Noticias sobre SUMO

SimSkill demuestra un paradigma de agente que no actualiza los pesos del modelo y solo acumula capacidades a través de la memoria externa. Esto significa que el valor a largo plazo de LLM ya no depende únicamente de la escala de parámetros, sino de cómo transformar cada experiencia de interacción en conocimiento estructurado reutilizable. Para escenarios complejos como la simulación de tráfico, el agente puede alcanzar un límite superior de capacidades más allá del modelo estático mediante exploración autónoma.