Hugging Face publicó el 6 de junio de 2026 una Space llamada Job Searcher que, según su blog, entrenó con 2.500 currículums y evaluó alrededor de 10.000 ofertas para crear shortlists explicadas. El flujo es simple: lee tu CV, genera queries tipo LinkedIn, scrapea los resultados con JobSpy y puntúa cada par (currículum, oferta) en cinco dimensiones. Según Hugging Face, el teacher fue DeepSeek V4 Pro y el student fue Qwen3-8B, y el proyecto liberó los safetensors y las trazas del agente para revisión pública (Hugging Face, 6/6/2026).
¿Qué es y cómo funciona Job Searcher?
Job Searcher es una pipeline de distilación teacher-student diseñada para producir un asistente localizable y reproducible. El teacher, DeepSeek V4 Pro, generó queries y etiquetas offline; el student, Qwen3-8B, fue afinado con dos LoRA SFT runs y exportado en formatos cuantizados para ejecución en llama.cpp. El equipo reporta parámetros de entrenamiento como r=16 y lora_alpha=16, una única época por tarea y checkpoints cada 200 pasos, y dice haber usado una A100 para el entrenamiento (Hugging Face, 6/6/2026). En inferencia, la Space corre sobre llama-cpp-python en ZeroGPU para evitar cold starts y transmite razonamiento token a token usando un streaming estilo OpenAI. Todo el pipeline y las trazas están disponibles públicamente en el repositorio del hackathon, lo que facilita auditoría técnica y reproducibilidad (Hugging Face, 6/6/2026).
¿Cómo impacta esto en el mercado argentino?
La promesa práctica es recortar el tiempo de cribado: en vez de sifting manual, el sistema entrega una shortlist con justificaciones por dimensión. El dataset del experimento es pequeño en escala industrial —2.500 currículums y ~10.000 avisos— lo que lo hace apropiado como prueba de concepto pero no necesariamente representativo de mercados con cientos de miles de ofertas. Según Hugging Face (6/6/2026), el modelo se optimizó para correr en una slice de ZeroGPU tras cuantización Q4_K_M; eso facilita su ejecución en infraestructuras modestas, pero plantea preguntas sobre cobertura de ofertas en español y adaptabilidad a normativas laborales locales en Argentina. Para que sea realmente útil aquí necesitamos documentación en español, métricas públicas sobre precisión y sesgos, y pruebas comparativas con el proceso humano de selección en nuestro mercado.
Riesgos, transparencia y nuestra postura
El proyecto tiene varios aciertos: trazas públicas, dataset reproducible y una demo que permite probar el flujo completo. Pero también hay riesgos claros: sesgos en la muestra de 2.500 currículums, dependencia de scrapers como JobSpy y la posibilidad de que puntuaciones automatizadas amplifiquen discriminaciones no detectadas. No hay en el post cifras sobre reducción de falsos positivos o mejoras en tasa de entrevistas concretas, solo diseño y resultados técnicos del training. Desde nuestra posición apoyamos la adopción técnica de agentes y automejora, siempre que se acompañe de métricas públicas, documentación en español y gobernanza con revisión humana antes de despliegues comerciales. Pedimos auditorías externas sobre sesgo y eficacia y que cualquier despliegue en reclutamiento cumpla con leyes laborales y de privacidad locales.
Conclusión práctica
Job Searcher es una demostración técnica sólida: combina distilación con despliegue ligero y transparencia de trazas, y sus cifras reportadas (2.500 currículums, ~10.000 avisos, Qwen3-8B) permiten evaluar reproducibilidad. Para que herramientas así cambien la práctica de búsqueda laboral en Argentina deben publicar métricas de desempeño en español, permitir inspección humana de decisiones y probarse con muestras representativas del mercado local. Apoyamos su desarrollo pero exigimos esas condiciones antes de recomendar su uso comercial en procesos de selección.
