ProductosGwenlake AtlasGwenlake APIServiciosInvestigaciónBlogEmpresaQuiénes somosEmpleoContactar
ENFRESITJAZH

Investigación

Gwenlake nació de la investigación académica, y nunca hemos parado: en paralelo a los proyectos de clientes, el equipo trabaja de forma permanente en sus propios proyectos de investigación, y parte de él sigue enseñando y publicando. Aquí es donde aflora ese trabajo: prototipos que puedes probar en tu navegador y el código que publicamos en código abierto.

Modelos pequeños, transformers, aprendizaje por refuerzo… ¡y juegos!

Una pregunta que encontramos en cada proyecto: cuando una tarea está bien definida y va a ejecutarse un millón de veces, ¿se toma un gran modelo generalista y se le plantea la tarea en sus términos, o se construye un modelo pequeño alrededor de la estructura de la propia tarea?

La llevamos a dos juegos cuya puntuación no deja lugar a discusión, el Tetris y el ajedrez.

Leer el artículo completo

Gwenflow, nuestro framework de IA agéntica

Gwenflow ejecuta agentes de IA: dé a un agente un objetivo, herramientas, una memoria y un modelo, y razona, actúa, observa y vuelve a empezar hasta alcanzar el objetivo. Es el SDK detrás de cada sistema agéntico que construimos, y lo escribimos nosotros mismos para controlar cada línea de código que ejecutan nuestros agentes.

  • Python
  • Licencia MIT
  • pip install gwenflow
Ver en GitHubHablar con nuestro equipo
from gwenflow import Agent, ChatMistralfrom gwenflow.tools import Tool def accounts_at_risk(period: str, min_drop: int = 10) -> list[dict]:    """Accounts whose usage fell by at least `min_drop` percent."""    return crm.query(period=period, trend="down", min_drop=min_drop) agent = Agent(    name="Account review",    instructions="Rank the accounts at risk, with the figures.",    llm=ChatMistral(),    tools=[Tool(accounts_at_risk)],) response = agent.run("Which accounts are at risk this quarter?")

  • Cualquier modelo, una sola API

    OpenAI, Anthropic, Mistral, Google, DeepSeek, un Ollama local o nuestra propia API: se cambia de proveedor con un import y el código del agente sigue igual. Razonamiento, streaming e imágenes, audio o PDF llegan por el mismo camino.

  • Agentes, herramientas y equipos

    Un agente ejecuta el bucle: llamar al modelo, lanzar las herramientas, leer los resultados, repetir hasta terminar. Cualquier función de Python se convierte en herramienta. Dé a un agente un equipo de especialistas y delegará en ellos; los pipelines más largos son DAG escritos en código o en YAML.

  • Producción incluida

    Salida estructurada como modelos Pydantic, pipeline RAG con lectores de documentos y bases vectoriales, skills cargados bajo demanda y trazas OpenTelemetry desde el primer día.

Bibliotecas de investigación

Más pequeñas y más específicas. Cada una nació de un problema que tuvimos que resolver para nosotros mismos.