# Investigadores alternan sesiones de agentes en tareas de aprendizaje automático > Humanize MLE Agents alterna dos agentes, reinicia el contexto de cada sesión y conserva un espacio de trabajo compartido. - URL canónica: https://newsverum.com/es/news/multi-agent-session-alternation-tests-machine-learning-engineering - Publicación: Newsverum - Sección: Tecnología - País: China - Publicado: 2026-10-13T00:51:41+00:00 - Actualizado: 2026-10-13T00:51:41+00:00 - Período del evento / de los datos: 2026-10-09 - Otras ediciones: [Türkçe](https://newsverum.com/tr/news/multi-agent-session-alternation-tests-machine-learning-engineering.md), [English](https://newsverum.com/en/news/multi-agent-session-alternation-tests-machine-learning-engineering.md), [العربية](https://newsverum.com/ar/news/multi-agent-session-alternation-tests-machine-learning-engineering.md), [Français](https://newsverum.com/fr/news/multi-agent-session-alternation-tests-machine-learning-engineering.md), [Deutsch](https://newsverum.com/de/news/multi-agent-session-alternation-tests-machine-learning-engineering.md), [Português](https://newsverum.com/pt/news/multi-agent-session-alternation-tests-machine-learning-engineering.md) Investigadores vinculados a Tsinghua, Zhejiang y NVIDIA presentaron Humanize MLE Agents, un método que alterna las sesiones de dos agentes en tareas largas de ingeniería de aprendizaje automático. Cada sesión se detiene tras un número limitado de experimentos; el contexto se reinicia entre sesiones, mientras el código, los modelos y los resultados anteriores permanecen en un espacio de trabajo común. En 75 tareas de Kaggle de MLE-bench, los autores informan de una tasa del 78,2 % de obtención de alguna medalla y afirman que el flujo superó la mejor referencia de código abierto con menor presupuesto de tiempo. Es un resultado de ese conjunto de concursos y esas configuraciones de agentes; no garantiza la misma mejora en otras versiones de modelos ni en proyectos reales. ## Datos ### Medida 75 tareas de Kaggle; evaluación MLE-bench Metodología: Las cifras proceden de los experimentos de benchmark descritos en el artículo; no son mediciones de campo ni una garantía general de rendimiento. | Medida | Valor comunicado | Alcance experimental | |---|---|---| | Tasa de obtención de alguna medalla en tareas Kaggle de MLE-bench | 78.2 | 75 tareas de Kaggle; evaluación MLE-bench | Fuentes: · Descargar datos: [JSON](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/reported-result-1?lang=es&format=json) · [CSV](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/reported-result-1?lang=es&format=csv) ### Medida Conjunto de tareas Kaggle informado en la evaluación MLE-bench Metodología: Las cifras proceden de los experimentos de benchmark descritos en el artículo; no son mediciones de campo ni una garantía general de rendimiento. | Medida | Valor comunicado | Alcance experimental | |---|---|---| | Número de tareas Kaggle de MLE-bench | 75 | Conjunto de tareas Kaggle informado en la evaluación MLE-bench | Fuentes: · Descargar datos: [JSON](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/result-75?lang=es&format=json) · [CSV](https://newsverum.com/api/v1/articles/multi-agent-session-alternation-tests-machine-learning-engineering/data/result-75?lang=es&format=csv) ## Fuentes - [arXiv preprint by Tsinghua University, Zhejiang University and collaborating researchers]() (Fuente comprobada: 2026-10-13; Publicado: 2026-10-09) --- Cite la URL canónica indicada arriba. [Principios editoriales y correcciones](https://newsverum.com/es/editorial)