El laboratorio británico Inherent acaba de demostrar que el tamaño del modelo no lo es todo cuando la tarea exige juicio científico. Su agente Faraday, un modelo de apenas 27 mil millones de parámetros basado en Qwen 3.6, supera a Claude Opus 4.8 y a GPT-5.5 —sistemas de frontera con billones de parámetros— en la replicación de figuras de papers de machine learning y ciencias aplicadas. La diferencia no está en la arquitectura, sino en cómo se entrenó: refuerzo de largo horizonte sobre un benchmark diseñado para medir rigor experimental, no solo acierto.
El experimento: replicar sin la respuesta
Inherent construyó Replica, un espacio de 310 tareas extraídas de 100 papers publicados entre 1990 y 2026. Cada tarea entrega al agente el PDF del paper con una figura redactada y le pide que la reconstruya, sin acceso al gráfico original, bajo límites de tiempo y cómputo (un séptimo de un H200). El agente dispone de Codex GPT-5.5 como herramienta de codificación, igual que un investigador humano usa un IDE.
La señal de recompensa no viene de tests unitarios ni métricas automáticas simples. Inherent diseñó un juez basado en rúbricas generadas por modelo (Claude Opus 4.7) y validadas contra evaluadores humanos expertos. Ese juez asigna crédito por turno, lo que permite el aprendizaje por refuerzo (GRPO modificado) en tareas de horizonte largo y sin verificación determinista. El resultado: Faraday gana en 73 % de tareas in-distribution y 60 % out-of-distribution, con mejora media de 6-8 % sobre los modelos frontera.
Criterio antes que escala
Edward Hughes, cofundador y chief scientist de Inherent, lo resume: "Lo interesante no fue ganarle a los agentes frontera, sino cómo lo logramos". Faraday no memoriza patrones; implementa el mecanismo detrás de la afirmación del paper, escala los experimentos manteniendo fidelidad al alcance original y evita atajos que inflarían su puntuación. En términos cualitativos, expertos humanos califican sus rollouts como más rigurosos que los de Claude o Codex cuando el juez automático detecta ventaja.
Esa filosofía se refleja en la arquitectura: Faraday dirige, no ejecuta. Usa Codex (estimado en 55 billones de parámetros) como herramienta, igual que un PI dirige a un programador. El modelo pequeño aporta la capa de juicio científico —qué experimentos valen la pena, cómo diseñarlos, cuándo dudar de un resultado—. Hughes lo llama "research taste": el instinto de qué vale la pena medir.
El contexto latinoamericano: cómputo escaso, juicio abundante
Para empresas e instituciones de investigación en América Latina, la lección es directa. No hace falta entrenar modelos frontera para obtener capacidades de nivel frontera en tareas científicas específicas. Un modelo de 27B parámetros cabe en una GPU de gama alta (o en instancias cloud accesibles) y, bien post-entrenado con refuerzo sobre tareas bien definidas, puede supervisar a modelos gigantes vía API.
El patrón "modelo pequeño + herramientas grandes" reduce drásticamente el costo de inferencia y la dependencia de proveedores únicos. Una universidad en São Paulo, un centro de I+D en Santiago o una agrotech en Buenos Aires pueden replicar este enfoque: definir su espacio de tareas (replicar ensayos de campo, validar modelos climáticos, reproducir análisis genómicos), construir jueces con rúbricas expertas y post-entrenar modelos abiertos. El paper de Inherent publica la receta completa: Replica, el juez, la variante de GRPO con crédito por turno.
Talento y barreras regulatorias
Hughes señala un obstáculo estructural en Reino Unido: el garden leave —cláusulas que impiden a investigadores unirse a competidores por meses tras renunciar—. "Investigadores en EE.UU. no enfrentan eso", dice. En LatAm, la fuga de talento hacia el norte y la rigidez laboral en contratos de I+D crean dinámicas similares. Startups locales que quieran replicar el modelo de Inherent (equipo pequeño, presencial, alta densidad de talento) necesitan marcos que permitan movilidad rápida de investigadores entre academia, corporaciones y ventures.
Hacia la descubrimiento, no solo verificación
Inherent no se detiene en replicación. Su tesis es que replicar es el curriculum para descubrimiento: ir quitando información del paper, cambiando restricciones de recursos, eventualmente probando papers imaginados. Faraday ya muestra generalización a papers recientes no vistos en pre-entrenamiento, lo que sugiere que el juicio científico transferible se está aprendiendo, no memorizando.
De fondo, la apuesta es rediseñar organizaciones de investigación alrededor de mejora recursiva entre agentes, datos, hardware, experimentos y colaboración humano-máquina. Para LatAm, donde la brecha de infraestructura es real pero el capital humano en ciencias duras es fuerte, el camino no es competir en escala de parámetros, sino en diseño de tareas y señales de recompensa que codifiquen el criterio experto local.
