Los asistentes de investigación con IA son buenos generando ideas y malos recordando por qué fallaron las anteriores. Sage-Taiyi, descrito en un nuevo preprint, está diseñado para corregir eso, y su prueba más convincente no es una puntuación de benchmark, sino dos reacciones químicas que funcionaron mucho mejor tras sus sugerencias.
El diseño toma prestada de la psicología la metacognición, es decir, pensar sobre el propio pensamiento. Una capa hace la búsqueda científica: divide una pregunta en objetivos, genera y pule ideas y guarda las pruebas de experimentos, artículos y expertos humanos. Una segunda capa mantiene una imagen actualizada de qué respaldan esas pruebas, qué supuestos son frágiles y qué preguntas siguen abiertas, y la usa para decidir qué investigar después y qué método de razonamiento aplicar. El objetivo es evitar que un agente persiga lo que sugiera el último resultado mientras olvida un fracaso de tres rondas atrás.
En Taiyi-Bench, que el equipo construyó con 265 tareas extraídas de 50 artículos de diez disciplinas, Sage-Taiyi obtuvo 54,0 en total frente a 47,9 de AI Scientist-v2, el mejor de los sistemas comparados, y quedó primero en las ocho métricas. Funcionaba sobre GPT-5.6-Sol, y entre las referencias estaban el mismo modelo dentro de Codex y de Claude Code, además de Claude Opus 5 y otros agentes de investigación, de modo que la mejora se atribuye a la arquitectura y no a un modelo más potente. Los artículos se eligieron entre los posteriores a la fecha de corte del entrenamiento del modelo para limitar la contaminación.
Los resultados de laboratorio pesan más. En cinco colaboraciones guiadas por expertos en química, ciencia de materiales e ingeniería, las propuestas del sistema se probaron de verdad. Optimizar las condiciones de una carbonilación catalizada por cobalto elevó su rendimiento de cantidades traza al 84%, y una aminación alílica fotocatalítica pasó del 13% al 69%. Son el tipo de mejoras que un grupo de química notaría.
Hay buenas razones para la cautela. El benchmark es de los propios autores, y las ideas las puntúa un verificador automático basado en la literatura que, según el equipo, coincide bien con expertos humanos, pero sigue siendo un modelo calificando a otro. Las cinco colaboraciones estuvieron guiadas por expertos, así que cuesta separar la aportación del sistema de la de los científicos que lo dirigían, y dos buenos resultados en reacciones no dicen con qué frecuencia fallan sus sugerencias. Al ser un preprint, nada de esto se ha revisado por pares, y los autores no dan cifras del coste de cómputo de cada ejecución.