«Dreaming» de los agentes de IA: el principio por el que auto-revisan las notas tras la tarea para mejorar la precisión

Un agente de IA que jugaba a Pokémon Rojo volvió por el mismo camino tres veces en la cueva Monte Lunar. No se debió a una falta de capacidad computacional del modelo. El problema fue una única línea de memoria que situaba el Centro Pokémon, ubicado junto a la entrada de la cueva, incorrectamente en el 'este' de la montaña. El agente, al salir del Centro, ya creía haber superado la montaña; así, repitió un bucle de bajar hasta el acantilado y regresar por el camino original, tres veces. Al aplicar Anthropic la fase que denomina 'dreaming' a esta carpeta de memoria, el agente contrastó sus notas con el registro de trabajo original (logs) y corrigió la línea de ubicación, llegando a Ciudad Azul, la siguiente ciudad, en su intento posterior ¹.

La expresión 'una IA soñando' no implica un fenómeno consciente misterioso. Aquí, el dreaming es una etapa de revisión en la que el agente, tras finalizar una tarea y durante el tiempo ocioso, vuelve a abrir los registros acumulados para releer sus propias notas y corregir errores. En este artículo, examinamos con cifras experimentales reales qué tareas específicas realiza el 'dreaming' publicado por Anthropic y qué diferencias de rendimiento se observan al corregir y organizar la memoria.

Acciones sencillas detrás de la metáfora del 'sueño'

Si reducimos el dreaming a una sola frase, se trata del proceso en el que, tras terminar una tarea, el agente abre los registros de trabajo originales, los contrasta con sus propias notas, corrige errores y organiza el contenido disperso ¹. La raíz de este concepto está en el 'cómputo de tiempo de sueño (sleep-time compute)' propuesto por Letta y el equipo investigador de la UC Berkeley. En un blog del 21 de abril de 2025, el equipo de investigación de Letta presentó la idea de que, si el agente reorganiza información basándose en la memoria persistente y realiza inferencias anticipadas durante el tiempo ocioso en que el usuario no interactúa directamente, puede reducir cálculos innecesarios en conversaciones posteriores ². La idea clave es convertir el 'contexto bruto (raw context)', que son los datos sin procesar, en un 'contexto aprendido (learned context)' organizado ².

El dreaming que describe Anthropic traslada esta idea al registro de trabajo del agente. Su estructura es la siguiente: en la capa inferior se encuentran los registros de trabajo originales y consultables; encima, notas que solo contienen información importante; luego, un wiki que enlaza páginas temáticas; y finalmente, información que se lee automáticamente al comenzar cada nueva sesión. El dreaming se refiere a la relación de construir y corregir estos registros superiores contrastándolos con los registros originales inferiores ¹. Por lo tanto, la palabra 'sueño' no indica un estado consciente similar al sueño biológico, sino que es una expresión metafórica para referirse a la programación de la reorganización de la memoria entre tareas principales.

La 'clase' de memorias y los 'hábitos de lectura' determinan la puntuación

La primera tarea del dreaming es mejorar la calidad de las notas. En la tarea de consultas a bases de datos del CL-Bench 1.0, que evalúa la capacidad de aprovechar la memoria, Anthropic hizo que cada pregunta iniciara una nueva sesión y permitiera heredar únicamente los archivos de la carpeta de memoria de sesiones anteriores ¹. Después de responder, se proporcionaba la respuesta correcta para analizar los motivos del error y registrar información útil para la siguiente pregunta. Aquí divergieron los enfoques de los modelos: Sonnet 4.6 dispersó en varios archivos suposiciones no verificadas sobre las causas de las respuestas incorrectas, mientras que Opus 5 primero ponía a prueba la causa y luego registraba solo las reglas verificadas junto con sus fundamentos ¹.

