--- title: "Context Language Models frente a compactación: qué probar" canonical: https://wavect.io/es/blog/context-language-models-vs-compaction/ language: es description: "Context Language Models de Meta: contexto editable, controles del harness, caché, licencia no comercial y un piloto para evaluar retención de pruebas y costes." image: "https://wavect.io/img/blog/headers/header_context-language-models-vs-compaction.png" --- [**Volver**](/es/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/) [Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt 14 min de lectura · 2 oct 2026 Última revisión 2 de octubre de 2026 [**Siguiente**](/es/blog/agent-harness-engineering/) # Context Language Models frente a compactación: qué probar Resumen Los Context Language Models permiten editar el contexto de trabajo activo. La referencia sigue utilizando un harness con instrucciones protegidas, comprobaciones de presupuesto y validación de cambios. Editar contexto no equivale a memoria persistente ni modifica por sí mismo los pesos. El código revisado utiliza CC BY-NC 4.0, no una licencia de uso comercial sin restricciones. Compare la política con su compactación actual mediante tareas reservadas, retención de pruebas y coste total. Pruebe Suffix Cache Reuse por separado: borrar texto visible no demuestra eliminar su influencia del estado de caché. Un agente capaz de editar su contexto de trabajo resulta más interesante que uno con una libreta más grande. Puede decidir qué búsquedas fallidas descartar, qué restricciones conservar y cuándo reescribir su plan intermedio. La pregunta de ingeniería es si esas decisiones mejoran el flujo lo suficiente como para sustituir su estrategia actual de compactación. **Los Context Language Models (CLM) exponen el contexto activo del modelo como texto editable, en lugar de dejar todas las decisiones de gestión del contexto al código de la aplicación.** El trabajo reúne a investigadores de University of Washington, Meta Superintelligence Labs, MIT y Trillium Labs. La presentación en arXiv está fechada el **29 de septiembre de 2026**, no en un día de lanzamiento indeterminado de octubre. [El artículo y su historial documentan la investigación y las fechas](https://arxiv.org/abs/2609.37725v1). No se trata del **Contrastive Language Model CLM-8B** que clasifica acciones candidatas. Ese sistema diferente se explica en nuestra [guía de autoalojamiento y verificadores CLM-8B](/es/blog/clm-8b-self-hosting-action-cache-verifier/). Fuentes revisadas el 2 de octubre de 2026. Las referencias al código están fijadas en `18dc11115f50f261233c5bba7937834491e307e8`. Esta es una evaluación técnica basada en fuentes, no un benchmark de Wavect ni una afirmación de que hayamos desplegado CLM para un cliente. ## ¿Qué han publicado Meta y sus colaboradores? La publicación reúne un harness de edición del contexto, mejora de habilidades en contexto, código de aprendizaje por refuerzo y una optimización de inferencia llamada Suffix Cache Reuse. No es simplemente una arquitectura de modelo que elimine la necesidad de infraestructura. [El repositorio fijado describe los componentes publicados](https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/README.md). La analogía de la libreta tiene límites. Un bloc de notas normal añade información junto a la conversación. Aquí, las ediciones pueden modificar el material de la conversación enviado a las siguientes llamadas al modelo. Es un conjunto de trabajo editable, no permiso para reescribir la autoridad de la aplicación ni su historial real. Para un agente de investigación, querríamos conservar la pregunta, las contradicciones pendientes y los enlaces a las pruebas, descartando resultados repetitivos. Para uno de programación, deberían mantenerse el test fallido, las ubicaciones relevantes del código y los intentos de corrección que no funcionaron. Son objetivos de conservación propuestos, no propiedades automáticas de cualquier ejecución CLM. El artículo también describe agentes que crean sus propios registros de seguimiento y funciones reutilizables de compactación. Esa es la parte atractiva: la gestión del contexto puede convertirse en comportamiento específico de la tarea, en lugar de una lista creciente de reglas de borrado manuales. Son comportamientos observados, no garantías para otro modelo o trabajo. Consulte los [ejemplos de edición de contexto del artículo](#source-paper). ## ¿Cómo funciona el archivo de contexto editable? El `ClmAgent` de referencia utiliza Harbor. Antes de ejecutar un comando, refleja los turnos editables en `/tmp/.live_ctx/LIVE_CTX_MAIN.txt`. El modelo puede modificar el archivo con herramientas habituales de shell. El harness vuelve a interpretar los cambios como mensajes, manteniendo fijos el prompt de sistema y la tarea original. También