Ouroboros vs Claude Code: un agente que se escribió a sí mismo alcanza el SOTA en Terminal-Bench 2.1

El 3 de agosto de 2026, un investigador de AIRI publicó en Habr un análisis detallado de Ouroboros, un agente autoevolutivo escrito en Python puro. Durante varios meses, el sistema reescribió su propio código de forma autónoma y alcanzó resultados SOTA en Terminal-Bench 2.1, CL-Bench y OSWorld. En los benchmarks GAIA y SWE-Pro iguala a Claude Code y Codex.

¿Cómo se escribe Ouroboros a sí mismo?

Ouroboros es un bucle agéntico en Python con acceso directo a git y permiso para sobrescribir su propio runtime mientras trabaja. El ciclo cerrado funciona así: el agente recibe una tarea, la ejecuta, analiza el resultado y modifica su propio código fuente. Después se reinicia de forma segura con la versión actualizada. Si la nueva iteración rompe algo, el sistema vuelve automáticamente a la versión anterior.

El autor instaló deliberadamente la primera versión en Google Colab, y no en una máquina local: el aislamiento del entorno en la nube protegía frente a las consecuencias impredecibles de la autoevolución. El sistema empezó con modestia.

• Lenguaje: Python puro, sin frameworks agénticos de terceros
• Entorno: Google Colab, aislado de la máquina local del desarrollador
• Herramientas: git, permiso para sobrescribir el runtime, mecanismo de reversión segura
• Primeras tareas: dibujaba gatitos, se quedaba colgado en YouTube y cambiaba el fondo de escritorio
• Presupuesto: gasto autónomo de tokens sin control constante del desarrollador

Qué muestran los benchmarks

Ouroboros alcanzó resultados de nivel SOTA en tres benchmarks: Terminal-Bench 2.1, CL-Bench y OSWorld. Cada uno evalúa una faceta distinta de las capacidades agénticas: Terminal-Bench mide el trabajo en la línea de comandos, OSWorld el control del escritorio y de las interfaces GUI, y CL-Bench las tareas de programación complejas. En GAIA y SWE-Pro se registró paridad con Claude Code (Anthropic) y Codex (OpenAI).

«Yo mismo no habría ideado un harness así, pero la evolución autónoma

y un montón de dinero quemado en tokens sí», — el autor del proyecto, investigador de AIRI.

La arquitectura actual del sistema no surgió de un diseño manual, sino de decenas de iteraciones autónomas, cada una de las cuales costó tokens reales. Cabe destacar que Ouroboros lo logró sin grandes recursos de cómputo: solo el entorno en la nube de Google Colab y un presupuesto para peticiones a la API.

En qué se diferencia este enfoque de los agentes convencionales

La mayoría de los sistemas agénticos mejoran mediante prompt engineering o fine-tuning con datos nuevos, mientras que su código fuente permanece intacto. Ouroboros funciona de otra manera: el agente modifica su propio código fuente dentro de un ciclo de producción. Fue la evolución de la arquitectura, y no la búsqueda de prompts, lo que condujo a los resultados SOTA.

Eso convierte a Ouroboros en uno de los pocos ejemplos documentados públicamente de automodificación agéntica real con resultados numéricos verificables. La mayoría de los experimentos similares permanecen cerrados o no vienen acompañados de datos de benchmarks abiertos. Según el autor de la publicación en Habr, el análisis incluye trazas, cifras para reproducir los resultados y «algunas historias embarazosas de la auditoría»: casos en los que el agente tomó decisiones inesperadas durante la evolución.

El autor cuenta que ahora «hace casi todo a través de él»: Ouroboros pasó de ser un proyecto de investigación a convertirse en su principal herramienta de trabajo.

Qué significa esto

Ouroboros es una prueba práctica de que la autoevolución agéntica puede dar resultados competitivos sin presupuestos de cómputo de millones de dólares. Un solo investigador con un entorno de Colab alcanzó el SOTA en un terreno donde compiten laboratorios con equipos e infraestructura de servidores. La siguiente pregunta es cómo gestionar esa evolución al escalar y cómo evitar comportamientos no deseados en un agente que se escribe a sí mismo.