Blobfish AI
Blobfish AI · Otro
Blobfish AI crea mundos de empresa simulados donde los agentes de IA practican flujos de trabajo reales con herramientas ficticias, dificultad ajustable y comprobaciones deterministas.
Acerca de Blobfish AI
About
Qué es Blobfish AI
Blobfish AI vende algo poco habitual: espacios donde los agentes de IA practican. Cada uno es un pequeño mundo de oficina, con hojas de cálculo, registros y sistemas de empresa simulados que el agente puede abrir, editar y estropear. Los flujos de trabajo empresariales simulados se comportan como un martes cualquiera en la oficina. El objetivo no es una ventana de chat más agradable. Es un sitio seguro donde un modelo intenta un trabajo real y recibe una respuesta exacta sobre si el resultado salió bien.
El problema que ataca es concreto. En un proyecto de postentrenamiento, los especialistas describen su trabajo, los ingenieros reconstruyen las herramientas y los investigadores buscan las pocas tareas que caen cerca de la capacidad actual del modelo. Ese trabajo lleva de tres a seis meses. Después el modelo aprende, las tareas se vuelven triviales y el ciclo arranca otra vez. En un proyecto, de treinta flujos mapeados solo seis quedaron cerca del límite de capacidad. La propuesta de Blobfish es generar esos entornos de entrenamiento para agentes de forma continua, para que cada ronda tenga un temario nuevo.
Los límites también importan. Es un servicio para equipos que entrenan sus propios modelos, no una aplicación de autoservicio. No hay lista de precios, ni registro, ni prueba pública: se habla con el fundador. Los mundos son versiones simuladas de software empresarial, así que los detalles que dependen de la API concreta de un proveedor no aparecen. El dato de referencia que publica la empresa es, además, un resultado interno temprano y no una réplica independiente.
Primeros pasos
- Habla con el equipo con tres datos a mano: qué modelo entrenas, qué flujos te interesan y cómo funciona tu ciclo de aprendizaje por refuerzo.
- Define los sectores. Blobfish elige o construye mundos que encajan con tu vertical: pagos, trabajo legal, atención al cliente u operaciones financieras.
- Recibe los entornos. Cada uno llega con datos ficticios, servidores MCP simulados, una interfaz de línea de comandos para el agente y un conjunto de tareas.
- Lanza tus rollouts contra las tareas. Cada intento termina con un informe del verificador determinista en lugar de la opinión de un modelo.
- Pide una generación nueva cuando las tareas dejen de ser difíciles y guarda el set anterior como suite de regresión.
Información del producto
Un vistazo rápido a los precios, las plataformas compatibles y el rendimiento de Blobfish AI.
Ideal para
Los usuarios, tareas y casos de uso en los que esta herramienta encaja mejor.
Usuarios
- Ingenieros de postentrenamiento y aprendizaje por refuerzo
- Grupos de investigación aplicada dentro de empresas grandes
- Equipos de producto que venden agentes a empresas
Tareas
- Generar tareas de aprendizaje por refuerzo a una dificultad concreta
- Probar el uso de herramientas en varios pasos
- Montar una suite de regresión del comportamiento
- Entrar en un sector nuevo sin contratar especialistas
Casos de uso
- Una ronda de entrenamiento en la que el set anterior se quedó fácil
- Comprobaciones antes del lanzamiento de un agente que toca dinero o datos de clientes
- Un dominio para el que nunca has creado herramientas, como gestión de siniestros o conciliación de facturas
Funciones clave
Datos simulados con coherencia
Cada entorno llega con registros, archivos y estados conectados que se comportan como los de una oficina. Un balance enlaza con los asientos que lo sostienen y editar un valor cambia lo que el verificador espera. Ese enlace es lo que convierte una simulación de agentes de IA en material de entrenamiento y no en un cuestionario con decorado.
Servidores MCP simulados y una CLI común
Las herramientas llegan como servidores MCP simulados de CRM, ERP y hojas de cálculo, todos accesibles desde una única interfaz de línea de comandos. El agente llama a las herramientas igual en todos los mundos, así que tu harness no necesita un adaptador por dominio. Los permisos y las relaciones forman parte del montaje, de modo que un agente puede fallar por falta de acceso y no solo por elegir la fila equivocada.
