Agents-A1: un modelo de 35B pensado para el trabajo de agentes a largo plazo

Ha llegado a Hugging Face un nuevo fine-tune de 35B de InternScience llamado Agents-A1. Está construido sobre la base Qwen3.5-35B, y los primeros informes dicen que su uso de herramientas es claramente más fino que el del modelo base. El seguimiento de instrucciones se describe como muy preciso, en algunas comparaciones incluso por delante de Ornith 35B. También acepta imágenes, y la Multi-Token Prediction (MTP) funciona tanto con las versiones cuantizadas NVFP4 como con las Q4. El artículo que lo acompaña explica por qué se comporta así, y esa explicación importa a cualquiera que ejecute agentes en local.

Escalar el horizonte en lugar del número de parámetros

Durante un tiempo el sector ha perseguido el tamaño. Kimi-K2.6 llegó a 1 billón de parámetros y DeepSeek-V4-Pro lo siguió. La hipótesis de trabajo era que más parámetros significan un modelo más inteligente.

Agents-A1 va por otro camino. En lugar de crecer hasta el billón de parámetros, amplía lo que el artículo llama horizonte del agente: hasta dónde puede llevar un modelo un flujo de trabajo complejo desde el primer paso hasta el último sin perder el hilo.

Una tarea de verificación muestra la idea. Dele a un agente que funcione con este modelo una tabla de resultados de benchmarks de GPU y pídale que revise las cifras. Un modelo de horizonte largo busca cada cifra, cruza fuentes, señala incoherencias e incluso puede corregir un valor copiado de una página en caché desactualizada. No hacen falta instrucciones paso a paso, porque el modelo considera la tarea inacabada hasta confirmar cada número.

Horizonte corto frente a horizonte largo, lado a lado

Las tablas de benchmarks ocultan lo distintos que se sienten estos dos estilos en el uso, así que ayuda un caso concreto. El ejemplo de abajo ilustra el patrón; no es un resultado medido.

Tome esta petición: investigar los precios actuales de GPU, comparar la RTX 5090 con la R9700 en tres tiendas, comprobar la disponibilidad y decir cuál ofrece mejor relación calidad-precio para inferencia de IA en local.

Un LLM convencional de horizonte corto suele comportarse así:

- Generates a generic comparison table from training data
- Lists typical specs and MSRP prices
- Done in ~800 tokens

La respuesta es ordenada y más o menos correcta, pero sale de la memoria. La investigación que se pidió nunca se llegó a hacer.

Un modelo agéntico de horizonte largo trabaja de otra manera:

Step 1: [Reasoning] "Need to check current GPU pricing across multiple retailers"
        → Action: Search Amazon for RTX 5090 listings

Step 2: [Observation] Found RTX 5090 at $4,500-$5,000 range, limited stock

Step 3: [Reasoning] "Now check AMD R9700 pricing and availability"
        → Action: Search Newegg for R9700 Creator listings

Step 4: [Observation] R9700 at $1,340 with better local AI benchmarks per GB

Step 5: [Reasoning] "Cross-reference with local inference performance data..."
        → Action: Pull benchmark comparisons from available sources
... (continues through 8+ steps)
Total trajectory: ~12,000 tokens across multiple search cycles, reasoning steps, and cross-referenced conclusions

Un modelo hace una o dos llamadas y responde. El otro sigue actuando sobre la petición. Agents-A1 no termina en cuanto genera texto. Razona qué hay que hacer, actúa, observa los resultados, se ajusta cuando algo se tuerce y continúa hasta completar el trabajo.

Cómo puntúa

Esta es la comparación con Qwen3.6-27B, Claude Opus 4.8 y GPT-5.4, tomada del artículo y de páginas públicas de benchmarks:

