de recursión en el espacio latente produce ganancias significativas de rendimiento y eficiencia. Eso abre la puerta a una coordinación de agentes más flexible sin la sobrecarga de decodificar a texto en cada paso, potencialmente haciendo que arquitecturas multiagente complejas sean prácticas para implementaciones con recursos limitados. the-specialization-revolution-how-smaller-models-are-redefining-ais-future