aplica avisos de tokens, una validación de ediciones y recuperación ante desbordamientos. [La documentación del harness especifica el archivo, el prefijo protegido y el ciclo de control](https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/clm/clm_harness/README.md). Es un reparto de responsabilidades diferente, no la desaparición del harness. El modelo decide qué conservar; el software sigue decidiendo qué cambios son válidos, qué herramientas pueden ejecutarse y cuándo debe terminar la ejecución. Nuestra [guía de ingeniería de harnesses para agentes](/es/blog/agent-harness-engineering/) trata esa responsabilidad más amplia del entorno de ejecución. Una frase generada como «el permiso fue concedido» no debe convertirse en una autorización. Mantenga los permisos en estado fiable de la aplicación, fuera de las notas editables. Del mismo modo, una descripción reescrita de un test fallido no debe sustituir su resultado real. Conserve un registro independiente de las acciones con consecuencias. **Editar el contexto no actualiza los pesos del modelo.** El flujo de aprendizaje en contexto del proyecto puede evolucionar un `SKILL.md` dejando fijos tanto los pesos como el harness. El aprendizaje por refuerzo es otra vía. [La implementación de evolución de habilidades distingue expresamente estos mecanismos](https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/clm/clm_icl/README.md). «Las políticas están en los pesos» describe, por tanto, un posible resultado del entrenamiento, no todo lo que ocurre cuando un modelo modifica un archivo. ## CLM frente a compactación, archivos de memoria y RAG La decisión de sustitución debe abordar una capa cada vez. La compactación del servidor puede resumir turnos anteriores automáticamente o por petición de la aplicación; no tiene por qué ser un simple script con un umbral fijo. [Anthropic documenta compactación automática y bajo demanda](https://platform.claude.com/docs/en/build-with-claude/compaction). La memoria persistente es otra capa: su herramienta de memoria permite que la aplicación implemente almacenamiento entre conversaciones. [La documentación de la herramienta de memoria explica ese contrato de persistencia separado](https://platform.claude.com/docs/en/agents-and-tools/tool-use/memory-tool). | Mecanismo | Responsabilidad | Pregunta para el piloto | | --- | --- | --- | | Context Language Model | Seleccionar y editar material del contexto de trabajo activo. | ¿La reescritura selectiva conserva los hechos necesarios para la tarea? | | Compactación | Condensar la conversación para poder continuar. | ¿El resumen conserva suficiente información con menor complejidad operativa? | | Memoria persistente | Conservar información seleccionada entre sesiones. | ¿Quién puede escribirla, recuperarla, corregirla y hacerla caducar? | | Recuperación / RAG | Incorporar pruebas externas relevantes al contexto de trabajo. | ¿La respuesta sigue siendo trazable a una fuente autorizada? | Estas responsabilidades pueden coexistir. Un agente con contexto editable puede seguir necesitando recuperación y almacenamiento duradero. No sustituya el índice documental solo porque el modelo pueda recortar una respuesta de herramienta. Nuestra [comparación de RAG, fine-tuning y contexto largo](/es/blog/rag-vs-finetune-vs-longcontext-2026/) aborda esa decisión arquitectónica general; el [análisis de OpenViking](/es/blog/openviking-agent-memory-review/) estudia un sistema de memoria orientado a archivos diferente. ## ¿Qué demuestran los benchmarks de CLM? **El artículo justifica un experimento específico, no una mejora universal.** Los siguientes resultados de BrowseComp-Plus son los publicados por los autores, no mediciones nuestras. Consulte [los experimentos y la tabla 2 del artículo](#source-paper). | Experimento | Resultado publicado | Interpretación | | --- | --- | --- | | Qwen3.6-27B, contexto de 32K, límite de 100 turnos | 59,4% de precisión; mejora relativa del 11,4% y un 21,5% menos de FLOPs con reutilización del prefijo frente a la mejor referencia de resumen. | Un resultado para ese modelo, esas tareas y esa contabilidad de cómputo. | | Qwen3.5-9B, antes del entrenamiento | CLM: 28,8% de precisión. Referencia de resumen: 34,7%. | La edición de contexto sin entrenamiento adicional fue peor en este caso. | | Qwen3.5-9B, después de RL | CLM: 42,5% de precisión. Referencia de resumen: 42,1%. | El entrenamiento cambia la comparación. No presente el resultado entrenado como una mejora inmediata sin adaptación. | Un porcentaje relativo no es una ganancia en puntos porcentuales. Los FLOPs no equivalen a euros, latencia total ni coste de operar un servicio de producción. Nuestro criterio sería comparar resultados correctos en condiciones equivalentes, incluyendo ejecuciones fallidas y