Un equipo de investigadores presentó AutoSOTA, un sistema automatizado que toma papers de inteligencia artificial ya publicados en conferencias de primer nivel y, sin intervención humana, los reproduce y mejora hasta superar los resultados originales. El sistema logró generar 105 nuevos modelos que superan a los métodos reportados originalmente, con un promedio de cinco horas de trabajo por paper.
El desarrollo, publicado en abril de 2026 por investigadores de la Universidad Tsinghua y colaboradores, propone una arquitectura de ocho agentes especializados que se dividen tareas concretas: conectar el contenido de un paper con su código y dependencias, reparar entornos de ejecución cuando fallan, dar seguimiento a experimentos que pueden tomar horas o días, generar y programar nuevas ideas de optimización, y supervisar que las mejoras obtenidas sean válidas y no producto de atajos metodológicos.
Este último punto es central en el diseño del sistema. Uno de los agentes aplica lo que los autores llaman un sistema de «líneas rojas», pensado para detectar cuando una ganancia en las métricas es en realidad resultado de una fuga de datos de evaluación, una violación de protocolo experimental u otro tipo de atajo que simularía una mejora sin que esta sea real.
AutoSOTA es, hasta ahora, un preprint que no ha pasado por revisión por pares formal en una conferencia o journal. Su validación pública se limita a discusiones abiertas en plataformas como alphaXiv y a la disponibilidad de su código en GitHub, lo cual permite auditoría independiente pero no equivale a un dictamen académico. De hecho, el propio campo de la investigación en IA ha comenzado a desarrollar herramientas específicas para verificar este tipo de afirmaciones: sistemas como ARA (Agentic Reproducibility Assessment) y ReproRepo, publicados en las mismas semanas, buscan automatizar la auditoría de reproducibilidad de resultados generados por otros sistemas de IA. La existencia de este subcampo emergente sugiere que la comunidad reconoce que cifras como los «105 nuevos modelos de estado del arte» que reporta AutoSOTA requieren verificación externa antes de darse por establecidas.
De la teoría a la práctica
El proceso completo se organiza en tres etapas. Primero, el sistema prepara los recursos necesarios y define el objetivo de la optimización. Después, ejecuta y evalúa los experimentos. Finalmente, entra en una fase de reflexión e ideación, donde genera nuevas hipótesis de mejora y decide cuáles vale la pena probar.
Los casos de estudio evaluados abarcan modelos de lenguaje, procesamiento de lenguaje natural, visión computacional, series de tiempo y problemas de optimización. Según los autores, el sistema no se limita al ajuste rutinario de hiperparámetros, sino que en varios casos identificó innovaciones arquitectónicas, rediseños algorítmicos completos y mejoras a nivel de flujo de trabajo experimental.
Investigación como infraestructura
El equipo detrás de AutoSOTA plantea una lectura que va más allá del rendimiento técnico: sugieren que la automatización de investigación de extremo a extremo puede convertirse en una nueva forma de infraestructura científica, capaz de reducir la carga experimental repetitiva y liberar la atención humana para tareas de mayor nivel creativo.
El código del proyecto está disponible públicamente en GitHub, bajo el repositorio del Future Intelligence Lab (FIB Lab) de Tsinghua.
