RSI-Anything: predecir antes de probar, el ciclo de IA que mejora en cada ronda

El depósito RSI-Anything de la organización Gen-Verse en GitHub se abrió el 8 de octubre de 2026, llegando a 122 estrellas y 10 bifurcaciones en cuatro días. Este trabajo con licencia Apache-2.0 une la investigación de inteligencia artificial que se mejora sola con un modelo que predice el mundo. El tema: un agente que decide por adelantado cuál de sus caminos propuestos va a probar de verdad en cada ronda.

La idea en palabras llanas es esta: no pruebes todo lo que se te ocurra; predice primero, prueba lo más prometedor, mira el resultado y vuélvete más listo en la ronda siguiente. Como golpear cuatro melones para oír cuál está maduro en vez de abrir los cuatro. Probar de verdad cuesta caro, adivinar cuesta poco. Un agente así decide con más puntería en cada ronda con el mismo presupuesto.

Proponer, predecir, probar, garder: un ciclo de seis pasos

El ciclo tiene seis pasos: una política o flujo de trabajo propone candidatos, un modelo del mundo predice cada resultado, el candidato con más puntos entra en prueba real, predicción y resultado observado se anotan lado a lado, el retorno mejora la política o el modelo, y un control de retención decide qué versión se queda. Política y modelo pueden actualizarse en ritmos separados; la política puede avanzar mientras un modelo fiable se queda quieto, y al revés. El dúo de política y modelo que se guarda da forma a los candidatos de la ronda siguiente y a sus datos de aprendizaje, así la mejora nunca se queda en una sola ronda sino que se acumula.

En la base está JEPA-Anything: el equipo liderado por PhAI Labs construyó la técnica Orthogonal Predictive Factorization, que parte un objetivo oculto en factores complementarios y predice cada factor por su propia rama. Un análisis de MarkTechPost señala que este diseño corrige el problema de señales fuertes que aplastan a las débiles en la predicción de una pieza; el equipo probó el método como modelo del mundo en siete áreas que incluyen visión, biología, trayectorias clínicas, control, dinámica molecular, campos físicos y clima, superando la base JEPA simple en las diez tareas dinámicas. Una síntesis de AIWeekly cuenta que una intervención biológica sugerida por un factor aprendido se confirmó en experimentos con células y ratones.

La reparación de programas funciona así: el modelo productor 7B llamado ReasonFlux-Coder-7B se queda fijo y propone cuatro parches por ronda, mientras el modelo del mundo 3B llamado W1 devuelve probabilidades en cinco clases para cada dúo de parche y prueba. Solo el parche con más puntos pasa las pruebas de verdad, por tres rondas como máximo. 200 tareas CodeContests con tres semillas hacen 600 evaluaciones; el éxito en pruebas ocultas sube de 26,3 por ciento con un verificador estático a 29,2 con un montaje de modelo fijo y 31,2 con adaptación del modelo. Las llamadas de prueba se quedan en 3,7 por tarea. CodeContests es el conjunto de datos que el equipo DeepMind abrió para la generación de programas de nivel concurso; el informe técnico en arXiv subraya que la comparación usaba el mismo productor y el mismo presupuesto de candidatos.

Para la generalización, el mismo modelo del mundo repitió el ciclo en dos colecciones grandes: el éxito en pruebas completas llega a 46,37 por ciento en la medida APPS Introductory de 1000 tareas y 33,05 en la medida LiveCodeBench v6 de 1055 tareas. El programa inicial se mantuvo idéntico para cada tarea y semilla, las pruebas públicas guiaron el trabajo y todo el paquete oficial tuvo que pasar al final. La elección al azar y el verificador estático quedaron detrás en ambos lotes.

De las pantallas a los laboratorios: un ciclo, cuatro mundos separados

En trabajo de pantalla, un agente intentó la tarea de casillas del paquete MiniWoB++ en los mismos 100 casos a lo largo de tres versiones: el éxito trepó de 51 a 79 y luego 99 por ciento, las acciones medias por episodio bajaron de 5,30 a 3,21 y los clics repetidos sin sentido cayeron de 237 a cero. En cada paso, un modelo del mundo puntúa qué clic va a funcionar antes de que ocurra. La versión del medio actuaba menos pero enviaba mal 21 veces; la versión final actuaba un poco más y bajaba la falta a 1. En trabajo de escritorio, la medida OSWorld muestra una ganancia relativa de 18,4 por ciento sobre el agente inicial y de 5,5 sobre el montaje RLAnything. El depósito público OSWorld en GitHub mide tales agentes con 369 tareas reales de ordenador.

En planificación de laboratorio, la medida LabHorizon F200 siguió cinco versiones seguidas del mismo modelo de política 4B: la nota final subió de 21,80 a 46,01 por ciento, pasando el montaje gigante de referencia en 45,32. Un modelo del mundo filtra las secuencias candidatas antes de la ejecución. En química, en pantallas Suzuki-Miyaura, el mejor rendimiento observado subió de 87,5 a 93,0 por ciento en la pantalla GC de 20 ensayos y de 82,16 a 96,15 en la pantalla LC-MS en flujo de 40 ensayos, con el número de ensayos sin cambio.

El estudio inmune construyó una línea de punta a punta: primero evolucionaron los flujos de agentes, luego se construyó un modelo del mundo que lleva el contexto de célula, tejido e individuo, y un agente de análisis con modelo fijo llevó predicción, autocorrección y orden de hipótesis. La salida es una hipótesis candidata que sugiere el bloqueo SIRPα junto con el ajuste del eje IL-36γ; la prueba en laboratorio húmedo aún no ocurre. El informe técnico, el depósito GitHub y los modelos en HuggingFace son todos públicos. Las notas de reproducción también son concretas: Linux con Python 3.10, instalación en un comando, entrenamiento en cuatro etapas con los comandos rsi plan y rsi run; el archivo de evaluación pesa 64 MB y el añadido de entrenamiento 236 MB.

Los límites honestos también están escritos en el informe: la nota de laboratorio es éxito de planificación, no ejecución en banco; el resultado de química se limita a dos pantallas Suzuki de 20 y 40 ensayos; la hipótesis inmune espera su prueba. Un modelo del mundo aprende a predecir con más puntería en cada ronda. La imagen queda clara: cuando el retorno externo cuesta caro, predice primero, prueba poco, enseña el resultado al decisor y al predictor, y nunca guardes un dúo que no encaja. Todo equipo cuya factura de pruebas crece aprende la misma lección.