EvoBelief enseña a los agentes LLM a comprobar hipótesis sobre el mundo: 83,3% frente a 0% en el baseline

Un agente que sabe actuar pero entiende mal cómo funciona el mundo acaba equivocándose igualmente. Un nuevo trabajo en arXiv propone EvoBelief, un sistema en el que una LLM congelada construye y revisa un modelo del entorno en forma de hipótesis refutables. En ALFWorld, sin actor-side transition memory, mejora la tasa de éxito un 23,9% con Claude Haiku 4.5 y un 31,3% con GPT-5.4 respecto a una Frozen World Model comparable. En Reactor Lab, de DiscoveryWorld, el método completa el 83,3% de las tareas de nivel Normal y el 58,3% de las de nivel Challenge, mientras que cada uno de los baselines evaluados obtuvo 0%.

La mayoría de los agentes self-evolving mejoran sus procedimientos: acumulan experiencia, reflexionan, construyen bibliotecas de habilidades. Los autores de EvoBelief eligen otro eje de automejora: las creencias sobre la dinámica del entorno. Si el agente cree que la puerta se abre con una llave y en el entorno se ha cambiado la regla, ninguna habilidad lo salvará. Peor aún, una creencia errónea que resultó útil en una tarea se traslada a otras y las estropea.

Cómo funciona el mecanismo

El conocimiento sobre el entorno se almacena como un conjunto de hipótesis con un ámbito de aplicación acotado. Una hipótesis nace en dos casos: cuando el resultado de una acción es inesperado o cuando el agente se topa con una incógnita de la que depende una decisión.

Después entra en juego la disciplina de verificación. Una regla no pasa a las predicciones ni a los planes hasta que se confirma de forma independiente, ya sea con observaciones posteriores o con experimentos controlados. La confirmación no puede proceder del mismo episodio que generó la hipótesis. Si aparece un contraejemplo, la regla se restringe o se retira. Así el agente reacciona a los cambios del entorno en lugar de aferrarse a una imagen obsoleta.

Los pesos del modelo de lenguaje no se tocan. Solo cambia la base externa de reglas, y cada entrada conserva su vínculo con las evidencias y con las decisiones que modificó. Para los ingenieros, esto significa que pueden abrir la base y ver por qué el agente actuó de una manera y no de otra.

Resultados en cuatro benchmarks

Las pruebas se hicieron con cuatro conjuntos de tareas: dinámica estática, deriva oculta y descubrimiento científico. El texto del trabajo ofrece los siguientes datos:

• ALFWorld sin actor-side transition memory: +23,9% de tasa de éxito respecto a Frozen World Model con Claude Haiku 4.5.
• ALFWorld, mismo planteamiento con GPT-5.4: +31,3%.
• MiniGrid: el agente revisa las reglas obsoletas y se recupera tras cambios de dinámica no anunciados.
• DiscoveryWorld, Reactor Lab, nivel Normal: 83,3% de instancias completadas.
• DiscoveryWorld, Reactor Lab, nivel Challenge: 58,3%.
• Todos los baselines evaluados en Reactor Lab: 0% en ambos niveles.

Una observación: los porcentajes 83,3 y 58,3 se parecen a 10 de 12 y 7 de 12, es decir, la muestra por nivel probablemente sea pequeña. La distancia respecto al cero impresiona, pero conviene comprobar la robustez estadística con conjuntos mayores. Además, la comparación en ALFWorld está ligada a una configuración concreta, sin memoria de transiciones en el lado del actor, y en otros ajustes la mejora puede ser distinta.

Reactor Lab merece una mención aparte: el agente no se limita a memorizar, sino que descubre y confirma leyes cuantitativas. Para las tareas de búsqueda científica, esto se acerca más al trabajo real que navegar por habitaciones.

Qué llevarse a la práctica

Si construyes agentes para entornos de larga duración (herramientas internas, API que cambian sin previo aviso, simulaciones, automatización de laboratorio), la idea es aplicable incluso sin esta implementación concreta. Guardar las suposiciones sobre el entorno por separado de las habilidades y los prompts. Asignar a cada regla un ámbito de aplicación y un enlace a sus evidencias. No permitir que una regla entre en la planificación antes de una verificación independiente y, ante contraejemplos, restringirla o eliminarla.

Una segunda ventaja práctica es la actualización del conocimiento sin reentrenamiento. El modelo del proveedor puede cambiar, pero la base de reglas acumulada se mantiene y se puede auditar. La limitación también es evidente: los experimentos controlados exigen que el entorno permita probar acciones de forma segura. En producción, donde un error cuesta dinero, harán falta sandboxes o restricciones sobre qué hipótesis se permite comprobar de forma activa.