Archivo cronológico de experimentos con su fecha, su versión y su resultado. Lo que funcionó, lo que alcanzó límites insalvables y lo que fracasó. Sin filtros comerciales: se publica la secuencia real.
Evaluación de consistencia semántica y coste de latencia en topologías multi-agente con loops reflexivos sobre ejecuciones continuas de 120 minutos.
Reducción de token overhead en un 41% mediante gramáticas BNF precompiladas para extracción de entidades de formulario.
Medición comparativa de precisión de recuperación y latencia P99 en un corpus documental interno de 180.000 párrafos técnicos.
Batería de 600 pruebas de inyección indirecta sobre capas de protección léxica y analizadores sintácticos de entrada.
Implementación de escala de Brier multiclase para forzar abstención del agente cuando la incertidumbre acumulada supera 0.25.
Si dispones de benchmarks alternativos sobre estos mismos problemas, abrimos canal de revisión técnica.