BrickWright enseña a los agentes de programación a montar LEGO: 100 % de ensamblajes válidos frente al 9–69 %

El framework BrickWright obliga a los agentes de programación ya existentes a construir con LEGO modelos que realmente se pueden montar a mano. En una muestra de 512 prompts, los agentes gobernados por el framework produjeron un 100% de montajes físicamente correctos. Esos mismos modelos sin él rindieron bastante peor: GPT-6 Luna solo acertó en el 9% de los casos, y el mejor de los agentes base, GPT-6 Astra, llegó al 69%.

Por qué los agentes construyen en el aire

Los agentes de programación actuales manejan con soltura el modelado 3D, pero el mundo físico no les perdona nada. Un objeto virtual puede diseñarse de modo que unas piezas floten sin apoyo, otras atraviesen a sus vecinas y otras formen una isla aparte. En pantalla esto a veces pasa inadvertido; en una caja de ladrillos se convierte en un montaje defectuoso.

Los autores definen la viabilidad física de forma estricta. Un montaje es válido si contiene solo piezas reales, no tiene elementos solapados ni «flotantes», y toda la estructura forma un conjunto conexo siempre que eso sea posible. Su tesis: para obtener estos montajes, el agente no necesita ajuste fino (fine-tuning). Basta con darle herramientas que construyan el modelo y comprueben su física.

BrickLayer: una API cómoda y un validador dentro del bucle

BrickWright controla al agente mediante código. El agente escribe programas con BrickLayer, un toolkit de Python con dos partes principales.

La primera es una API ergonómica para construir con ladrillos. Reduce a la mitad el coste de inferencia en comparación con trabajar en el formato LDraw en bruto, donde el agente manipula a mano una descripción de bajo nivel de las piezas. Menos tokens en tareas rutinarias significa que cada intento sale más barato.

La segunda parte es el validador. Revisa el montaje y devuelve al agente información sobre qué piezas flotan, cuáles se solapan y cuáles no están conectadas con el resto. El agente ve los errores en forma de texto y corrige el código hasta que la estructura es correcta.

Las cifras clave del trabajo:

• 100% de validez física en una muestra de 512 prompts para los agentes con BrickWright
• 9% para GPT-6 Luna en configuración base
• 69% para GPT-6 Astra en configuración base
• 2× de ahorro en el coste de inferencia gracias a la API de BrickLayer frente a LDraw en bruto
• entrada: prompt de texto o de imagen, con agentes preentrenados y sin entrenamiento adicional

La validez no sacrificó la calidad

La fiabilidad se compra con facilidad a costa de resultados aburridos: se pueden construir solo placas planas, y pasarán cualquier comprobación. Por eso importa la segunda mitad del resultado. En los agentes ligeros, la adherencia al prompt mejoró; en los potentes, se mantuvo en el nivel anterior. Es decir, las restricciones físicas no obligaron a los modelos a simplificar su idea.

Por separado, los autores compararon el método con modelos especializados en la tarea text-to-brick, entrenados específicamente para generar montajes de ladrillos. Los agentes con BrickWright los superaron. Un modelo generalista con buenas herramientas resultó más fuerte que una solución específica.

Dónde puede resultar útil este enfoque

La aplicación directa es clara: generar instrucciones y sets de LEGO a partir de una descripción o una foto, donde no se puede entregar una estructura que se desmorone sobre la mesa. El código del proyecto es abierto, y se puede tomar y conectar a un agente propio.

El patrón en sí tiene un alcance más amplio: una API específica del dominio más un validador que devuelve los errores al bucle. Sirve para cualquier tarea en la que el resultado deba cumplir reglas estrictas: piezas CAD, disposición de equipos, ensamblaje a partir de componentes estándar. La conclusión para quienes desarrollan agentes es sencilla. Antes de mejorar el modelo, conviene comprobar si tiene a mano una regla de medir decente para autocomprobarse. Aquí, esa regla elevó el peor resultado del 9% al 100% y, de paso, redujo a la mitad el gasto en tokens.