Un estudio reciente publicado en arXiv investiga si los agentes de modelos de lenguaje de gran escala (LLM) requieren instrucciones externas para optimizarse a sí mismos. El trabajo analiza un paradigma autónomo donde los agentes construyen sus propios algoritmos de aprendizaje basados en recursos básicos, herramientas y objetivos generales, sin bucles externos impuestos ni acceso a datos del mundo real. Utilizando un entorno de juego como banco de pruebas, los investigadores observaron que los modelos suficientemente capaces desarrollan estrategias de mejora que se alinean con marcos cognitivos clásicos de aprendizaje autorregulado y constructos de la literatura de aprendizaje automático sobre currículos auto generados. Los experimentos demostraron que, al otorgar a un agente congelado un presupuesto de cómputo y herramientas para actualizar documentos de texto, el modelo logró mejorar su rendimiento en diferentes horizontes de juego, mecánicas y navegación en 3D. Este hallazgo sugiere que la capacidad de los modelos para generar sus propias estrategias de optimización es inherente a su arquitectura, reduciendo la necesidad de intervención humana constante en el proceso de mejora. El artículo contribuye al debate sobre la autonomía de los sistemas de IA avanzados y ofrece insights sobre cómo los agentes pueden gestionar su propio desarrollo cognitivo en entornos controlados.
