Investigadores de Meta AI y la Universidad de Illinois en Urbana-Champaign han publicado un nuevo artículo que presenta EvoHarness-RL, una capa de coordinación entrenable que permite a los agentes de modelos de lenguaje grandes crear, acceder y gestionar su propio estado externo. El resultado: una tasa de éxito del 96,9% en un benchmark estándar, frente al 47,9% del modelo base que se ejecuta sin ella.
Lo que realmente hace EvoHarness-RL
Los agentes de LLM tienen ventanas de contexto limitadas. Cuando una tarea se extiende a muchos pasos, involucrando conexiones dinámicas a API, registros del servidor, submetas pendientes y recuperación de errores, la memoria interna del modelo no es suficiente. Necesita un andamiaje externo para rastrear lo que cree sobre el mundo, qué progreso ha logrado y qué ha aprendido de errores pasados.
El marco introduce un estado externo estructurado basado en tres componentes: Creencia, Progreso y Experiencia, denominados colectivamente BPE. La Creencia captura la comprensión actual del agente sobre su entorno. El Progreso rastrea los subobjetivos completados y pendientes para que el agente no omita pasos ni realice trabajo duplicado. La Experiencia almacena lecciones aprendidas de errores, como cuando una base de datos rechaza un lote debido a límites de tasa de API, para que el agente pueda adaptar su enfoque.
El entrenamiento ocurre en dos etapas. Primero, el ajuste supervisado utilizando demostraciones de expertos enseña al modelo cómo interactuar con el entorno. Luego, una técnica de optimización consciente de costos llamada Group Relative Policy Optimization (GRPO) refina el comportamiento del agente para equilibrar el rendimiento de la tarea contra el costo computacional de las llamadas al entorno.
Los investigadores probaron su enfoque utilizando el modelo Qwen3-8B en ALFWorld, un benchmark para IA incorporada que requiere que los agentes completen tareas del hogar en múltiples pasos. La tasa de éxito del 96,9% en entornos familiares es impresionante por sí sola, pero quizás más revelador es la tasa de éxito del 86,6% en entornos no vistos.
Dos comportamientos que los investigadores no programaron explícitamente
El artículo destaca dos fenómenos emergentes que surgieron durante el entrenamiento, ninguno de los cuales fue diseñado directamente.
La primera es el “recocido de arnés”. Con el tiempo, el agente comienza a internalizar las operaciones rutinarias del arnés, reduciendo la frecuencia con la que necesita consultar el estado externo. Las llamadas al arnés disminuyen no porque el sistema se esté degradando, sino porque el modelo ha absorbido los patrones.
El segundo es “aprovechar la evolución”. A medida que el agente entrena, aprende a comprimir y reestructurar su estado externo en un formato más compacto adecuado para tipos específicos de tareas. La representación BPE se vuelve más ligera y más especializada sin ninguna intervención humana en su diseño.
Construyendo sobre trabajos anteriores
EvoHarness-RL se basa en Meta-Harness, un proyecto anterior de marzo de 2026 que se centraba en optimizar el código de encaje mediante técnicas de búsqueda agente. Mientras que Meta-Harness trataba el encaje como código que se mejora mediante búsqueda, EvoHarness-RL trata toda la capa de coordinación como algo que el modelo puede aprender a construir y refinar.
El artículo también informa mejoras respecto a marcos de agentes existentes como SkillOS y SkillRL, especialmente en tareas no vistas. La brecha entre el rendimiento en entornos familiares frente a nuevos es de aproximadamente 10 puntos porcentuales para EvoHarness-RL, en comparación con caídas mucho mayores en enfoques competidores.
Qué significa esto para la implementación de IA empresarial
Una tasa de éxito que aumenta de aproximadamente 48% a 97% en entornos controlados no es una mejora marginal. La tasa de generalización del 86,6% también importa, porque las tareas empresariales en el mundo real rara vez se parecen exactamente a los datos de entrenamiento.
La optimización consciente de los costos integrada en la etapa de entrenamiento GRPO también aborda una preocupación práctica. Las llamadas a arneses externos no son gratuitas. Consumen cómputo y añaden latencia. Al entrenar al agente para minimizar llamadas innecesarias mediante el enfriamiento por arnés, el marco se vuelve más eficiente con el tiempo sin sacrificar precisión.