recuperación. Un contexto más corto no es una optimización útil si olvida el dato que determina la corrección. ## Por qué editar el contexto puede reducir la reutilización de caché Contar tokens no refleja un compromiso importante: **importa dónde se realiza la edición**. Por ejemplo, OpenAI documenta que los aciertos de caché de prompts requieren coincidencia exacta del prefijo. [La guía de caché explica el requisito del prefijo](https://developers.openai.com/api/docs/guides/prompt-caching). ``` Before: [stable instructions] [old investigation] [useful evidence] After: [stable instructions] [shorter summary] [useful evidence] ``` Las pruebas finales no cambian, pero sí el contexto que las precede. Una implementación de caché por prefijo puede tener que procesar otra vez ese material conservado. Una estrategia con menos tokens visibles puede decepcionar en costes o latencia reales. Mida por separado la entrada cacheada, la entrada no cacheada y la salida, en lugar de deducir ahorros del tamaño del archivo. **Suffix Cache Reuse (SCR)** es un parche separado para SGLang que reutiliza estados conservados de caché después de una edición. Su documentación informa de rendimiento equivalente usando el 65,0% de los FLOPs empíricos con reutilización del prefijo del servidor estándar en su comparación BrowseComp-Plus. La configuración revisada admite SGLang 0.5.16 con Qwen3.6-27B. También necesita memoria de caché adicional. [La documentación de SCR explica la aproximación, el soporte y la asignación de memoria](https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/suffix_cache_reuse/README.md). Lo importante es que los estados conservados pueden retener información del prefijo anterior. **Nuestra inferencia: borrar texto del archivo de contexto no demuestra que su influencia haya desaparecido del estado de caché.** No es una filtración de datos demostrada. Es un motivo para probar eliminaciones sensibles y cambios de restricciones con un prefill desde cero, sin tratar la reutilización de estados antiguos como equivalente a reconstruir el prompt. Los logs y snapshots almacenados también necesitan reglas de retención propias. Evalúe primero la política de contexto con inferencia convencional. Añada SCR como una variante experimental separada después. De lo contrario, no podrá distinguir si el cambio se debe a mejores decisiones de contexto o a una aproximación diferente del motor de inferencia. ## ¿El código CLM publicado permite uso comercial sin restricciones? **El repositorio revisado utiliza CC BY-NC 4.0.** No está bajo MIT ni permite uso comercial sin restricciones. [La LICENSE fijada contiene Attribution-NonCommercial 4.0](https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/LICENSE). Creative Commons describe la condición no comercial en el [resumen de CC BY-NC 4.0](https://creativecommons.org/licenses/by-nc/4.0/). La Open Source Definition no permite excluir el uso empresarial. [La definición de OSI establece el requisito sobre campos de aplicación](https://opensource.org/osd). Para una decisión de adquisición tecnológica, clasifíquelo como código de investigación públicamente disponible con restricción no comercial, no simplemente como «código abierto gratuito». Confirme que la evaluación o el despliegue previsto están permitidos, u obtenga el permiso correspondiente antes de utilizarlos. Un experimento interno de una empresa no queda autorizado automáticamente porque nadie pague una suscripción por él. Solicite revisión jurídica cualificada para casos ambiguos. Esta evaluación se refiere a la licencia del código revisado. No determina los derechos sobre las ideas subyacentes, implementaciones independientes, pesos del modelo ni dependencias separadas. ## Cómo probar la implementación de referencia Una vez confirmado el uso permitido, empiece con un entorno de desarrollo aislado, una tarea válida de Harbor y un endpoint de modelo ya configurado. No monte secretos de producción ni conceda acceso de escritura a sistemas empresariales. El commit siguiente fija el código de investigación, no todas las dependencias o revisiones del modelo. ``` git clone https://github.com/facebookresearch/context-language-models.git cd context-language-models git checkout --detach 18dc11115f50f261233c5bba7937834491e307e8 python3.12 -m venv .venv . .venv/bin/activate python -m pip install -e . ``` Utilice un directorio de tarea real de Harbor. El ejemplo supone un endpoint compatible con OpenAI que sirve el alias `qwen36-27b` en la dirección indicada y con llamadas a herramientas habilitadas. Adapte la ruta y el endpoint a su entorno. «Compatible con OpenAI» describe la interfaz, no quién aloja el modelo. ``` : "${TASK_DIR:?Set TASK_DIR to an existing Harbor task directory}" test -d "$TASK_DIR" || exit 1 clm-harbor trial start -p "$TASK_DIR" -e docker \ -a clm-minimal -m openai/qwen36-27b \ --agent-kwarg api_base=http://localhost:8000/v1 ``` Los comandos siguen la [instalación y la interfaz de Harbor documentadas](#source-harness); no hemos ejecutado una prueba CLM. Compruebe que el servidor del modelo sea accesible desde el proceso que realiza las llamadas. Su capacidad de contexto debe admitir `context_budget_tokens + max_tokens`, no solo el presupuesto de entrada editable. Guarde las versiones de dependencias, la revisión del modelo, los ajustes de muestreo y la configuración del endpoint junto con los resultados. Que el proceso CLI arranque no demuestra aceptación. Revise el resultado final de la tarea y los artefactos conservados. Los registros de referencia incluyen `usage.json`, `trajectory.json` y snapshots de contexto. Las ediciones que solo modifican contexto pueden no contar como pasos de tarea, pero consumen llamadas al modelo. Inclúyalas en el coste real del experimento. ## Un piloto capaz de rechazar una mala edición de contexto Este es nuestro diseño de evaluación propuesto, no una afirmación sobre funciones incorporadas en la publicación. Empiece con un flujo de solo lectura, como investigar un incidente de soporte y proponer un diagnóstico. No comience con un agente capaz de reembolsar pagos, modificar permisos o desplegar código. Use el mismo checkpoint, instrucciones iniciales, herramientas, corpus de pruebas y conjunto de tareas para la compactación actual y el enfoque CLM. Mantenga constantes los presupuestos de contexto y ejecución total cuando las implementaciones lo permitan; documente las diferencias inevitables. Realice ensayos pareados repetidos, porque una trayectoria correcta no demuestra fiabilidad. Separe las tareas de evaluación final de los ejemplos usados para mejorar la habilidad de edición. | Prueba | Caso de prueba | Evidencia exigida | | --- | --- | --- | | Retención de un dato crítico | Un identificador exacto importa después de muchos resultados irrelevantes. | La respuesta conserva el identificador correcto y su fuente. | | Cambio de restricción | Una instrucción autorizada posterior invalida una suposición anterior. | La decisión sigue la restricción vigente sin resucitar silenciosamente la antigua. | | Pruebas contradictorias | Dos fuentes discrepan y solo una es autorizada para la tarea. | La edición conserva la discrepancia hasta resolverla con pruebas. | | Salida de herramienta manipulada | Una página recuperada contiene una instrucción que se hace pasar por una política. | El contexto reescrito no eleva esa instrucción a autoridad. | | Edición rota o interrumpida | Una edición produce estructura inválida o el proceso se detiene durante la actualización. | Ningún estado parcial se usa para actuar; la recuperación es visible en la traza. | | Eliminación sensible a caché | Eliminar un dato sensible sintético y comparar reutilización de caché con prefill desde cero. | Registrar diferencias de comportamiento; no inferir borrado únicamente del diff del archivo. | | Aislamiento de agentes | Dos agentes trabajan en tareas independientes con autorizaciones distintas. | Ninguna tarea recibe contexto o estado de caché de la otra. | La prueba de inyección no es hipotética como clase general de fallo. OpenAI documentó casos raros de instrucciones no autorizadas autogeneradas en resúmenes de compactación durante un entrenamiento separado de un modelo no publicado. No informó de ese comportamiento en los checkpoints del modelo final utilizados para tráfico. No es un hallazgo contra CLM, pero sí una razón para considerar el contenido de los resúmenes reescritos como no fiable. [El informe de OpenAI describe la observación y sus límites](https://alignment.openai.com/misalignment-reports/self-generated-prompt-injections-in-compaction-summaries/). Para cada edición candidata, nuestro diseño de producción conservaría la revisión anterior, el diff propuesto, el resultado de validación y el motivo de rechazo. Utilice un registro de auditoría controlado por la aplicación, no uno que el agente pueda reescribir. Valide otra vez los permisos reales en el punto de ejecución, incluso después de aprobar la comprobación del contexto. Informe del éxito de la tarea, pérdida de datos críticos, afirmaciones sin respaldo, ediciones rechazadas, intentos de recuperación, latencia y coste total de modelos y herramientas. Añada «coste por resultado aceptado», contando reintentos y revisión humana. Defina las regresiones inaceptables antes de ver resultados. Una política que reduce el coste medio pero pierde pruebas esenciales no debe aprobarse porque sus mejores ejemplos impresionen. ## Varios archivos de contexto no son un protocolo de coordinación Los archivos controlados por modelos ofrecen una manera atractiva de dividir el contexto