Google Harness² Refuerza Mismo Modelo Sin Reentrenar

Un agente IA reúne dos cosas: un modelo que razona y un harness que lo equipa. El harness guarda consignas, reglas a respetar, memoria consultable, herramientas invocables y agentes auxiliares delegables. Google Research llama harnessing a optimizar esa capa, y la tesis cabe en una línea: agente igual modelo más harness. Un modelo brillante en una instalación descuidada produce trabajo flojo; el mismo modelo congelado logra puntajes muy distintos según su entorno.

Los equipos suelen montar esa instalación una sola vez para siempre. Sirve mientras las tareas se parecen a lo previsto y decae ante tareas frescas que nadie anticipó. Google llama a ese régimen mundo abierto : toparse con tareas ignoradas al montar el harness. El profesional citado en el video narra la misma pena en su sistema multiagente: un trabajo fallido casi nunca pide un modelo nuevo, siempre una instalación reparada.

Primero las cifras, luego el mecanismo

Las cifras vienen de tres suites profesionales: WorkBuddy-Bench para oficina, web y software; JobBench para tareas profesionales integrales; LAB, la prueba de agentes legales de Harvey. En cuatro combinaciones modelo-harness con GLM-5 y Gemini 3.5 Flash, un solo ciclo suma hasta 11,5 puntos en WorkBuddy-Bench, 4,5 en JobBench y 11,8 puntos de aprobación parcial en LAB. El repositorio GitHub muestra los mismos titulares en su README y los números del video calzan con la fuente primaria de software.

Lo llamativo es que todo ese avance sale de un solo ciclo, con los pesos intactos. Nadie reentrenó nada ni pagó un modelo base nuevo; solo cambiaron los archivos de alrededor. El artículo en arXiv muestra que presupuestos mayores suman más puntos, con corridas paralelas hasta k igual cinco. El patrón importa: saca el trabajo de harness del rumor y lo vuelve un eje de rendimiento medible. El registro arXiv queda como respaldo primario de medición.

Tres verbos y ocho archivos

Cada tarea atraviesa un bucle contrastivo de tres verbos: proponer, sondar, componer. Un editor de harness redacta dos montajes candidatos, uno contra flaquezas generales como planificar, otro para el dominio corriente. Ambos intentan la misma tarea en igualdad de condiciones y un compositor solo guarda los cambios que el contraste de conducta respalda. Ninguna clave guía la elección; el relato AI Primer cuenta cuatro corridas por tarea en el presupuesto base: base más dos candidatos más el compuesto.

La superficie editable cubre ocho piezas en archivos: consignas principales, barandas de límites duros, memoria consultada, guía de uso de herramientas, agentes auxiliares, paquetes de saber hacer y guiones listos, más el intermediario que observa cada turno. Las cuatro primeras fijan lo que el agente sabe al empezar; las dos siguientes, su uso de herramientas y el reparto; la última, el interior de cada turno. Quien ya pilota herramientas de agentes reconocerá los mismos bloques con otros nombres.

Todo esto cabe en una sola tarea: recursión a nivel tarea. Encima gira un segundo bucle, recursión a nivel harness. Tras cada tarea, un reflector de experiencia guarda el montaje adoptado y las lecciones que se sostienen. Van a una biblioteca de mejora durable, cuaderno de automejora que la tarea siguiente lee antes de proponer. Solo persisten lecciones probadas; el cuaderno se llena de jugadas comprobadas, no de apuestas. La reseña AgentGid subraya el mismo corte y anota que el editor tras las cifras es Claude Opus 4.8, más fuerte que los ejecutores.

Presupuestos, límites y lección

El presupuesto extra se gasta de dos modos. La recursión paralela prueba varios montajes a la vez y arma sucesores combinados: exploración ancha. La secuencial retoma el mejor montaje y lo pule ronda tras ronda: cala hondo. En ambas vías el rendimiento sube con el presupuesto. La ejecución corre hoy sobre herramientas ya comunes: OpenCode por defecto, Codex como opción.

Siguen los costos honestos. Cada sondeo repite al agente sobre la tarea entera; probar seis montajes más las sesiones de edición cuesta seis vueltas. De ahí el consejo de la guía oficial: empezar con un lote pequeño de tareas. Versión 0.1.0, ni producto oficial de Google ni app de un clic: máquina Linux y Python 3.12. La nota TheAIFeed plantea la pregunta justa: con el avance probado, el tema pasa a ser el presupuesto de ejecución. El acceso a red sigue sin cotas y Codex corre sin caja de arena: las campañas pertenecen a un espacio aislado.

Aparte las herramientas, la lección viaja bien: arreglar la instalación antes de culpar al cerebro. Consignas, reglas, guiones de memoria y paquetes de saber hacer son prosa común, editable por cualquiera. Esa disciplina ya sirve al agente que usted pilota hoy. Mi vara para estos marcos: si el bucle se potencia sin niñera humana; el mecanismo de biblioteca lo promete. Los ejecutores flojos ganaron más en la tabla: los primeros premios esperan a las instalaciones más enredadas, no a los modelos más fuertes.