| Benchmark                | Agents-A1   | Qwen3.6-27B | Opus 4.8  | GPT-5.4     | Winner        |
|--------------------------|-------------|-------------|-----------|-------------|---------------|
| SEAL-0                   | **56.4** ✅ | 44.1        | 54.95     | Not reported| Agents-A1     |
| IFBench                  | **80.6** ✅ | 76.1        | Not tested| 75.9        | Agents-A1     |
| SWE-bench Verified       | Not tested  | **77.2** ✅ | 80.9      | Not reported| Qwen3.6-27B   |
| Terminal-Bench 2.0       | Not tested  | **59.3** ✅ | 59.3      | Not reported| Qwen3.6-27B   |
| BrowseComp               | **75.51** ✅| Not tested  | Not tested| 83.4        | Agents-A1     |
| GPQA Diamond             | Not tested  | **87.8** ✅ | 87.0      | Not reported| Qwen3.6-27B   |
| LiveCodeBench v6         | Not tested  | **83.9** ✅ | 84.8      | Not reported| Qwen3.6-27B   |
| HiPhO                    | **46.4** ✅ | Not tested  | 43.3      | Not reported| Agents-A1     |
| FrontierScience-Olympiad | **79.0** ✅ | Not tested  | 78.0      | Not reported| Agents-A1     |

Las cifras se desglosan por habilidad.

• Búsqueda e investigación de largo recorrido. SEAL-0 muestra una mejora de 12,3 puntos sobre Qwen3.6-27B, e incluso supera por poco a Opus 4.8, que está en 54,95. El benchmark mide lo bien que un modelo reúne información a lo largo de muchos pasos sin desviarse.
• Seguimiento de instrucciones. En IFBench suma 4,5 puntos frente a Qwen3.6-27B y GPT-5.4 (75,9). Con un prompt que incluye varias restricciones, las cumple todas, no solo la primera que capta.
• Agentes de navegación. BrowseComp se queda en 75,51. Eso implica navegar por sitios reales, extraer datos, lidiar con contenido dinámico y adaptarse cuando una página carga de forma distinta a la esperada. La mejor puntuación es de GPT-5.4 con 83,4, pero Agents-A1 queda a menos de 8 puntos con alrededor de una vigésima parte del tamaño.
• Razonamiento científico y planificación. En HiPhO, una prueba de planificación a largo plazo, y en FrontierScience-Olympiad termina por delante de Opus 4.8, aunque solo por unos pocos puntos en cada caso. Los flujos de investigación que encadenan razonamientos entre varios dominios son los que más pueden ganar con ello.

Si estas cifras se confirman, la lección es que un modelo de 35.000 millones de parámetros bien entrenado puede superar a otros mucho mayores. No gana por saber más. Gana por pensar más lejos.

Por qué importa en hardware local

Ejecutar modelos en equipos de consumo trae límites conocidos:

• Una caja de PC normal no admite un equipo con 8 GPU.
• Los costes de inferencia en la nube se disparan cuando un agente hace decenas de llamadas a la API por tarea.
• Un modelo más grande no es automáticamente un mejor agente. A menudo solo es más caro de ejecutar.

Agents-A1 cambia ese equilibrio. Con 35B parámetros y un diseño Mixture-of-Experts, funciona con holgura en algo como un MacBook y alcanza en ciertos benchmarks un rendimiento agéntico cercano al nivel de Opus. Piense en un maratoniano que no es más rápido que nadie en un sprint, pero que no abandona cuando todos los demás lo hacen.

Dónde conseguirlo

Los avances en el tamaño de 35B no dejan de llegar, y la tendencia apunta a que un entrenamiento más inteligente gana al escalado por fuerza bruta, sobre todo en cargas agénticas donde el horizonte cuenta más que el número bruto de parámetros. Hay dos conversiones GGUF de la comunidad.

La versión NVFP4 que incluye MTP:

https://huggingface.co/s-batman/Agents-A1-NVFP4-MTP-GGUF

Cuantizaciones GGUF normales:

https://huggingface.co/LordNeel/Agents-A1-GGUF

Ambas se cargan en llama.cpp. La versión NVFP4 con MTP acelera la generación de tokens en hardware compatible, mientras que los archivos estándar dan más flexibilidad entre distintas configuraciones de inferencia.

Notas posteriores

• A 2 de julio de 2026, Qwen3.6-27B sigue siendo el modelo más equilibrado y capaz para programar.
• A 8 de julio de 2026, Agents-A1 es claramente más fuerte en investigación. Busca en temas más amplios y variados y da mejores resultados.

Para saber más: el artículo de arXiv "Scaling the Horizon, Not the Parameters" (2606.30616) y la página InternScience/Agents-A1 en Hugging Face.