ChatPaper.aiChatPaper

LIMI: Menos es Más para la Agencia

LIMI: Less is More for Agency

September 22, 2025
Autores: Yang Xiao, Mohan Jiang, Jie Sun, Keyu Li, Jifan Lin, Yumin Zhuang, Ji Zeng, Shijie Xia, Qishuo Hua, Xuefeng Li, Xiaojie Cai, Tongyu Wang, Yue Zhang, Liming Liu, Xia Wu, Jinlong Hou, Yuan Cheng, Wenjie Li, Xiang Wang, Dequan Wang, Pengfei Liu
cs.AI

Resumen

Definimos Agencia como la capacidad emergente de los sistemas de IA para funcionar como agentes autónomos que descubren activamente problemas, formulan hipótesis y ejecutan soluciones mediante un compromiso autodirigido con entornos y herramientas. Esta capacidad fundamental marca el amanecer de la Era de la Agencia de la IA, impulsada por un cambio crítico en la industria: la necesidad urgente de sistemas de IA que no solo piensen, sino que trabajen. Si bien la IA actual sobresale en razonamiento y generación de respuestas, las industrias demandan agentes autónomos que puedan ejecutar tareas, operar herramientas y generar resultados en el mundo real. A medida que la inteligencia agentiva se convierte en la característica definitoria que separa los sistemas cognitivos de los trabajadores productivos, cultivar eficientemente la autonomía de las máquinas se vuelve primordial. Los enfoques actuales asumen que más datos producen mejor agencia, siguiendo las leyes de escalamiento tradicionales del modelado del lenguaje. Desafiamos fundamentalmente este paradigma. LIMI (Menos es Más para la Agencia Inteligente) demuestra que la agencia sigue principios de desarrollo radicalmente diferentes. A través de un enfoque estratégico en el desarrollo colaborativo de software y flujos de trabajo de investigación científica, mostramos que una inteligencia agentiva sofisticada puede emerger de demostraciones mínimas pero estratégicamente curadas de comportamiento autónomo. Utilizando solo 78 muestras de entrenamiento cuidadosamente diseñadas, LIMI alcanza un 73.5% en benchmarks integrales de agencia, superando drásticamente a los modelos más avanzados: Kimi-K2-Instruct (24.1%), DeepSeek-V3.1 (11.9%), Qwen3-235B-A22B-Instruct (27.5%) y GLM-4.5 (45.1%). Lo más sorprendente es que LIMI demuestra una mejora del 53.7% sobre modelos entrenados con 10,000 muestras, logrando una inteligencia agentiva superior con 128 veces menos muestras. Nuestros hallazgos establecen el Principio de Eficiencia de la Agencia: la autonomía de las máquinas emerge no de la abundancia de datos, sino de la curación estratégica de demostraciones agentivas de alta calidad.
English
We define Agency as the emergent capacity of AI systems to function as autonomous agents actively discovering problems, formulating hypotheses, and executing solutions through self-directed engagement with environments and tools. This fundamental capability marks the dawn of the Age of AI Agency, driven by a critical industry shift: the urgent need for AI systems that don't just think, but work. While current AI excels at reasoning and generating responses, industries demand autonomous agents that can execute tasks, operate tools, and drive real-world outcomes. As agentic intelligence becomes the defining characteristic separating cognitive systems from productive workers, efficiently cultivating machine autonomy becomes paramount. Current approaches assume that more data yields better agency, following traditional scaling laws from language modeling. We fundamentally challenge this paradigm. LIMI (Less Is More for Intelligent Agency) demonstrates that agency follows radically different development principles. Through strategic focus on collaborative software development and scientific research workflows, we show that sophisticated agentic intelligence can emerge from minimal but strategically curated demonstrations of autonomous behavior. Using only 78 carefully designed training samples, LIMI achieves 73.5% on comprehensive agency benchmarks, dramatically outperforming state-of-the-art models: Kimi-K2-Instruct (24.1%), DeepSeek-V3.1 (11.9%), Qwen3-235B-A22B-Instruct (27.5%), and GLM-4.5 (45.1%). Most strikingly, LIMI demonstrates 53.7% improvement over models trained on 10,000 samples-achieving superior agentic intelligence with 128 times fewer samples. Our findings establish the Agency Efficiency Principle: machine autonomy emerges not from data abundance but from strategic curation of high-quality agentic demonstrations.
PDF944September 23, 2025