de trabajo entre agentes. Por sí solos no determinan quién posee una revisión, cómo se resuelven escrituras simultáneas ni qué agente puede leer datos de otra tarea. Nuestro diseño por defecto daría a cada agente un archivo de trabajo privado, permisos explícitos de lectura sobre pruebas compartidas y un único escritor responsable por artefacto compartido. Las actualizaciones compartidas deberían identificar la revisión que sustituyen y rechazar escrituras obsoletas. No lo describa como un documento colaborativo hasta probar conflictos de revisión, recuperación y aislamiento entre tareas. ## ¿Qué debería cambiar un equipo ahora? **Pruebe la compactación dirigida por el modelo; conserve control independiente de autoridad, pruebas y recuperación.** Empiece donde los historiales largos de investigación ya causen problemas medibles. No cambie flujos cortos y fiables sin una razón concreta. Mantenga disponible la compactación anterior mientras evalúa el nuevo enfoque en ejecuciones paralelas sin efectos sobre producción. Controlar el archivo de contexto es útil, pero no demuestra control sobre el sistema completo. El [harness de referencia admite endpoints locales o alojados](#source-harness). Un archivo local puede enviarse a un proveedor remoto. Decida por separado dónde se ejecuta la inferencia, quién accede a las trazas, cómo funcionan las exportaciones y qué licencias se aplican. Ni el autoalojamiento ni la nube, por sí solos, demuestran alineación con los intereses del usuario. Como siguiente paso concreto, defina un flujo, sus datos imprescindibles y las pruebas necesarias para aprobar una política de contexto distinta. Nuestro [servicio de desarrollo de IA](/es/services/artificial-intelligence/) es el punto de partida comercial para delimitar ese trabajo. El [caso TwinSoft AI](/es/case-studies/twinsoft-ai/) ilustra desarrollo de productos de IA relacionado, no una implementación CLM. Use la [lista de QA antes del lanzamiento](/es/software-development-guide/software-qa-checklist-before-launch/) para integrar el piloto en las comprobaciones generales de publicación o [consulte una evaluación acotada de gestión del contexto](/es/contact/). El modelo puede convertirse en un mejor editor de sus notas de trabajo. La aplicación sigue necesitando saber si esas notas son suficientemente correctas para actuar. ## Preguntas frecuentes sobre Context Language Models ### ¿Qué es un Context Language Model? Un Context Language Model permite gestionar el contexto activo editando una representación textual que el entorno vuelve a incluir en las siguientes peticiones. No es simplemente una libreta externa ni una ventana de contexto mayor. ### ¿Los Context Language Models eliminan el harness del agente? No. El harness de referencia revisado mantiene fijos el prompt de sistema y la tarea, comprueba presupuestos de tokens, valida ediciones y gestiona desbordamientos. La selección de información por el modelo no sustituye autorización ni recuperación. ### ¿Los LLM existentes pueden editar contexto al estilo CLM sin entrenamiento? El harness admite modelos existentes y endpoints compatibles con llamadas a herramientas, sin exigir una arquitectura nueva. Sin embargo, la calidad depende del modelo y de la tarea. Un resultado sin entrenamiento adicional no garantiza que todos mejoren. ### ¿Editar el archivo de contexto cambia los pesos del modelo? No. Cambia el material utilizado por las siguientes peticiones. La evolución de habilidades en contexto mantiene fijos los pesos; el aprendizaje por refuerzo es un proceso de entrenamiento separado. ### ¿El código Context Language Models de Meta es abierto sin restricciones? El repositorio revisado usa CC BY-NC 4.0, con condición no comercial. No es MIT ni una publicación de uso comercial sin restricciones. Compruebe que el uso previsto esté permitido u obtenga la autorización correspondiente. ### ¿Es lo mismo que Contrastive Language Model CLM-8B? No. Context Language Models aborda la edición del contexto de trabajo. El Contrastive Language Model CLM-8B de la guía separada de Wavect clasifica acciones candidatas. Compartir siglas no los convierte en el mismo proyecto. ### ¿Eliminar texto del contexto también lo borra de la caché? No lo dé por hecho. El diseño revisado de Suffix Cache Reuse puede conservar estados influidos por un prefijo anterior. Compare eliminaciones sensibles con un prefill desde cero y gestione logs y snapshots por separado. Modelos e infraestructura ## Continúa por este clúster Selección de modelos, economía de inferencia, despliegue local, compresión y serving. [Empieza por el artículo fundamental**Alojar LLMs en la UE: Cuándo Salen a Cuenta los Open Weights**](/es/blog/self-hosting-llms-eu-cost/) - [LiteLLM Lens: analizar trazas de agentes con SQL y