Hermes MOA: combinar modelos de IA para mejores resultados

Hermes lanza MOA: revolucionando la combinación de modelos de IA

Hermes, una plataforma de inteligencia artificial desarrollada por No Research, ha presentado una nueva función denominada MOA (mixture of agents), cuyo objetivo es mejorar la calidad de las respuestas mediante la colaboración de varios modelos de IA. La propuesta, inspirada en arquitecturas clásicas mixture of experts (MOE), busca que diferentes modelos aborden un mismo problema en paralelo, sintetizando las respuestas en una solución única que, según sus creadores, puede superar a los sistemas líderes del mercado como Opus o GPT 5.5.

La relevancia del anuncio radica en el intento de llevar a producción una estrategia que tradicionalmente se reservaba al ámbito académico o de investigación, y que ahora se traslada al usuario final a través de una plataforma configurable y abierta.

¿Cómo funciona MOA? Arquitectura y proceso explicado

Según el vídeo analizado, la función MOA se basa en seleccionar varios modelos de referencia (por ejemplo, GPT, Kimi, Queen, Dipsic, Gemini, etc.), que reciben simultáneamente el mismo prompt o tarea. Cada modelo genera su propuesta de respuesta de manera independiente.

Posteriormente, todas las propuestas son enviadas a un modelo agregador, normalmente el más potente y costoso de los disponibles. Este modelo analiza las distintas aportaciones y sintetiza una respuesta final o ejecuta una acción. La arquitectura busca emular el enfoque de una consulta a un “consejo” de expertos, aprovechando fortalezas diferentes.

La integración en Hermes es visual y sencilla: a través del panel de configuración, el usuario puede definir qué modelos participarán como referencia y cuál actuará como agregador, permitiendo crear varios MOA adaptados a distintos casos de uso (programación, investigación, etc.).

Inspiración técnica: de MOE a MOA

La filosofía de MOA recuerda a la arquitectura mixture of experts, empleada desde 1991 y popularizada posteriormente en el mundo de los LLM y Transformers. Mientras que los MOE tradicionales operan seleccionando “expertos” dentro de una única red neuronal, MOA lo escala al nivel de agentes completos, es decir, combina modelos distintos y potencialmente de diferentes compañías.

El vídeo expone brevemente los antecedentes de MOE, ilustrando cómo esta arquitectura ha permitido aumentar la capacidad paramétrica de los modelos sin encarecer proporcionalmente el cómputo necesario. MOA aplica un principio análogo, pero agregando modelos completos en vez de subredes internas.

Benchmarks y primeras pruebas: ¿realmente funciona?

Según los datos publicados por No Research tras la presentación de MOA, en un conjunto de benchmarks internos —Hermes Bench— que consisten en tareas variadas (calendario, correo, etc.), las combinaciones de modelos, especialmente un MOA que utiliza GPT 5.5 como modelo de referencia y Opus 4.8 como agregador, obtienen puntuaciones superiores a las de los modelos ejecutados en solitario.

No obstante, el margen de mejora observado no siempre justifica el incremento de costes ni de tiempo. En pruebas prácticas, como la generación de pequeños videojuegos, el MOA demostró ofrecer soluciones funcionales y de mayor calidad, aunque el gasto en tiempo (del orden de minutos frente a segundos) y dinero (más del doble en algunos casos) puede resultar disuasorio salvo que la fiabilidad o la calidad sean críticas. Además, la arquitectura MOA no está optimizada para preguntas sencillas o procesos rutinarios, donde el uso directo de un modelo potente suele ser suficiente y más eficaz.

Ventajas y limitaciones del enfoque MOA

Entre los puntos fuertes de MOA destaca la posibilidad de aprovechar lo mejor de diferentes motores de IA, usando modelos baratos como Kimi, Queen o Dipsic para tareas especializadas y reservando modelos de máximo nivel como GPT 5.5 o 5.6 para la integración o evaluación final. Esto permite configurar soluciones adaptadas a tareas específicas o proyectos complejos, un aspecto especialmente atractivo para desarrolladores y empresas tecnológicas en España que busquen sacar el máximo partido a modelos internacionales sin incurrir en el coste total de los más avanzados.

Sin embargo, este esquema también acarrea potenciales inconvenientes: el aumento del tiempo de respuesta, el coste adicional de combinar modelos de pago y la necesidad de configurar y evaluar cuidadosamente para lograr mejoras reales. Las propias pruebas presentadas en el vídeo demuestran que, si bien en ocasiones MOA produce resultados superiores, no siempre compensa respecto al uso de un único modelo de primera línea, especialmente en tareas rápidas o de bajo valor añadido.

Implicaciones para el entorno español

La opción de personalizar MOA abre nuevas vías para empresas y usuarios profesionales en España, posibilitando la integración de modelos no anglosajones (por ejemplo, modelos chinos, que suelen ser más económicos) y su combinación con grandes modelos norteamericanos para obtener soluciones a medida. Esto es relevante en aplicaciones bilingües, en sectores regulados o en desarrollos con requerimientos específicos, aunque la configuración óptima debe probarse caso a caso.

En el contexto de democratización de la inteligencia artificial, Hermes aporta flexibilidad, pero también obliga a tener en cuenta el impacto en costes y sostenibilidad de los sistemas implementados. El enfoque es escalable y prometedor, pero exige madurez y criterio técnico en su adopción.

Valoración final y recomendaciones

La introducción de MOA en Hermes representa un paso adelante en la orquestación de modelos de inteligencia artificial, permitiendo una explotación más refinada de sus capacidades combinadas. Si bien las pruebas iniciales apoyan la viabilidad del enfoque, persisten dudas sobre el equilibrio entre calidad y coste —particularmente para usuarios que no requieran la máxima excelencia en cada tarea—.

Para el lector español interesado en inteligencia artificial avanzada, MOA puede ser una herramienta valiosa en proyectos exigentes, siempre que se utilicen configuraciones inteligentes y se evalúe cuidadosamente el retorno de la inversión en cada caso concreto.

Fuente

Análisis elaborado a partir del vídeo Hermes MOA: combina varios modelos de IA para superar a los mejores (Mixture of Agents explicado y en acción), publicado en YouTube.