Investigadores del Data Science and Intelligence Lab de la Universidad de Tsinghua acaban de publicar dos trabajos interconectados que ponen a prueba una pregunta incómoda para la inteligencia artificial: ¿puede un agente científico no solo descubrir una fórmula, sino comprender el mecanismo que la produce? Los resultados sugieren que los modelos actuales son excelentes Keplers —encuentran patrones— pero pésimos Newtons: rara vez explican el porqué.
SRHarness: infraestructura reutilizable para regresión simbólica agéntica
El primer aporte, SRHarness, no es un modelo nuevo sino un framework de ejecución. Su premisa es que el runtime sobre el que operan los agentes científicos debe convertirse en infraestructura reutilizable, no en una estrategia de búsqueda rígida. Lo hace con tres componentes: acciones científicas reutilizables que encapsulan análisis, ajuste, búsqueda y evaluación detrás de una única interfaz; estado científico persistente que almacena fórmulas candidatas y su evidencia fuera del contexto del chat; y gestión del ciclo de vida de trayectorias que maneja continuación, ramificación, reinicio y detención de búsquedas largas.
Los números son contundentes. Con el mismo modelo base DeepSeek-v4-flash, SRHarness alcanza un 93,69% de recuperación simbólica en el benchmark LSR-Transform, frente al 62,16% del anterior mejor método, SR-Scientist. Cuando se elimina el contexto científico y el significado de las variables, aún recupera el 72,97% de las ecuaciones objetivo, contra 39,64% de SR-Scientist y 20,72% de Codex sobre el mismo modelo base. Los autores reportan que esto también supera a Codex combinado con GPT-5.5, que logra 68,47%.
MechBench: la brecha entre encontrar y comprender
El segundo trabajo, MechBench, es el verdadero mazazo conceptual. Separa dos habilidades que hasta ahora se medían juntas: recuperar una ley observada y recuperar el mecanismo subyacente que la produce. Utiliza sondas de mecanismo para verificar cantidades internas que una fórmula por sí sola no puede determinar, y filtra mecanismos competidores que podrían producir observaciones idénticas.
Los resultados exponen una fractura profunda. Incluso Codex con GPT-5.6-sol recupera mecanismos en apenas el 13,75% de los casos del conjunto núcleo, frente a un 35% en la recuperación de las leyes mismas. Esa brecha —más del doble de capacidad para encontrar patrones que para entenderlos— sugiere que los agentes científicos actuales son sustancialmente mejores reconociendo regularidades que construyendo comprensión causal real.
El código de SRHarness ya está disponible en GitHub y se instala desde PyPI, con una demo en línea. Para quienes seguimos de cerca el ecosistema de modelos de Oriente, este trabajo refuerza una tendencia clara: laboratorios como Tsinghua no compiten solo en parámetros o benchmarks de razonamiento genérico, sino en infraestructura agéntica y evaluación científica rigurosa. DeepSeek como base, frameworks reutilizables como capa intermedia y benchmarks que cuestionan supuestos cómodos: esa cadena define hacia dónde se mueve la frontera.
Fuente: Pandaily (China AI)