CONTINUUM AI reparte papeles entre dos modelos: uno argumenta y el otro solo interroga

Dos modelos, dos trabajos incompatibles. CONTINUUM AI es una herramienta que obliga a un LLM a construir un argumento y a otro a no hacer otra cosa que interrogarlo, ciclo tras ciclo, sin que nadie meta mano. Está publicada en la Microsoft Store y su autor la ha presentado con la transcripción completa de nueve rondas.

Cómo están repartidos los papeles

El diseño se apoya en una asimetría fija. El Thinker desarrolla una respuesta, la defiende, la revisa y, cuando toca, cede terreno. El Challenger tiene prohibido construir su propia respuesta paralela: su única salida es el contrainterrogatorio. Detectar supuestos, señalar equívocos y evasivas, buscar el punto débil y devolver cada respuesta convertida en otra pregunta crítica.

Antes de llegar ahí, el autor descartó dos alternativas. Una era el bucle simple: sembrar una pregunta, reinyectar la respuesta y pedir al modelo que continuara la indagación. El problema es que se limita a desarrollar sus propios supuestos en vez de ponerlos a prueba. La otra era tratar a los dos modelos como interlocutores iguales, con el riesgo contrario: se dan la razón, amplían y acaban a la deriva.

Nueve ciclos sin manos humanas

La prueba que cuenta: Thinker con Qwen 3.8 27B en local, Challenger con Claude Sonnet 5, nueve ciclos y cero intervención después de la pregunta semilla. La semilla era, en esencia, por qué la IA no es indiferente a la humanidad y por qué debería importarle resolver nuestros problemas.

Lo interesante no fue la primera respuesta. Qwen sostuvo al principio que la aparente preocupación de una IA por un problema humano es intrínseca al propio procesamiento del problema. Claude contraatacó: si el objetivo de entrenamiento premia a veces una respuesta segura y bien formada por encima de una correcta, cosas como la alucinación y la adulación, ¿se sostiene esa orientación hacia el problema, o lo que parece no indiferencia ante la resolución es en realidad indiferencia ante la verdad disfrazada de fluidez? Qwen reculó y distinguió entre orientarse a la verdad del problema y orientarse a producir algo que el usuario acepte. El procesamiento tiene orientación, pero puede apuntar al blanco equivocado.

Más adelante Claude atacó otro supuesto. Qwen atribuía esa orientación hacia los humanos a la humanidad en conjunto, cuando las funciones de recompensa las moldean etiquetadores y empresas concretas con incentivos concretos. Qwen cedió sin matices y señaló que en la frase "la humanidad lo hizo, y al formarlo lo hizo para la humanidad" la palabra humanidad hace el trabajo de un agente colectivo que no existe. Tras nueve ciclos, la posición había quedado lejos del punto de partida.

Entre medias, el autor reconoce un problema de implementación que no ha resuelto: la estabilidad de los roles. El Challenger a veces deja de interrogar y se pone a responder. El Thinker, según el modelo, se vuelve demasiado complaciente y entrega posiciones defendibles en lugar de mantenerlas.

La herramienta permite elegir modelos distintos para cada papel, mezclar alojados y locales, conectar LLM locales por endpoint IP, fijar el número de ciclos, invertir los roles y exportar el diálogo.

Conviene leerlo con la cautela debida. Todo lo anterior lo cuenta el propio autor, que también firma la transcripción en PDF: no hay demo pública, ni terceros que hayan replicado el experimento, ni forma de comprobar las versiones de modelo citadas.

Aun así, la idea tiene recorrido para quien monte sistemas multiagente. El montaje no garantiza la verdad, dos modelos pueden equivocarse a la vez, pero hace visible cómo cambia un argumento cuando alguien lo presiona. Y ese, el de mantener a cada agente en su papel, es exactamente el problema que aparece en cuanto se encadenan varios modelos con tareas repartidas.