Investigadores de IBM Research presentan ALTK-Evolve en el blog de Hugging Face. El sistema estudia los aciertos y errores de un agente de atención al cliente y resume lo aprendido en pautas breves que añade a sus instrucciones. No modifica los pesos del modelo: trata de mejorar la forma en que el agente comprueba la identidad, sigue las políticas y confirma acciones antes de ejecutarlas.
En la prueba minorista de τ²-bench, IBM informa de un 67,5 % en Pass^4 con GPT-4.1, una medida que exige resolver la misma tarea en cuatro intentos independientes. El equipo afirma que superó las entradas de ese apartado en una captura de la clasificación del 12 de octubre. La comparación y las cifras proceden de los autores; el entorno utiliza clientes simulados y no demuestra por sí solo el mismo resultado en un servicio real.
El artículo señala que más instrucciones implican mayor gasto en tokens. Para una organización, la pregunta práctica es si la mejora al cumplir las políticas compensa ese coste y se mantiene con sus propios casos. La fotografía de la sede de IBM es ilustrativa; no muestra el experimento.