Tras tres años de investigación, el equipo liderado por figuras como Kunal Bhatia (CEO) ha lanzado esta tecnología bajo una licencia MIT, una decisión que contrasta con la tendencia de otras grandes empresas de mantener en secreto sus modelos más potentes por miedo a los riesgos de seguridad . Su apuesta es la contraria: abrir el código para que la comunidad científica global pueda probarlo, criticarlo y extenderlo de forma segura .

Arquitectura interna: Un agente que se desdobla para auto-mejorarse

La clave de SIA está en cómo divide el trabajo. En lugar de ser un único bloque de código, su arquitectura separa las funciones de ejecución y supervisión en dos entidades que dialogan entre sí :

• Agente-Tarea (Task-Agent): Es el modelo base que recibe la misión. Por ejemplo, clasificar un delito según el código penal chino u optimizar una función matemática para una tarjeta gráfica.
• Meta-Agente (Feedback-Agent): Es un agente más complejo, basado en un Gran Modelo de Lenguaje (LLM). Actúa como un entrenador que observa el rendimiento del Agente-Tarea. Tras analizar los resultados, toma dos posibles caminos de mejora :
  1. Actualización del ‘Arnés’ (Harness Update): Edita la capa de software que rodea al modelo. Esto incluye modificar el prompt del sistema, la lógica para decidir qué herramienta externa usar o la política de reintentos ante un fallo. Es como cambiar las instrucciones y las reglas del juego.
  2. Actualización de Pesos (Weight Update): Va un paso más allá y reentrena los parámetros internos del Agente-Tarea, alterando sus conexiones neuronales para que sea intrínsecamente más hábil en la tarea.

La gran innovación, según el artículo académico, es que combinar ambas palancas de mejora supera de forma consistente el enfoque de iterar solo sobre el ‘andamiaje’, que era lo habitual hasta ahora .

Resultados que sorprenden: Del código penal a los chips y las células

Para probar que SIA no es solo una teoría, el equipo lo sometió a tres pruebas de fuego en disciplinas totalmente distintas y obtuvo resultados que califican de históricos :

Estas cifras, detalladas en el documento de arXiv, implican que SIA no solo entiende tareas abstractas, sino que puede generar código de bajo nivel (kernels de GPU) mucho más rápido o procesar datos biológicos con una eficacia inédita . En el caso de LawBench, su puntuación de 0.701 dejó muy atrás la de otros sistemas como Claude Code, que obtuvo un 0.173 .

La polémica cifra de la superinteligencia

El anuncio público de la compañía en Business Wire incluye afirmaciones audaces, como que SIA “acelera el camino hacia la superinteligencia en 350 veces” según una prueba de referencia de OpenAI . Es importante señalar que esta métrica concreta de “350X” no está respaldada por las fuentes académicas citadas, que se centran en los tres dominios específicos ya mencionados .

¿En qué se diferencia SIA de otros agentes como Hermes de Nous Research?

Para entender el valor diferencial de SIA, es útil compararlo con otro proyecto puntero en el ámbito de los agentes auto-mejorables.

• Frente a los enfoques de ‘solo andamiaje’: Antes de SIA, lo más común era que un agente mejorase su forma de trabajar (su scaffold) pero sin tocar sus pesos neuronales. El artículo de SIA demuestra empíricamente que la magia está en hacer ambas cosas a la vez .
• Frente a Hermes Agent (Nous Research): Hermes es otro aclamado framework de código abierto que también persigue la auto-mejora, pero con una filosofía distinta. La documentación de Hermes lo presenta como un sistema que aprende creando “habilidades” reutilizables a partir de la experiencia del usuario. Si resuelve con éxito una tarea compleja, documenta ese proceso como una nueva habilidad y la guarda para futuras ocasiones, construyendo un modelo de conocimiento que se profundiza con el uso . Es un enfoque centrado en la memoria procedimental y la acumulación de experiencia dentro de un mismo dominio. SIA, en cambio, se describe como un bucle de actualización de pesos y ‘arnés’ para una tarea concreta, buscando la máxima optimización sin partir de una base previa de habilidades almacenadas, sino transformando su propia arquitectura para una tarea objetivo . Mientras Hermes se vuelve más eficiente recordando, SIA se vuelve más capaz reescribiéndose.

Hexo Labs defiende que SIA es “el primer agente que aprende de sí mismo en lugar de acciones humanas” .

La estrategia de apertura y el programa de becas

Detrás de SIA hay una clara estrategia de ecosistema. Hexo Labs no solo ha liberado el código, sino que ha lanzado un programa de becas y colabora ya con investigadores de universidades como Stanford . Su objetivo declarado es proporcionar capital, acceso a la infraestructura de SIA y colaboración directa para que equipos independientes puedan probar los límites de esta tecnología en problemas ambiciosos, creando un avance científico más seguro y descentralizado . En lugar de guardar el secreto, buscan que la comunidad científica internacional sea quien valide y oriente el desarrollo de agentes capaces de auto-mejorarse de forma recursiva.

