Blog
Notas de ingeniería sobre navegación, ingesta, memoria de agentes y benchmarking honesto, escritas por quienes corrieron los experimentos.
Corpus, conjuntos de preguntas y harness versionados, y cada tabla se regenera con un comando. Cuando el titular es 0/11 contra 11/11 para el mismo modelo, la única respuesta honesta a la sospecha es volver a correrlo.
4 min de lectura
El aprendizaje de senderos falló su criterio de convergencia: los saltos cayeron cerca de la mitad del umbral. El post-mortem: por qué una entrada afilada y una curaduría disciplinada dejaron casi nada que comprimir.
4 min de lectura
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
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
El paper trae la arquitectura completa, las tablas del benchmark y los hallazgos que no cumplieron sus criterios.