Tareas con dificultad ajustable
Las tareas se apoyan en flujos reales y vienen graduadas por dificultad, con resultados conocidos asociados. Puedes pedir tareas cerca del límite actual del modelo en vez de adivinar cuáles le van a enseñar algo. Se pierde menos tiempo descartando ejecuciones en las que el modelo siempre acertaba o siempre fallaba.
Verificadores deterministas
Cada ejecución termina con una comprobación por reglas del estado del mundo, no con un modelo de lenguaje puntuando la transcripción. Así el veredicto es reproducible: la misma acción da el mismo resultado. Para quien haya sufrido jueces ruidosos, ese detalle cambia cuánto de un lote merece la pena leer.
Grafos de flujo y tareas escritas al revés
La empresa primero demuestra que un flujo de herramientas funciona y después redacta la petición que lleva hasta él. Construye el mundo, mapea las interacciones válidas entre herramientas, muestrea una ruta con un estado final conocido y solo entonces escribe una tarea que un empleado delegaría. Las peticiones raras se marcan para revisión sin bloquear la versión ejecutable.
Generación continua a escala
La promesa es volumen con un objetivo que se mueve. En un experimento temprano el equipo generó 2.000 entornos de un dominio concreto y entrenó con ellos un modelo de 14.000 millones de parámetros, que luego superó a un modelo DeepSeek mucho mayor en un benchmark de MCP. Conviene leerlo como resultado de la empresa: la evaluación independiente seguía en curso cuando se escribió esta ficha.
Ventajas y desventajas
Ventajas
- Los verificadores deterministas recortan el ruido del modelo como juez, así que una ejecución fallida dice algo concreto.
- El suministro de tareas es el producto, y eso ataca el cuello de botella real del postentrenamiento en lugar del paso previo que ya estaba resuelto.
- Las herramientas empresariales simuladas con permisos permiten probar fallos como acceso ausente o registros obsoletos, no solo respuestas equivocadas.
- Una sola CLI para CRM, ERP y hojas de cálculo mantiene estable tu harness cuando añades un dominio.
- Los entornos antiguos sirven como suite de regresión, así un checkpoint nuevo se enfrenta a los mismos mundos que el anterior.
Desventajas
- Sin precios publicados ni prueba de autoservicio, no puedes comparar coste o encaje sin una llamada.
- Los sistemas simulados solo se parecen al software real de empresa, y las rarezas de la API de un proveedor concreto no salen hasta que pruebas contra el sistema de verdad.
- Las cifras del benchmark las publica la empresa; no hay entrada en un ranking independiente con la que contrastarlas.
- Es infraestructura, no un producto al que entras y usas. Sin tu propio ciclo de entrenamiento no hay nada que ejecutar.
Preguntas frecuentes
Proporciona entornos de trabajo simulados para el entrenamiento de agentes de IA. Los equipos los usan para generar tareas verificables de aprendizaje por refuerzo, probar el uso de herramientas en varios pasos y comprobar si el agente cambió un sistema correctamente.
Contenido relacionado
Explora herramientas, habilidades y artículos relacionados con Blobfish AI.
Alternativas a Blobfish AI
Odyssey 3
Odyssey · OtroOdyssey-3 es el modelo del mundo fundacional de Odyssey. Simula física en tiempo real, convierte una descripción en un entorno interactivo y se adapta a robots, coches y videojuegos.
JarvisCore
Prescott Data · Programación · Productividad · OtroJarvisCore es un runtime de código abierto en Python donde los agentes de IA actúan como pares en una malla, reclaman tareas de un libro mayor compartido y llegan a servicios externos por un bróker sin confianza.
Clef
Cloudflare · Negocios · OtroClef es el modelo de decisión de código abierto de Cloudflare para Workers AI. Devuelve probabilidades calibradas para preguntas tipadas en lugar de texto, así que un agente clasifica, enruta y actúa rápido.