Los resultados se reflejaron claramente en la puntuación. Al observar la puntuación media de recompensa, el promedio de la calificación asignada a las respuestas, Opus 5 pasó de 0.564 sin memoria a 0.828 al utilizar una carpeta de memoria organizada mediante dreaming ¹. En cambio, Sonnet 4.6, que dejó suposiciones no verificadas, solo mejoró de 0.330 a 0.364 en la misma comparación ¹. Existe una gran brecha entre el camino que deja reglas verificadas y el que deja suposiciones. No obstante, otros modelos que también dejaron reglas verificadas, como Opus 5.5 y Sonnet 5.5, obtuvieron puntuaciones similares a Opus 5, con 0.838 y 0.833 respectivamente, y superaron ligeramente a Opus 5 en la condición sin memoria ¹. Como muestran estas cifras, la ventaja del dreaming proviene no de la cantidad de notas en sí, sino del método para distinguir entre hechos confirmados y suposiciones.

De nada sirve escribir bien las notas si no se leen. En el experimento, Sonnet 4.6 abría archivos de memoria antes de responder en menos de la mitad de los casos, mientras que Sonnet 5 los abría en nueve de cada diez ocasiones sin instrucciones específicas ¹. Al dar instrucciones a Sonnet 4.6 para que leyera la memoria antes de responder y probara hipótesis sobre las causas, su puntuación subió de 0.364 a 0.641, siendo este el promedio de tres ejecuciones por condición ¹. Esto demuestra que el hábito de recuperar y utilizar notas organizadas puede convertirse en un cuello de botella del rendimiento. Por el contrario, limitar uniformemente qué registrar generó pérdidas. La mejora de Opus 5 disminuyó precisamente cuando se aplicó la instrucción de 'registrar solo los fracasos'. Anthropic explica que, en modelos de alto rendimiento, es preferible confiar en el juicio propio del modelo en lugar de imponer criterios de selección específicos ¹.

Sin dreaming, la gestión de registros consume la tarea principal

La razón de que sea importante la capacidad de seleccionar registros puede confirmarse con mayor claridad en el experimento con Pokémon Rojo. Anthropic ejeculó una vez cada uno Sonnet 3.7 y Fable 5, comparando sus memorias en el punto de aproximadamente 10 000 pasos ¹. Sonnet 3.7 dejó 413 archivos en 225 carpetas, registrando con detalle combates, ítems y personajes encontrados. El problema era que, al cambiar constantemente el estado del juego, estos registros detallados se volvían obsoletos rápidamente. Buscar en registros obsoletos consumía más tiempo y recursos, y alrededor del paso 10 000 el modelo comenzó a crear su cuarta carpeta de memoria integrada. Durante los siguientes 17 pasos, creó 6 archivos y borró 9, pero no pudo realizar ninguna acción dentro del juego ¹.

Fable 5 fue diferente. No registró innecesariamente la ubicación actual o el dinero en efectivo, que se podían verificar en pantalla en cualquier momento, y guardó solo las estrategias y planes que había descubierto por sí mismo. Mantuvo un total de 10 archivos: 9 dentro de dos carpetas y un archivo global (global.md). Como resultado, obtuvo 4 insignias frente a la única insignia que logró Sonnet 3.7 ¹. Este contraste explica por necesidad la relevancia del dreaming. Si no existe una etapa de reorganizar la información obsoleta e incorrecta al contrastarla con los originales, la gestión misma de registros excesivamente abundantes acaba consumiendo la tarea principal. El hecho de que Claude vagara tres veces por la cueva también ocurrió porque una ubicación mal registrada una sola vez se utilizó fielmente en las decisiones posteriores ¹.

Dreaming wiki para coser documentos dispersos

El dreaming no se limita a corregir notas individuales, sino que puede extenderse hasta crear un wiki que organice información dispersa por temas. Anthropic probó este método con aproximadamente 350 000 documentos internos (unos 420 millones de tokens, la unidad con la que los modelos procesan texto) de Stainless, la empresa de software que adquirió ¹. Se hizo que agentes Opus 5 redactaran wikis durante hasta 128 sesiones, continuando los enlaces dejados por sesiones anteriores, añadiendo páginas, fusionando duplicados y contrastando con las fuentes. Al aumentar las sesiones de redacción del wiki de 2 a 128, la tasa de cumplimiento de los criterios de evaluación al responder solo con el wiki subió del 13% al 48% ¹.