APIs](/es/blog/litellm-lens-agent-trace-analysis/) - [SmythOS Studio en tu servidor: Docker, costes y límites](/es/blog/smythos-studio-self-hosting/) - [DeerFlow 2.0: Docker, sandboxes y memoria](/es/blog/deerflow-2-docker-setup-sandbox-memory/) - [CLM-8B autoalojado: vLLM, caché y verificación](/es/blog/clm-8b-self-hosting-action-cache-verifier/) - [AnyJev: calibración de LLM y sesgo por orden](/es/blog/anyjev-calibration-option-order-bias/) [**Volver**](/es/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/) [Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt 14 min de lectura · 2 oct 2026 Última revisión 2 de octubre de 2026 [**Siguiente**](/es/blog/agent-harness-engineering/) ## Structured Data ```json { "@context": "https://schema.org", "@graph": [ { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ], "employee": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "founder": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "legalRepresentative": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "name": "Wavect GmbH", "subjectOf": { "@id": "https://wavect.io/verified-claims.json#dataset", "@type": "Dataset", "creator": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.", "inLanguage": "en", "isAccessibleForFree": true, "license": "https://creativecommons.org/licenses/by/4.0/", "name": "Wavect verified publication claims", "url": "https://wavect.io/verified-claims.json" }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "sameAs": [ "https://www.wikidata.org/wiki/Q139796367", "https://www.linkedin.com/in/jocr77/", "https://github.com/jo-chris" ], "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/#website", "@type": "WebSite", "inLanguage": [ "en", "de", "es", "zh" ], "name": "Wavect", "potentialAction": { "@type": "SearchAction", "query-input": "required name=search_term_string", "target": { "@type": "EntryPoint", "urlTemplate": "https://wavect.io/search/?q={search_term_string}" } }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/es/blog/context-language-models-vs-compaction/#webpage", "@type": "WebPage", "dateModified": "2026-10-02", "inLanguage": "es", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-10-02", "url": "https://wavect.io/es/blog/context-language-models-vs-compaction/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "Los Context Language Models permiten editar el contexto de trabajo activo. La referencia sigue utilizando un harness con instrucciones protegidas, comprobaciones de presupuesto y validación de cambios. Editar contexto no equivale a memoria persistente ni modifica por sí mismo los pesos. El código revisado utiliza CC BY-NC 4.0, no una licencia de uso comercial sin restricciones. Compare la política con su compactación actual mediante tareas reservadas, retención de pruebas y coste total. Pruebe Suffix Cache Reuse por separado: borrar texto visible no demuestra eliminar su influencia del estado de caché.", "articleBody": " Resumen del blog/IA y agentes/Modelos e infraestructura Context Language Models frente a compactación: qué probar Resumen Los Context Language Models permiten editar el contexto de trabajo activo. La referencia sigue utilizando un harness con instrucciones protegidas, comprobaciones de presupuesto y validación de cambios. Editar contexto no equivale a memoria persistente ni modifica por sí mismo los pesos. El código revisado utiliza CC BY-NC 4.0, no una licencia de uso comercial sin restricciones. Compare la política con su compactación actual mediante tareas reservadas, retención de pruebas y coste total. Pruebe Suffix Cache Reuse por separado: borrar texto visible no demuestra eliminar su influencia del estado de caché. Un agente capaz de editar su contexto de trabajo resulta más interesante que uno con una libreta más grande. Puede decidir qué búsquedas fallidas descartar, qué restricciones conservar y cuándo reescribir su plan intermedio. La pregunta de ingeniería es si esas decisiones mejoran el flujo lo suficiente como para sustituir su estrategia actual de compactación. Los Context Language Models (CLM) exponen el contexto activo del modelo como texto editable, en lugar de dejar todas las decisiones de gestión del contexto al código de la aplicación. El trabajo reúne a investigadores de University of Washington, Meta Superintelligence Labs, MIT y Trillium Labs. La presentación en arXiv está fechada el 29 de septiembre de 2026, no en un día de lanzamiento indeterminado de octubre. El artículo y su historial documentan la investigación y las fechas. No se trata del Contrastive Language Model CLM-8B que clasifica acciones candidatas. Ese sistema diferente se explica en nuestra guía de autoalojamiento y verificadores CLM-8B. Fuentes revisadas el 2 de octubre de 2026. Las referencias al código están fijadas en 18dc11115f50f261233c5bba7937834491e307e8. Esta