Tras tres años de investigación, el equipo liderado por figuras como Kunal Bhatia (CEO) ha lanzado esta tecnología bajo una licencia MIT, una decisión que contrasta con la tendencia de otras grandes empresas de mantener en secreto sus modelos más potentes por miedo a los riesgos de seguridad . Su apuesta es la contraria: abrir el código para que la comunidad científica global pueda probarlo, criticarlo y extenderlo de forma segura .

Arquitectura interna: Un agente que se desdobla para auto-mejorarse

La clave de SIA está en cómo divide el trabajo. En lugar de ser un único bloque de código, su arquitectura separa las funciones de ejecución y supervisión en dos entidades que dialogan entre sí :

• Agente-Tarea (Task-Agent): Es el modelo base que recibe la misión. Por ejemplo, clasificar un delito según el código penal chino u optimizar una función matemática para una tarjeta gráfica.
• Meta-Agente (Feedback-Agent): Es un agente más complejo, basado en un Gran Modelo de Lenguaje (LLM). Actúa como un entrenador que observa el rendimiento del Agente-Tarea. Tras analizar los resultados, toma dos posibles caminos de mejora :
  1. Actualización del ‘Arnés’ (Harness Update): Edita la capa de software que rodea al modelo. Esto incluye modificar el prompt del sistema, la lógica para decidir qué herramienta externa usar o la política de reintentos ante un fallo. Es como cambiar las instrucciones y las reglas del juego.
  2. Actualización de Pesos (Weight Update): Va un paso más allá y reentrena los parámetros internos del Agente-Tarea, alterando sus conexiones neuronales para que sea intrínsecamente más hábil en la tarea.

La gran innovación, según el artículo académico, es que combinar ambas palancas de mejora supera de forma consistente el enfoque de iterar solo sobre el ‘andamiaje’, que era lo habitual hasta ahora .

Resultados que sorprenden: Del código penal a los chips y las células

Para probar que SIA no es solo una teoría, el equipo lo sometió a tres pruebas de fuego en disciplinas totalmente distintas y obtuvo resultados que califican de históricos :

Estas cifras, detalladas en el documento de arXiv, implican que SIA no solo entiende tareas abstractas, sino que puede generar código de bajo nivel (kernels de GPU) mucho más rápido o procesar datos biológicos con una eficacia inédita . En el caso de LawBench, su puntuación de 0.701 dejó muy atrás la de otros sistemas como Claude Code, que obtuvo un 0.173 .

La polémica cifra de la superinteligencia

El anuncio público de la compañía en Business Wire incluye afirmaciones audaces, como que SIA “acelera el camino hacia la superinteligencia en 350 veces” según una prueba de referencia de OpenAI . Es importante señalar que esta métrica concreta de “350X” no está respaldada por las fuentes académicas citadas, que se centran en los tres dominios específicos ya mencionados .

¿En qué se diferencia SIA de otros agentes como Hermes de Nous Research?

Para entender el valor diferencial de SIA, es útil compararlo con otro proyecto puntero en el ámbito de los agentes auto-mejorables.

• Frente a los enfoques de ‘solo andamiaje’: Antes de SIA, lo más común era que un agente mejorase su forma de trabajar (su scaffold) pero sin tocar sus pesos neuronales. El artículo de SIA demuestra empíricamente que la magia está en hacer ambas cosas a la vez .
• Frente a Hermes Agent (Nous Research): Hermes es otro aclamado framework de código abierto que también persigue la auto-mejora, pero con una filosofía distinta. La documentación de Hermes lo presenta como un sistema que aprende creando “habilidades” reutilizables a partir de la experiencia del usuario. Si resuelve con éxito una tarea compleja, documenta ese proceso como una nueva habilidad y la guarda para futuras ocasiones, construyendo un modelo de conocimiento que se profundiza con el uso . Es un enfoque centrado en la memoria procedimental y la acumulación de experiencia dentro de un mismo dominio. SIA, en cambio, se describe como un bucle de actualización de pesos y ‘arnés’ para una tarea concreta, buscando la máxima optimización sin partir de una base previa de habilidades almacenadas, sino transformando su propia arquitectura para una tarea objetivo . Mientras Hermes se vuelve más eficiente recordando, SIA se vuelve más capaz reescribiéndose.

Hexo Labs defiende que SIA es “el primer agente que aprende de sí mismo en lugar de acciones humanas” .

La estrategia de apertura y el programa de becas

Detrás de SIA hay una clara estrategia de ecosistema. Hexo Labs no solo ha liberado el código, sino que ha lanzado un programa de becas y colabora ya con investigadores de universidades como Stanford . Su objetivo declarado es proporcionar capital, acceso a la infraestructura de SIA y colaboración directa para que equipos independientes puedan probar los límites de esta tecnología en problemas ambiciosos, creando un avance científico más seguro y descentralizado . En lugar de guardar el secreto, buscan que la comunidad científica internacional sea quien valide y oriente el desarrollo de agentes capaces de auto-mejorarse de forma recursiva.