Nous Research lanzó Hermes Mixture of Agents 2.0 el domingo, 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 benchmarks estándar.
Según un informe, MoA 2.0 es una actualización del framework Hermes Agent existente de Nous Research y preserva su estructura de código abierto.
Cómo funciona el sistema
Hermes MoA 2.0 funciona como una capa de conjunto. Consulta varios modelos base en paralelo, recopila sus salidas y sintetiza una respuesta final. El enfoque, conocido como Mixture of Agents, trata a modelos de IA distintos como colaboradores especialistas en lugar de exigir que un solo modelo maneje cada tarea por sí mismo.
Los usuarios pueden configurar qué modelos participan en un conjunto concreto. La configuración predeterminada recurre a GPT, Claude y DeepSeek, tres modelos que representan distintas filosofías de entrenamiento y composiciones de datos. Al combinar sus salidas, MoA 2.0 captura fortalezas complementarias.
Los resultados de benchmarks 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 ventaja es significativa en pruebas de razonamiento de largo horizonte, donde los modelos individuales a menudo pierden coherencia.
El framework sigue siendo de código abierto, lo que significa que investigadores y desarrolladores pueden inspeccionar la arquitectura, sustituir modelos base y adaptar el conjunto a casos de uso específicos.
Laboratorios de pesos abiertos se adentran en la orquestación de agentes
Nous Research se ha ganado una reputación por lanzamientos de modelos de pesos abiertos dirigidos a la comunidad investigadora. El framework Hermes Agent original estableció una referencia para la orquestación multimodelo a principios de 2026.
El contexto más amplio es un ciclo de desarrollo de IA de pesos abiertos que se acelera. 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 apuntan a dominios de capacidad específicos donde los modelos cerrados tienen ventajas reputacionales.
También lee: Expertos dicen que la participación del 5 % de OpenAI empujaría la IA más profundamente hacia el control estatal
Junyang Lin, exlíder técnico de Qwen, 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 una vía 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 en agentes corre el riesgo de repetir errores de ciclos de investigación anteriores de OpenAI. El enfoque de Nous Research intenta un camino intermedio, usando modelos fundacionales potentes como entradas mientras añade una capa de orquestación encima.
También lee: OpenAI mira a 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 de frontera más recientes. Claude Sonnet 5 y variantes actualizadas de GPT lanzadas a mediados de 2026 pueden alterar el panorama de benchmarks. 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 los benchmarks de modelos cerrados al combinarlos reduce la barrera para que equipos de investigación accedan a capacidades de razonamiento de primer nivel sin pagar los costes de API de modelos de frontera por cada llamada de inferencia.
Para la industria de la IA, MoA 2.0 refuerza el argumento de que la diversidad de modelos, en lugar de un modelo dominante único, puede definir la próxima fase de despliegue de la IA. Habrá que estar atentos a las respuestas de OpenAI y Anthropic sobre enfoques basados en conjuntos en los próximos meses.
Lee a continuación: La política de Anthropic sobre Trump de doble cara que la Casa Blanca no explica