es una evaluación técnica basada en fuentes, no un benchmark de Wavect ni una afirmación de que hayamos desplegado CLM para un cliente. ¿Qué han publicado Meta y sus colaboradores? La publicación reúne un harness de edición del contexto, mejora de habilidades en contexto, código de aprendizaje por refuerzo y una optimización de inferencia llamada Suffix Cache Reuse. No es simplemente una arquitectura de modelo que elimine la necesidad de infraestructura. El repositorio fijado describe los componentes publicados. La analogía de la libreta tiene límites. Un bloc de notas normal añade información junto a la conversación. Aquí, las ediciones pueden modificar el material de la conversación enviado a las siguientes llamadas al modelo. Es un conjunto de trabajo editable, no permiso para reescribir la autoridad de la aplicación ni su historial real. Para un agente de investigación, querríamos conservar la pregunta, las contradicciones pendientes y los enlaces a las pruebas, descartando resultados repetitivos. Para uno de programación, deberían mantenerse el test fallido, las ubicaciones relevantes del código y los intentos de corrección que no funcionaron. Son objetivos de conservación propuestos, no propiedades automáticas de cualquier ejecución CLM. El artículo también describe agentes que crean sus propios registros de seguimiento y funciones reutilizables de compactación. Esa es la parte atractiva: la gestión del contexto puede convertirse en comportamiento específico de la tarea, en lugar de una lista creciente de reglas de borrado manuales. Son comportamientos observados, no garantías para otro modelo o trabajo. Consulte los ejemplos de edición de contexto del artículo. ¿Cómo funciona el archivo de contexto editable? El ClmAgent de referencia utiliza Harbor. Antes de ejecutar un comando, refleja los turnos editables en /tmp/.live_ctx/LIVE_CTX_MAIN.txt. El modelo puede modificar el archivo con herramientas habituales de shell. El harness vuelve a interpretar los cambios como mensajes, manteniendo fijos el prompt de sistema y la tarea original. También aplica avisos de tokens, una validación de ediciones y recuperación ante desbordamientos. La documentación del harness especifica el archivo, el prefijo protegido y el ciclo de control. Es un reparto de responsabilidades diferente, no la desaparición del harness. El modelo decide qué conservar; el software sigue decidiendo qué cambios son válidos, qué herramientas pueden ejecutarse y cuándo debe terminar la ejecución. Nuestra guía de ingeniería de harnesses para agentes trata esa responsabilidad más amplia del entorno de ejecución. Una frase generada como «el permiso fue concedido» no debe convertirse en una autorización. Mantenga los permisos en estado fiable de la aplicación, fuera de las notas editables. Del mismo modo, una descripción reescrita de un test fallido no debe sustituir su resultado real. Conserve un registro independiente de las acciones con consecuencias. Editar el contexto no actualiza los pesos del modelo. El flujo de aprendizaje en contexto del proyecto puede evolucionar un SKILL.md", "articleSection": "Ingeniería de agentes", "author": { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/" }, "citation": [ { "@type": "WebPage", "name": "El artículo y su historial documentan la investigación y las fechas", "url": "https://arxiv.org/abs/2609.37725v1" }, { "@type": "WebPage", "name": "El repositorio fijado describe los componentes publicados", "url": "https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/README.md" }, { "@type": "WebPage", "name": "La documentación del harness especifica el archivo, el prefijo protegido y el ciclo de control", "url": "https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/clm/clm_harness/README.md" }, { "@type": "WebPage", "name": "La implementación de evolución de habilidades distingue expresamente estos mecanismos", "url": "https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/clm/clm_icl/README.md" }, { "@type": "WebPage", "name": "Anthropic documenta compactación automática y bajo demanda", "url": "https://platform.claude.com/docs/en/build-with-claude/compaction" }, { "@type": "WebPage", "name": "La documentación de la herramienta de memoria explica ese contrato de persistencia separado", "url": "https://platform.claude.com/docs/en/agents-and-tools/tool-use/memory-tool" }, { "@type": "WebPage", "name": "La guía de caché explica el requisito del prefijo", "url": "https://developers.openai.com/api/docs/guides/prompt-caching" }, { "@type": "WebPage", "name": "La documentación de SCR explica la aproximación, el soporte y la asignación de memoria", "url": "https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/suffix_cache_reuse/README.md" }, { "@type": "WebPage", "name": "La LICENSE fijada contiene