¿En qué difiere de la búsqueda? La puntuación usando solo búsqueda fue del 53%. Al combinar el wiki con la búsqueda, subió del 54% al 61% ¹. Estas proporciones indican cuánto se cumplían los criterios de evaluación establecidos para cada una de las 25 preguntas. La ventaja del wiki fue especialmente notoria en preguntas que requerían combinar información de varios documentos, lo que se verificó en una prueba independiente sobre fusiones (24 preguntas). En los ítems clasificados como que necesitaban síntesis de documentos o juicios y cálculos, el wiki alcanzó el 87% frente al 73% de la búsqueda sola ¹. Anthropic reporta que usar en conjunto un wiki creado mediante dreaming y la búsqueda puede ahorrar unos 20 000 tokens por pregunta; esto representa un ahorro en los costes de encontrar la respuesta, pero requiere cómputo adicional para crear y mantener el wiki previamente ¹.

Sin embargo, también en este wiki las directrices de redacción determinan la calidad. En una tarea de revisión legal centrada en una adquisición corporativa, se evaluó la exactitud en la explicación de los términos del contrato. Como las directrices iniciales no exigían preservar los términos contractuales, varios agentes escribían en una tabla compartida y se sobrescribían mutuamente, perdiendo parte de la información: solo entraron 41 de los 57 hechos evaluados, cerca del 72%, en el documento de revisión ¹. Tras analizar las causas del fracaso y cambiar las directrices para que cada agente asignara una página individual por contrato, citando los términos literalmente del original, el nuevo wiki preservó los 57 hechos y el documento de revisión cumplió todos los criterios de la tarea ¹. Esto significa que, por sofisticado que sea el proceso de organización, de nada sirve si lo que se conserva no se alinea con el uso previsto.

Conclusión: el dreaming no es magia, es una cuestión de 'reglas de verificación'

Las diferencias reportadas gracias al dreaming pueden resumirse en una frase: están relacionadas con las etapas de releer, contrastar y organizar las notas y wikis aplicados en cada tarea. La memoria de Pokémon Rojo sin corregir hizo que el agente diera tres veces el mismo bucle sin alcanzar Ciudad Azul, pero, al avanzar con una memoria en la que las notas se corrigieron tras contrastarlas con los registros originales gracias al dreaming, el agente superó la cueva y llegó a Ciudad Azul. En la tarea de base de datos del CL-Bench, Opus 5, que dejó reglas verificadas, aumentó su puntuación media de recompensa de 0.564 sin memoria a 0.828 al usar la carpeta de memoria. No obstante, en la misma tarea Opus 5.5 y Sonnet 5.5, que también dejaron reglas verificadas, obtuvieron 0.838 y 0.833, cifras similares, y superaron ligeramente a Opus 5 en la condición sin memoria. Al aumentar las sesiones de redacción del wiki de 2 a 128 con los datos de Stainless, la tasa de cumplimiento de criterios al responder solo con el wiki subió del 13% al 48%; la puntuación usando solo el wiki con 128 sesiones fue inferior al 53% de la búsqueda sola, pero subió del 54% al 61% al combinar wiki y búsqueda ¹. Por lo tanto, lo que se confirma comúnmente es que en los casos donde se aplicó dreaming hay etapas de revisar y corregir las notas y wikis, no que todos los efectos estén probados por un único mecanismo de simplemente abrir los registros originales ¹.

Sin embargo, dado que el dreaming no es simplemente acumular nueva memoria, sino una etapa de organización que consiste en releer y corregir notas y wikis existentes y, cuando es necesario, añadir páginas o reenlazar, conlleva decisiones de diseño. Si se escriben notas pero no se abren ni leen en nuevas sesiones, esas notas no pueden aprovecharse, y hubo un modelo que pausó su tarea principal durante 17 pasos solo por seguir gestionando información obsoleta ¹. Anthropic reconoce que la memoria puede contener errores respecto al registro original o volverse obsoleta a medida que cambia el entorno, y plantea como futuros retos ajustar la frecuencia de inspección, comenzando por la información más propensa a cambiar o más utilizada, debido a los costes de revisar todas las memorias cada vez ¹. En última instancia, el dreaming no es una organización automática mágica, sino que depende de quién diseña, y con qué directrices, las reglas que reducen la brecha entre los registros originales y las notas.