Por Canuto  

Investigadores de Meta AI y la Universidad de Illinois desarrollaron EvoHarness-RL, un sistema que permite a los agentes de IA construir y administrar su propia memoria externa. En pruebas con Qwen3-8B, el framework elevó el éxito en ALFWorld del 47,9% al 96,9% y alcanzó 86,6% en entornos no vistos.
***

  • EvoHarness-RL organiza la memoria externa de los agentes mediante tres elementos: creencia, progreso y experiencia.
  • El modelo Qwen3-8B alcanzó una tasa de éxito de 96,9% en entornos familiares y de 86,6% en escenarios no vistos de ALFWorld.
  • Durante el entrenamiento surgieron comportamientos llamados recocido y evolución del harness, que reducen consultas y compactan el estado externo.

Investigadores de Meta AI y de la Universidad de Illinois Urbana-Champaign presentaron EvoHarness-RL, una capa de coordinación entrenable diseñada para que los agentes basados en grandes modelos de lenguaje administren su propio estado externo. El sistema busca resolver una limitación central de estas herramientas: cuando una tarea exige muchos pasos, llamadas dinámicas a API y recuperación de errores, la memoria disponible dentro del modelo puede dejar de ser suficiente para sostener una estrategia coherente.

Según el reporte publicado por Crypto Briefing el 28 de agosto de 2026, el framework llevó al modelo Qwen3-8B a una tasa de éxito de 96,9% en entornos familiares del benchmark ALFWorld, frente a 47,9% del modelo base sin esta capa de coordinación. La prueba también registró un desempeño de 86,6% en entornos no vistos, un resultado que coloca el foco no solo en la precisión, sino en la capacidad del agente para trasladar lo aprendido a situaciones nuevas.

Una memoria externa organizada para tareas largas

Los agentes de IA suelen operar dentro de ventanas de contexto limitadas, una restricción que se vuelve más visible cuando deben completar procesos con numerosos pasos encadenados. En esos escenarios, el sistema necesita conservar una representación actualizada del entorno, identificar qué objetivos ya cumplió y recordar qué decisiones anteriores provocaron fallos o bloqueos.

EvoHarness-RL introduce una estructura externa compuesta por tres elementos que los investigadores agrupan bajo las siglas BPE: Belief, Progress y Experience. En español, estos componentes representan la creencia del agente sobre su entorno, el progreso de sus objetivos y la experiencia acumulada a partir de errores o resultados previos.

El módulo de creencia registra la interpretación vigente que el agente tiene sobre el mundo con el que interactúa, mientras que el módulo de progreso organiza las tareas completadas y pendientes. Esta separación pretende evitar que el sistema salte pasos, repita trabajo o pierda de vista un subobjetivo mientras responde a nuevos eventos durante la ejecución.

La experiencia cumple una función distinta, porque almacena lecciones que pueden cambiar la conducta del agente en intentos posteriores. Un ejemplo descrito en el material es el caso de una base de datos que rechaza un lote debido a los límites de frecuencia de una API, una señal que el agente podría usar para modificar su estrategia en lugar de repetir la misma solicitud.

Entrenamiento en dos etapas y resultados de la prueba

El entrenamiento de EvoHarness-RL se desarrolla en dos fases. Primero, un ajuste fino supervisado utiliza demostraciones de expertos para enseñar al modelo cómo interactuar con el harness, es decir, con la capa que le permite consultar, actualizar y organizar el estado externo necesario para resolver la tarea.

Después, los investigadores aplican Group Relative Policy Optimization, conocida como GRPO, para refinar el comportamiento del agente. La técnica incorpora una consideración práctica: el modelo debe equilibrar el rendimiento de la tarea con el costo computacional y la latencia derivados de las llamadas adicionales al harness.

La evaluación se realizó con Qwen3-8B en ALFWorld, un benchmark de IA encarnada que plantea tareas domésticas de múltiples pasos. El agente debe interpretar instrucciones, interactuar con objetos y sostener una secuencia de decisiones, por lo que el entorno permite observar con claridad si una memoria externa ayuda a mantener el rumbo o solo añade complejidad.

En los entornos familiares, EvoHarness-RL alcanzó 96,9% de éxito, frente al 47,9% del modelo base que opera sin la capa. La diferencia es especialmente amplia en términos relativos, aunque corresponde a una prueba controlada y no demuestra por sí sola que el sistema tenga el mismo comportamiento en operaciones empresariales abiertas, con datos impredecibles y restricciones de seguridad más exigentes.

