Meta y dos universidades mejoran agentes de IA sin reentrenarlos

Un grupo de investigadores asociados a Meta, la Universidad de Duke y la Universidad de California en Davis propone mejorar un agente de IA sin tocar el modelo que lo impulsa. El método ajusta el «armazón» (harness, en inglés): las instrucciones, herramientas y contexto que rodean al modelo de lenguaje y determinan cómo actúa. Las afiliaciones a Meta y a las dos universidades las reporta DiarioBitcoin; el resumen de arXiv solo lista a los nueve autores.

El trabajo se titula «Mixture of Self-Improving Branches for Agent Harness Optimization» y se subió a arXiv el 29 de septiembre de 2026. Es un preprint: aún no pasó por revisión por pares.

Qué hace el método

Un agente de IA es un modelo de lenguaje con código a su alrededor que decide qué herramientas usar y qué información ve. Optimizar el armazón es buscar de forma automática una configuración que lo haga resolver mejor las tareas.

La propuesta anterior, Meta-Harness (de Yoonho Lee y coautores, según las referencias del preprint), hace esa búsqueda por una sola ruta y con un conjunto de desarrollo fijo. El nuevo trabajo la divide en ramas: cada una evoluciona con su propio subconjunto de casos y su propia política para proponer cambios. Al llegar una tarea, un enrutador elige qué rama usar.

Según los autores, la selección de armazones y la configuración del enrutador se basan solo en datos de desarrollo, sin acceso a los resultados de prueba.

Resultados reportados

Todas las mejoras se miden frente a Meta-Harness, no frente a un agente sin optimizar. Son cifras de los autores, sin réplica independiente:

• Matemáticas de nivel olímpico, Gemini 3 Flash: de 46,0% a 62,0% de precisión (mejora relativa de 34,8%), en 200 problemas reservados para la prueba.
• Matemáticas con Claude Sonnet 4.5: de 29,0% a 30,5% (5,2% relativo).
• Terminal-Bench 2.0 (tareas en línea de comandos), con Claude Sonnet 4.5: de 44,8% a 50,0% (11,6% relativo), en 58 tareas de prueba.
• SWE-bench Lite (resolución de incidencias de software), con Claude Sonnet 4.5: de 63,6% a 66,0% (3,8% relativo), en 250 tareas de prueba.

En los experimentos con Claude Sonnet 4.5 como modelo de acción, el preprint indica que los armazones los escribe Claude Opus 4.6. Los autores afirman que los resultados con Gemini 3 Flash se lograron sin reentrenar el modelo ni modificar sus pesos.

Lo que matizan los propios autores

El método consume más recursos. Con dos ramas, usa 1,21, 1,71 y 1,50 veces los tokens de resolución de tareas que Meta-Harness en matemáticas, Terminal-Bench 2.0 y SWE-bench Lite, respectivamente. En Terminal-Bench 2.0, el uso total pasó de 2.366,8 a 4.001,4 millones de tokens (un token es la unidad de texto que cobran los proveedores de modelos).

El preprint también admite que el enrutador queda ligeramente por debajo de la mejor rama individual en dos configuraciones y que las pocas evaluaciones repetidas limitan las conclusiones sobre eficiencia y fiabilidad.

Un cálculo de PrimixIA con los tamaños de prueba indica cuánto pesan algunos saltos: el 50,0% frente al 44,8% en Terminal-Bench 2.0 equivale a unas tres tareas más de 58, y el 66,0% frente al 63,6% en SWE-bench Lite, a unas seis incidencias más de 250.