Nous Research presentó el domingo Hermes Mixture of Agents 2.0, una actualización de su arquitectura de agentes que combina las respuestas de varios modelos de lenguaje de gran tamaño —entre ellos GPT, Claude y DeepSeek— para generar resultados que superan a cada modelo individual en los principales benchmarks.
Según un informe, MoA 2.0 es una evolución del marco Hermes Agent de Nous Research y mantiene su condición de plataforma de código abierto.
Cómo funciona el sistema
Hermes MoA 2.0 actúa como una capa de ensamblaje. Lanza consultas en paralelo a varios modelos base, recopila sus salidas y sintetiza una respuesta final. Este enfoque, conocido como “Mixture of Agents”, trata a cada modelo de IA como un especialista que aporta su visión, en lugar de exigirle a un solo modelo que resuelva todas las tareas por sí mismo.
Los usuarios pueden configurar qué modelos intervienen en cada conjunto. La configuración por defecto recurre a GPT, Claude y DeepSeek, tres sistemas que representan filosofías de entrenamiento y composiciones de datos distintas. Al combinar sus resultados, MoA 2.0 captura fortalezas complementarias.
Los resultados de benchmark publicados con el lanzamiento muestran que MoA 2.0 supera individualmente a cada uno de sus modelos componentes en tareas de razonamiento, programación y seguimiento de instrucciones. La ventaja es especialmente relevante en pruebas de razonamiento de largo recorrido, donde los modelos aislados suelen perder coherencia.
El marco sigue siendo de código abierto, lo que permite a investigadores y desarrolladores auditar la arquitectura, intercambiar modelos base y adaptar el ensamblaje a casos de uso específicos.
También puede leer: Anthropic supera a OpenAI con una valoración de 965.000 millones de dólares en plena carrera de financiación de la IA
Laboratorios de pesos abiertos avanzan hacia la orquestación de agentes
Nous Research se ha ganado una reputación por sus lanzamientos de modelos de pesos abiertos dirigidos a la comunidad investigadora. El framework original Hermes Agent estableció a comienzos de 2026 una referencia temprana para la orquestación multmodelo.
El contexto es un ciclo cada vez más rápido de desarrollo de IA de pesos abiertos. Z.ai publicó GLM-5.2 a principios de julio de 2026, posicionándolo como un modelo de pesos abiertos especializado en programación para tareas de ingeniería de largo plazo. El lanzamiento encaja en la estrategia de los laboratorios de pesos abiertos de cubrir nichos de capacidad específicos donde los modelos cerrados mantienen ventaja reputacional.
También puede leer: Expertos advierten que la participación del 5% en OpenAI profundizaría el control estatal sobre la IA
Junyang Lin, antiguo responsable técnico de Qwen, defendió públicamente a finales de junio de 2026 que los sistemas “agénticos” son el siguiente paso lógico en la evolución de la IA. Su postura encaja con la filosofía de diseño de MoA 2.0, que entiende las combinaciones de agentes y modelos como una vía de mejora de capacidades difícil de replicar mediante simples aumentos de entrenamiento de un único modelo.
El lanzamiento de Hermes MoA coincide además con un intenso debate en la comunidad de investigación sobre el papel adecuado de los modelos fundacionales frente a las capas de agentes.
Andrej Karpathy advirtió a principios de esta semana de que priorizar en exceso el enfoque centrado en agentes podría repetir errores de ciclos previos de investigación en OpenAI. La propuesta de Nous Research busca un término medio: emplea modelos fundacionales potentes como insumos, pero añade una capa de orquestación por encima de ellos.
También puede leer: OpenAI apunta a una OPV de 1 billón de dólares mientras Microsoft conserva el mayor premio
Claves a seguir
Hermes MoA 2.0 aún no se ha medido frente a los modelos fronterizos más recientes. Claude Sonnet 5 y las variantes actualizadas de GPT lanzadas a mediados de 2026 podrían cambiar el mapa de benchmarks. Nous Research no ha publicado por ahora un artículo académico formal que acompañe al lanzamiento.
Para los desarrolladores, el impacto práctico es nítido. Una herramienta abierta que demuestra mejorar los resultados de modelos cerrados combinando sus salidas reduce la barrera de entrada para equipos de investigación que buscan capacidades de razonamiento de primer nivel sin asumir el coste de API de modelos punteros en cada inferencia.
Para la industria de la IA, MoA 2.0 refuerza la tesis de que la diversidad de modelos —y no un único modelo hegemónico— podría definir la próxima fase de despliegue de la tecnología. Habrá que vigilar la respuesta de OpenAI y Anthropic ante los enfoques basados en ensamblajes en los próximos meses.
Lea a continuación: La política ambigua de Trump sobre Anthropic que la Casa Blanca se resiste a explicar