El resultado en entornos no vistos fue de 86,6%, una cifra que los investigadores presentan como evidencia de generalización. La brecha aproximada de 10 puntos porcentuales entre escenarios familiares y nuevos sugiere que la estructura externa no solo ayuda a repetir soluciones conocidas, sino también a reorganizar información cuando cambian las condiciones de la tarea.

Dos comportamientos que surgieron durante el aprendizaje

El artículo identifica dos fenómenos que no fueron programados de manera explícita: el recocido del harness y la evolución del harness. Ambos describen cambios en la relación entre el modelo y la capa de coordinación, y muestran que el agente no se limita a utilizar una memoria diseñada de antemano con reglas completamente fijas.

Con el recocido del harness, el agente empieza a interiorizar operaciones rutinarias que antes requerían consultas frecuentes al estado externo. Por esa razón, la cantidad de llamadas al harness disminuye con el tiempo, no necesariamente porque el sistema pierda capacidades, sino porque el modelo incorpora ciertos patrones y deja de solicitar ayuda para acciones que ya domina.

El segundo fenómeno, denominado evolución del harness, aparece cuando el agente aprende a comprimir y reestructurar la información externa. La representación BPE puede volverse más compacta y especializada para determinados tipos de tareas, sin que una persona tenga que rediseñar manualmente cada campo o imponer una nueva arquitectura de memoria.

Estos comportamientos tienen una consecuencia importante para el diseño de agentes: la capa externa podría funcionar como un componente que también aprende a cambiar. En lugar de obligar a todos los modelos a utilizar un formato idéntico, el enfoque permite que la coordinación se ajuste a los patrones de trabajo que aparecen durante el entrenamiento y la ejecución.

Continuidad con Meta-Harness y retos empresariales

EvoHarness-RL se sitúa en la misma línea de investigación que Meta-Harness, un proyecto anterior de marzo de 2026 que trataba el harness como código susceptible de optimización mediante búsqueda agéntica. La diferencia central es que el trabajo nuevo considera toda la capa de coordinación como una capacidad que el propio modelo puede aprender a construir, usar y perfeccionar.

El material también reporta mejoras frente a frameworks de agentes como SkillOS y SkillRL, particularmente cuando las pruebas se realizan en tareas no vistas. De acuerdo con la comparación presentada, EvoHarness-RL mantiene una caída de rendimiento cercana a 10 puntos porcentuales entre ambientes familiares y nuevos, mientras que los enfoques competidores registran descensos mayores.

Para el despliegue empresarial, el salto desde aproximadamente 48% hasta 97% en un entorno controlado resulta relevante porque una tasa baja de finalización puede obligar a una persona a intervenir repetidamente. Sin embargo, las compañías también deben considerar que una memoria externa puede ampliar la superficie de errores, conservar información incorrecta o introducir decisiones difíciles de auditar si el agente modifica su propio estado sin controles adecuados.

La generalización de 86,6% adquiere importancia porque los procesos reales rara vez coinciden exactamente con los ejemplos de entrenamiento. Un agente que trabaja con sistemas internos, APIs cambiantes, registros de servidor y objetivos simultáneos necesitaría demostrar no solo que completa la tarea, sino que explica sus decisiones, respeta permisos y permite corregir sus recuerdos cuando almacena una conclusión equivocada.

El costo de las consultas constituye otro factor práctico. Cada llamada externa al harness puede consumir cómputo y añadir latencia, de modo que el entrenamiento con GRPO y el recocido observado apuntan a una posible reducción de solicitudes innecesarias sin sacrificar la tasa de éxito; aun así, el equilibrio final tendría que medirse en cargas de trabajo empresariales distintas a ALFWorld.

El avance presentado por Meta AI y la Universidad de Illinois no convierte automáticamente a los agentes en sistemas autónomos confiables, pero sí propone una forma distinta de abordar su memoria y coordinación. La idea de que el agente aprenda a construir su propio andamiaje podría impulsar herramientas más adaptables, aunque su utilidad dependerá de validaciones adicionales sobre seguridad, costos, trazabilidad y desempeño fuera de los benchmarks controlados.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados