La creciente demanda de agentes IA capaces de interactuar con herramientas externas ha impulsado la búsqueda de arquitecturas eficientes, especialmente para modelos de lenguaje pequeños que deben operar en entornos con recursos limitados. Sin embargo, entrenar estos modelos para que realicen razonamientos prolongados y encadenen llamadas a herramientas sigue siendo un desafío técnico considerable. Las técnicas tradicionales de aprendizaje por refuerzo ofrecen recompensas escasas al final de una secuencia, lo que dificulta corregir errores intermedios. Una alternativa popular es la destilación on-policy, donde un modelo profesor supervisa token a token las trayectorias generadas por el estudiante. No obstante, en tareas de razonamiento con herramientas, este enfoque presenta un problema crítico: cuando el estudiante comete un error en una llamada a una función, dicho error se propaga a los pasos siguientes, aumentando la divergencia entre profesor y estudiante y degradando la calidad de la supervisión. Para superar esta limitación, se ha propuesto un marco de destilación paso a paso que adapta dinámicamente la influencia del profesor en cada paso del razonamiento. En lugar de ponderar todos los tokens por igual, este método mide la divergencia local entre la salida del estudiante y la del profesor, y atenúa las señales del docente en aquellas regiones donde el alumno ya se ha desviado significativamente. De esta forma, se evita que el estudiante aprenda de indicaciones engañosas, al tiempo que se conserva una guía densa en los estados donde ambos modelos están alineados. Los resultados experimentales en conjuntos de datos de matemáticas, ciencia y código demuestran mejoras notables en modelos con apenas 600 millones de parámetros, logrando un rendimiento competitivo en problemas complejos como los de AIME 2025. Esta línea de investigación resulta especialmente relevante para empresas que buscan implementar soluciones de inteligencia artificial para empresas sin depender de infraestructuras masivas. En Q2BSTUDIO entendemos que la eficiencia computacional es clave para escalar aplicaciones reales. Por eso ofrecemos ia para empresas que integra agentes IA ligeros pero capaces, y desarrollamos aplicaciones a medida que se adaptan a las necesidades específicas de cada organización. Además, combinamos estos avances con servicios cloud aws y azure para garantizar despliegues ágiles, ciberseguridad robusta para proteger interacciones con herramientas externas, y servicios inteligencia de negocio con power bi para transformar los datos generados en información accionable. La destilación paso a paso representa un avance significativo hacia modelos de lenguaje más autónomos y eficientes, allanando el camino para una nueva generación de software a medida donde la inteligencia artificial opera de forma confiable incluso en entornos con recursos limitados.