# La orquestación basada en competencias ajusta la comunicación de equipos de agentes

> El marco adapta los roles y la comunicación de los agentes a las capacidades requeridas por la tarea.

- URL canónica: https://newsverum.com/es/news/competence-aware-orchestration-adjusts-llm-agent-teams
- Publicación: Newsverum
- Sección: Tecnología
- País: RAE de Hong Kong (China)
- Publicado: 2026-10-13T00:51:40+00:00
- Actualizado: 2026-10-13T00:51:40+00:00
- Período del evento / de los datos: 2026-10-09
- Otras ediciones: [Türkçe](https://newsverum.com/tr/news/competence-aware-orchestration-adjusts-llm-agent-teams.md), [English](https://newsverum.com/en/news/competence-aware-orchestration-adjusts-llm-agent-teams.md), [العربية](https://newsverum.com/ar/news/competence-aware-orchestration-adjusts-llm-agent-teams.md), [Français](https://newsverum.com/fr/news/competence-aware-orchestration-adjusts-llm-agent-teams.md), [Deutsch](https://newsverum.com/de/news/competence-aware-orchestration-adjusts-llm-agent-teams.md), [Português](https://newsverum.com/pt/news/competence-aware-orchestration-adjusts-llm-agent-teams.md)

Investigadores de The Hong Kong Polytechnic University presentaron un marco de coordinación de agentes basado en competencias. Compara el contexto de la tarea con el perfil de capacidades de cada modelo y ajusta la asignación de roles y el grafo de comunicación para evitar una organización multiagente fija para todas las tareas.

En los benchmarks, los autores informan de una reducción del 36,26 % en el uso de tokens y el mantenimiento de las puntuaciones medias en ciertas configuraciones de modelos potentes. El resultado corresponde a evaluaciones basadas en GPT-4o y tareas de benchmark definidas; el artículo no demuestra que los perfiles de capacidad puedan inferirse con igual precisión en otros modelos o flujos reales.

## Datos

### Resultado del estudio

Seis benchmarks; experimentos basados en GPT-4o; uso medio de tokens en ciertas configuraciones

Metodología: El valor se limita al experimento de benchmark descrito en el artículo; no es un resultado de campo ni una garantía general.

| Medida | Porcentaje | Alcance |
|---|---|---|
| Reducción del uso de tokens en ciertas configuraciones de modelos potentes | 36.26 | Seis benchmarks; experimentos basados en GPT-4o; uso medio de tokens en ciertas configuraciones |

Fuentes: <https://arxiv.org/html/2610.13144v1> · Descargar datos: [JSON](https://newsverum.com/api/v1/articles/competence-aware-orchestration-adjusts-llm-agent-teams/data/reported-result-1?lang=es&format=json) · [CSV](https://newsverum.com/api/v1/articles/competence-aware-orchestration-adjusts-llm-agent-teams/data/reported-result-1?lang=es&format=csv)

## Fuentes

- [arXiv preprint by Hong Kong Polytechnic University researchers](<https://arxiv.org/html/2610.13144v1>) (Fuente comprobada: 2026-10-13; Publicado: 2026-10-09)

---

Cite la URL canónica indicada arriba. [Principios editoriales y correcciones](https://newsverum.com/es/editorial)