Aquí está el Digest de Investigación Ritual de esta semana, un boletín que cubre lo último en el mundo de los LLM y la intersección de Crypto x AI. Con cientos de artículos publicados semanalmente, mantenerse al día con lo último es imposible. Hacemos la lectura para que tú no tengas que hacerlo.

DeepSeekMath-V2: Hacia un Razonamiento Matemático Auto-Verificable Este documento presenta DSMath-V2, un modelo entrenado en deepseek-3.2-exp para la demostración en lenguaje natural en matemáticas. La brecha entre generación y verificación es un gran obstáculo para la demostración informal.

Primero entrenan un verificador para el modelo utilizando anotaciones de expertos para evaluar tanto la corrección de las respuestas como el análisis. Este verificador se utiliza para entrenar el modelo final de demostrador, que tanto escribe pruebas como analiza su corrección. Logran la medalla de oro en la IMO 2025.

Hivemind Artificial: La Homogeneidad Abierta de los Modelos de Lenguaje (y Más Allá) El documento presenta INFINITY-CHAT, un conjunto de datos de 26K consultas del mundo real que aceptan múltiples respuestas. Usando esto, estudian el colapso de modo intra- y entre modelos en más de 70 LM.

Descubren un efecto de Hivemind Artificial con repetición intra-modelo, donde un modelo genera repetidamente salidas similares, y homogeneidad inter-modelo, donde diferentes modelos convergen en ideas similares con ligeros cambios de redacción. Esto plantea preguntas sobre la diversidad de los modelos.

Colaboración Latente en Sistemas Multi-Agente El trabajo presenta Latent MAS, un marco colaborativo de extremo a extremo que opera en un espacio latente continuo. El diseño integra tanto la generación de pensamientos latentes como la transferencia de memoria latente entre agentes.

LatentMAS se basa en la expresividad del razonamiento, la fidelidad de la comunicación y la complejidad de la colaboración. En configuraciones de MAS tanto secuenciales como jerárquicas, Qwen 3(4B, 8B y 14B), LatentMAS supera las líneas base de MAS basadas en texto, mejorando la precisión y reduciendo el uso de tokens de salida.

ToolOrchestra: Elevando la Inteligencia a través de la Orquestación Eficiente de Modelos y Herramientas Los autores proponen un paradigma de orquestación donde la inteligencia emerge de un sistema compuesto. Un modelo de orquestador invoca las herramientas adecuadas en el orden correcto para una tarea.

Usando ToolOrchestra, se entrena un modelo de 8B con RL para decidir cuándo y cómo invocar otros LMs y herramientas. Las recompensas equilibran la corrección, la eficiencia y la alineación con las preferencias del usuario. En HLE, Orchestrator supera a los métodos anteriores con un costo computacional mucho más bajo.

Síguenos en @ritualdigest para más información sobre todo lo relacionado con la investigación en cripto x IA, y @ritualnet para aprender más sobre lo que Ritual está construyendo.