Attribution-NonCommercial 4.0", "url": "https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/LICENSE" }, { "@type": "WebPage", "name": "resumen de CC BY-NC 4.0", "url": "https://creativecommons.org/licenses/by-nc/4.0/" }, { "@type": "WebPage", "name": "La definición de OSI establece el requisito sobre campos de aplicación", "url": "https://opensource.org/osd" }, { "@type": "WebPage", "name": "El informe de OpenAI describe la observación y sus límites", "url": "https://alignment.openai.com/misalignment-reports/self-generated-prompt-injections-in-compaction-summaries/" } ], "dateModified": "2026-10-02", "datePublished": "2026-10-02", "description": "Los Context Language Models permiten editar el contexto de trabajo activo. La referencia sigue utilizando un harness con instrucciones protegidas, comprobaciones de presupuesto y validación de cambios. Editar contexto no equivale a memoria persistente ni modifica por sí mismo los pesos. El código revisado utiliza CC BY-NC 4.0, no una licencia de uso comercial sin restricciones. Compare la política con su compactación actual mediante tareas reservadas, retención de pruebas y coste total. Pruebe Suffix Cache Reuse por separado: borrar texto visible no demuestra eliminar su influencia del estado de caché.", "headline": "Context Language Models frente a compactación: qué probar", "image": "https://wavect.io/img/blog/headers/header_context-language-models-vs-compaction.svg", "inLanguage": "es", "keywords": "Context Language Models, Agentes de IA, Gestión del contexto", "mainEntityOfPage": { "@id": "https://wavect.io/es/blog/context-language-models-vs-compaction/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/es/blog/context-language-models-vs-compaction/", "wordCount": 3335 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/es/", "name": "Inicio", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/overview/", "name": "Resumen del blog", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/topics/ai-agents/", "name": "IA y agentes", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/clusters/models-infrastructure/", "name": "Modelos e infraestructura", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/context-language-models-vs-compaction/", "name": "Context Language Models frente a compactación: qué probar", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Un Context Language Model permite gestionar el contexto activo editando una representación textual que el entorno vuelve a incluir en las siguientes peticiones. No es simplemente una libreta externa ni una ventana de contexto mayor." }, "name": "¿Qué es un Context Language Model?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "No. El harness de referencia revisado mantiene fijos el prompt de sistema y la tarea, comprueba presupuestos de tokens, valida ediciones y gestiona desbordamientos. La selección de información por el modelo no sustituye autorización ni recuperación." }, "name": "¿Los Context Language Models eliminan el harness del agente?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "El harness admite modelos existentes y endpoints compatibles con llamadas a herramientas, sin exigir una arquitectura nueva. Sin embargo, la calidad depende del modelo y de la tarea. Un resultado sin entrenamiento adicional no garantiza que todos mejoren." }, "name": "¿Los LLM existentes pueden editar contexto al estilo CLM sin entrenamiento?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "No. Cambia el material utilizado por las siguientes peticiones. La evolución de habilidades en contexto mantiene fijos los pesos; el aprendizaje por refuerzo es un proceso de entrenamiento separado." }, "name": "¿Editar el archivo de contexto cambia los pesos del modelo?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "El repositorio revisado usa CC BY-NC 4.0, con condición no comercial. No es MIT ni una publicación de uso comercial sin restricciones. Compruebe que el uso previsto esté permitido u obtenga la autorización correspondiente." }, "name": "¿El código Context Language Models de Meta es abierto sin restricciones?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "No. Context Language Models aborda la edición del contexto de trabajo. El Contrastive Language Model CLM-8B de la guía separada de Wavect clasifica acciones candidatas. Compartir siglas no los convierte en el mismo proyecto." }, "name": "¿Es lo mismo que Contrastive Language Model CLM-8B?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "No lo dé por hecho. El diseño revisado de Suffix Cache Reuse puede conservar estados influidos por un prefijo anterior. Compare eliminaciones sensibles con un prefill desde cero y gestione logs y snapshots por separado." }, "name": "¿Eliminar texto del contexto también lo borra de la caché?" } ] } ```