Blog
Notas de ingeniería sobre navegación, ingesta, memoria de agentes y benchmarking honesto, escritas por quienes corrieron los experimentos.
Once preguntas, cada una exigiendo al menos tres saltos encadenados. El mismo modelo 12B anota 0/11 como lector de RAG top-k y 11/11 como navegador de bosque. Así se construyó el benchmark y así se vuelve a correr.
4 min de lectura
Una pregunta, tres documentos, trazada dos veces: mira a la recuperación top-k estancarse en una pregunta de tres saltos y luego mira al mismo corpus responderla cuando un agente lo camina nodo por nodo.
5 min de lectura
Tres movimientos, una cacería trazada en el corpus de una empresa pequeña y por qué el mismo modelo 12B pasa de 0/11 a 11/11 cuando recorre un bosque en vez de leer chunks top-k pegados al contexto.
5 min de lectura
El criterio de convergencia del trail learning no se cumplió, y está en el reporte de todos modos. Un benchmark imposible de reprobar no es un benchmark.
3 min de lectura
Los loops de RAG iterativo esconden su costo en el denominador equivocado. Medido por respuesta correcta: 0.58x los tokens y 8.4 s p95 frente a 17.5 s, con el mismo modelo 12B.
3 min de lectura
El paper trae la arquitectura completa, las tablas del benchmark y los hallazgos que no cumplieron sus criterios.