Nous Research lanzó el domingo Hermes Mixture of Agents 2.0, que combina las salidas de múltiples modelos de lenguaje grandes, incluidos GPT, Claude y DeepSeek, para producir respuestas que superan a cualquier modelo individual en pruebas estándar.
Según un informe, MoA 2.0 es una actualización del marco Hermes Agent existente de Nous Research y conserva su estructura de código abierto.
Cómo funciona el sistema
Hermes MoA 2.0 funciona como una capa de conjunto (ensemble). Consulta varios modelos base en paralelo, recopila sus salidas y sintetiza una respuesta final. El enfoque, conocido como Mixture of Agents, trata a los distintos modelos de IA como colaboradores especialistas en lugar de exigir que un único modelo gestione todas las tareas por sí solo.
Los usuarios pueden configurar qué modelos participan en un conjunto dado. La configuración predeterminada se basa en GPT, Claude y DeepSeek, tres modelos que representan diferentes filosofías de entrenamiento y composiciones de datos. Al agrupar sus salidas, MoA 2.0 capta fortalezas complementarias.
Los resultados de las pruebas de referencia compartidos con el lanzamiento muestran que MoA 2.0 supera a cada modelo componente de forma individual en tareas de razonamiento, programación y seguimiento de instrucciones. La diferencia es significativa en las pruebas de razonamiento de largo horizonte, donde los modelos individuales a menudo pierden coherencia.
El marco sigue siendo de código abierto, lo que significa que los investigadores y desarrolladores pueden inspeccionar la arquitectura, sustituir modelos base y adaptar el conjunto para casos de uso específicos.
Laboratorios de pesos abiertos avanzan en la orquestación de agentes
Nous Research se ha labrado una reputación por lanzamientos de modelos con pesos abiertos dirigidos a la comunidad investigadora. El marco original Hermes Agent estableció una base para la orquestación multimodelo a principios de 2026.
El contexto más amplio es un ciclo acelerado de desarrollo de IA de pesos abiertos. Z.ai publicó GLM-5.2 a principios de julio de 2026, presentándolo como un modelo de codificación de pesos abiertos para tareas de ingeniería de largo horizonte. El lanzamiento sigue un patrón de laboratorios de pesos abiertos que se enfocan en dominios de capacidad específicos donde los modelos cerrados tienen ventajas de reputación.
También lee: Expertos dicen que la participación del 5% de OpenAI empujaría la IA más profundamente hacia el control estatal
El exlíder técnico de Qwen, Junyang Lin, argumentó públicamente a finales de junio de 2026 que los sistemas agénticos representan el siguiente paso correcto para el desarrollo de la IA. Ese argumento se alinea con la filosofía de diseño detrás de MoA 2.0, que trata a los agentes y las combinaciones de modelos como un camino hacia ganancias de capacidad que ejecuciones de entrenamiento individuales no pueden replicar fácilmente.
El lanzamiento de Hermes MoA también llega en medio de un debate activo en la comunidad de investigación en IA sobre el papel adecuado de los modelos fundacionales frente a las capas de agentes.
Andrej Karpathy advirtió a principios de esta semana que el desarrollo centrado primero en agentes corre el riesgo de repetir errores de ciclos de investigación anteriores de OpenAI. El enfoque de Nous Research intenta un camino intermedio, utilizando modelos fundacionales sólidos como entradas mientras añade una capa de orquestación por encima.
También lee: OpenAI busca una OPV de 1 billón de dólares mientras Microsoft mantiene el premio mayor
Qué observar
Hermes MoA 2.0 aún no se ha probado frente a los modelos punteros más recientes lanzados. Claude Sonnet 5 y las variantes actualizadas de GPT lanzadas a mediados de 2026 pueden alterar el panorama de las pruebas de referencia. Nous Research no ha publicado un artículo académico formal junto con el lanzamiento.
El significado práctico para los desarrolladores es claro. Una herramienta de código abierto que mejora de forma demostrable las pruebas de modelos cerrados al combinarlos reduce la barrera para que equipos de investigación accedan a capacidades de razonamiento de primer nivel sin pagar los costos de API de modelos punteros por cada llamada de inferencia.
Para la industria de la IA, MoA 2.0 añade peso al argumento de que la diversidad de modelos, en lugar de un único modelo dominante, puede definir la siguiente fase del despliegue de la IA. Habrá que observar las respuestas de OpenAI y Anthropic a los enfoques basados en conjuntos en los próximos meses.
Lee a continuación: La política de Anthropic sobre Trump con doble cara que la Casa Blanca no quiere explicar