Surge AI

El activo principal de Surge es quién puntúa el resultado. La compañía habla de más de 200.000 doctores en su red y cita entre sus colaboradores a economistas en activo, litigantes, ingenieros de la NASA, medallistas de la OMI y clínicos. En trabajos de alto riesgo, eso pesa más que el volumen. Un abogado que lee un contrato detecta errores que un anotador genérico pasa de largo, y esa diferencia llega a los datos de preferencias con los que aprende el modelo. El acceso va por disciplina, de modo que las áreas muy especializadas tardan más en cubrirse que las generales. Es un servicio de anotación experta de datos antes que una plataforma de etiquetado masivo, justo al revés que las herramientas de multitud.

Esta es la parte del catálogo pensada para agentes. Surge construye entornos de varios pasos con herramientas, sistemas internos y servidores MCP, y después escribe verificadores que puntúan si el agente terminó de verdad el trabajo. Un montaje publicado simula una empresa de atención al cliente y entrena modelos con tickets realistas; otro reproduce el seguimiento de políticas corporativas a lo largo de un manual de cien páginas. La ventaja es que fallar sale barato: un agente puede equivocarse mil veces dentro de la simulación antes de tocar un sistema real.

Una rúbrica convierte un juicio subjetivo en una nota, y ahí está el motor de buena parte de los datos RLHF que recoge Surge. En una tarea de preferencias, la persona elige la mejor de dos respuestas; en una tarea con rúbrica, descompone la calidad en criterios ponderados. Así, una biografía suma puntos por seguir fielmente la vida del personaje y los pierde por saltarse lo que la hacía interesante. Esa estructura permite evaluar en volumen sin que alguien relea cada respuesta, y además distingue lo competente de lo excelente, algo que un simple aprobado o suspenso esconde.

El catálogo vende los mismos datos que usa Surge en su trabajo con laboratorios, sin necesidad de un encargo. Las categorías cubren agentes de programación, agentes empresariales, razonamiento multimodal y razonamiento experto, con conjuntos como GDP.pdf, Chartography y ComplexConstraints. Entre los resultados publicados, Kimi K2.7 gana 20 puntos en SWE-Marathon tras entrenar con el conjunto de código. Los socios del programa Trusted pueden entrenar primero y pagar si funciona, lo que rebaja el riesgo de comprar datos antes de ver un número moverse.

Surge publica sus propias clasificaciones, puntuadas por profesionales y no por otro modelo. Antidote ordena respuestas cotidianas por su utilidad a largo plazo, Hemingway-bench puntúa escritura por gusto e inteligencia emocional, y la serie DAYJOB prueba agentes en finanzas y sanidad. Riemann-bench toma problemas avanzados de matemáticos en activo. Estos benchmarks dan a los compradores una referencia común y, de paso, sostienen el argumento público de que un evaluador experto supera al automático.

Surge trabaja en más de 70 idiomas con lingüistas que diseñan los datos según gramática, modismos y uso local, sin traducir prompts del inglés. En lo multimodal cubre imagen, audio, vídeo, documentos e interfaces. Un resumen jurídico en coreano o un titular brasileño lo escribe alguien que lo lee de forma nativa, y eso se nota cuando el modelo se despliega fuera de los mercados anglófonos.