Sakana AI publica QD-Rec, un método abierto para explorar múltiples razones detrás de cada recomendación

Qué ha ocurrido

Sakana AI ha lanzado QD-Rec, un enfoque de investigación de código abierto que trata la recomendación como una búsqueda conjunta del candidato y la explicación que lo respalda. Construye un archivo de pares opción–razón con un bandido contextual que equilibra exploración y explotación; un modelo de lenguaje adapta o combina explicaciones previas y un juez decide si la nueva propuesta aporta novedad o mejora. El sistema puede conservar ideas de baja puntuación si abren una vía de razonamiento distinta (por ejemplo, una hipótesis de adquisición poco valorada que inspira otra mejor puntuada), aunque esto no implica validez comercial. En pruebas comparativas (seis escenarios, dos proponentes LLM, 1.000 evaluaciones por configuración y cinco semillas), QD-Rec logró la mayor calidad media en la mayoría de ajustes y retuvo los archivos más amplios, según un juez LLM que puntúa de 0 a 10. Las entradas de prueba limitan el alcance: perfiles de marketing ficticios (10.000), un universo de M&A de ~6.300 empresas con datos a 31/08/2024 y sin medir impactos reales en decisiones. No es un producto; el código está bajo Apache-2.0 y requiere Python 3.10+, credenciales de proveedor de modelos y un flujo configurado que enruta las llamadas vía OpenRouter.

Qué significa para creadores

Para quienes diseñan campañas o investigación de contenidos, QD-Rec puede servir como banco de pruebas para generar varias justificaciones en decisiones como a qué clientes dirigirse o qué artículos y libros revisar, en lugar de quedarse con una lista única ordenada. Úsalo como herramienta de ideación con datos propios y actualizados, y añade revisión humana para detectar razonamientos plausibles pero desfasados o casos de “reward hacking” que optimizan la puntuación del juez sin aportar utilidad. Ten en cuenta que los costes de uso de modelos, la calidad de datos de dominio y la supervisión recaen en quien lo aplique; no reemplaza el criterio experto ni valida resultados frente a información de mercado vigente.

Fuente y contexto

El proyecto está liderado por Takashi Ishida (Sakana AI/Universidad de Tokio/RIKEN AIP), con coautores Taro Makino e Issa Sugiura. La evaluación detallada está en el artículo (arXiv: 2610.23470) y el sitio del proyecto; el repositorio público se publica con licencia Apache-2.0. La publicación incluye un ejemplo ilustrativo y un vídeo en X, y subraya que el uso práctico exige información más rica y actualizada y feedback experto. Sakana AI, fundada en 2023 por David Ha y Llion Jones, extiende aquí su interés por la búsqueda abierta, aunque persiste una brecha entre la demostración de investigación y un soporte fiable para decisiones.