El texto aborda el desafío de la latencia en aplicaciones multiagente, utilizando SamiWISE, un tutor de GMAT, como ejemplo. Destaca la necesidad de un enrutamiento "invisible" entre agentes especializados para garantizar una experiencia de usuario fluida y sin demoras perceptibles.
Este artículo de investigación identifica dos leyes de escala acopladas en sistemas de agentes LLM: una ley de enrutamiento que muestra la disminución de la precisión con el tamaño de la biblioteca y una ley de ejecución que demuestra cómo la ejecución correcta mejora las decisiones posteriores. Un parámetro clave, la pendiente de decaimiento logarítmico del enrutamiento, vincula estas leyes, influyendo tanto en el colapso inicial como en la recuperabilidad posterior.
Este artículo introduce BOHM, un método novedoso para la atribución jerárquica de costo cero en sistemas de IA compuestos. A diferencia de los métodos tradicionales basados en Shapley, BOHM extrae la atribución directamente de los pesos de enrutamiento, eliminando la necesidad de acceso interno a los componentes y proporcionando información multi-resolución.
Un experimento exploró el enrutamiento de consultas de IA a diferentes LLMs (DeepSeek-V4 Pro, Kimi 2.6, MiniMax 2.7, Qwen3 235B) según la tarea. Se descubrió que ningún modelo único sobresalía en todas las tareas, y las reglas YAML simples resultaron efectivas, mientras que el enrutamiento complejo y la predicción de costos fallaron.