Design Anything mantiene el brief en proyectos grandes: +25% en 24 artefactos

Un agente capaz de dibujar un buen logotipo todavía no es un diseñador. Un proyecto real se compone de decenas de artefactos relacionados: logotipo, paleta, packaging, redes sociales, presentación. Cada uno se apoya en las decisiones del anterior.

Ahí es donde los agentes suelen fallar: hacia el archivo número veinte han olvidado el brief y los colores ya no coinciden. El equipo de Design Anything propone un harness que resuelve el problema desde la arquitectura. Con la LLM fija, cumple el 85,0% de las restricciones factuales del brief con DeepSeek V4.

1 Flash High y el 92,5% con GPT-5.6 Sol High. Los mejores esquemas base con los mismos modelos se quedan un 15,4% y un 14,4% por detrás.

En las tareas más largas, la brecha aumenta hasta el 25,1% y el 23,0%.

La memoria del brief vive en el grafo, no en el contexto

La idea es sencilla: la intención no debe quedarse dentro de la ventana de contexto del modelo. La ventana se llena, los detalles se difuminan y las decisiones tempranas quedan desplazadas por las recientes. Por eso Design Anything saca la intención fuera del modelo y la guarda en un intent-execution graph. Este grafo vincula cada resultado con el paso del proceso que lo generó.

El mecanismo tiene tres partes:

• el task contract conserva las restricciones y las decisiones adoptadas en el proyecto;
• las variantes de diseño elegidas se convierten en entradas explícitas para las siguientes generaciones;
• un controlador determinista, a partir de los vínculos y los registros de ejecución, comprueba los tipos y el número de archivos de salida, detecta los elementos sin terminar y orienta el siguiente movimiento del agente.

La palabra clave aquí es «determinista». El controlador no le pide al modelo que evalúe con honestidad si ya está todo hecho. Cuenta a partir de los registros. Si el brief encarga seis artefactos de un tipo y en el grafo hay cinco, el que falta se señala y se pone en marcha. Así desaparece del control de completitud la parte menos fiable: el autoinforme de la LLM.

228 tareas y proyectos de hasta 24 artefactos

Para la evaluación, los autores crearon DesignAnything-Bench. Incluye 228 tareas en 19 dominios de diseño, con 38 familias de proyectos. Cada familia está disponible en tres escalas: 6, 14 y 24 artefactos. Esta cuadrícula permite ver cómo cae la calidad a medida que crece el proyecto, en lugar de limitarse a comparar modelos con imágenes sueltas.

El resultado es revelador. Cuanto más largo es el proyecto, mayor es la ventaja del harness: con 24 artefactos, la mejora sobre la mejor variante base es del 25,1% para DeepSeek V4.1 Flash High y del 23,0% para GPT-5.6 Sol High. Los enfoques base se degradan a medida que aumenta el número de archivos, mientras que el grafo mantiene el nivel. Además, con cada uno de los dos modelos, Design Anything lidera o comparte el primer puesto en cumplimiento de restricciones en 18 de los 19 dominios. Esto indica que la ventaja no depende de un par de categorías favorables.

La métrica es justa en un aspecto importante: la LLM está fija. La mejora no procede de cambiar de modelo, sino únicamente del harness que lo rodea. La diferencia entre el modelo Flash y GPT-5.6 Sol se mantiene (85,0% frente a 92,5%), así que una base sólida sigue importando, pero un modelo más débil con un buen harness acorta la distancia de forma notable.

También se consultó a personas. En una evaluación ciega, los diseñadores profesionales eligieron con más frecuencia los conjuntos completos de Design Anything que los resultados de los esquemas base con los mismos modelos. Las métricas automáticas sobre restricciones factuales coinciden con el juicio de los profesionales.

Qué llevarse a los pipelines de agentes propios

La principal conclusión práctica va más allá del diseño. Cualquier proceso largo con agentes cuyo resultado conste de muchas partes coherentes entre sí se beneficia de un estado externo. Esto vale para la generación de campañas de marketing, documentación, interfaces, cursos formativos y suites de tests. Tres técnicas del trabajo se pueden trasladar casi sin cambios:

• fije las restricciones y las decisiones adoptadas en un contrato explícito, no en el historial del chat;
• pase los artefactos aprobados a los pasos siguientes como entradas estructuradas;
• verifique la completitud con código, cotejando los tipos y el número de resultados con el plan, en lugar de preguntárselo al modelo.

Para los equipos de producto, es también un argumento en la discusión presupuestaria. Si el harness lleva a un modelo Flash compacto hasta el 85% de cumplimiento de restricciones, una parte de las tareas puede no ir al modelo más caro. Para estudios y agencias, la conclusión es otra: el valor se desplaza de la generación única y vistosa a la gestión del proyecto completo. Gana quien sepa garantizar que los 24 archivos del brief están hechos y son coherentes entre sí.