Un equipo de investigadores encabezado por Yujia Zhang publicó el 13 de noviembre de 2026 un artículo que describe un nuevo ciclo de entrenamiento para un LLM Gemma-4 de 12.000 millones de parámetros, diseñado para bots de atención al cliente. El modelo redacta sus propias reglas de políticas a partir de conversaciones fallidas y las valida antes de entrenar un adaptador LoRA. Tras dos rondas, el agente aumentó entre 12,5 y 19,5 puntos sus resultados en pruebas de comercio minorista y aerolíneas, y superó a una versión de referencia que incorpora las políticas de forma fija. El método reduce la brecha de rendimiento con los principales modelos de frontera.
Por qué importa
Las empresas pueden implementar LLM abiertos y más pequeños que mejoran por sí solos el cumplimiento de políticas, sin recurrir a costosos modelos profesor.
