Agentes LLM construyeron en 20 días una IA para Hearthstone Battlegrounds que supera a los 10 mejores jugadores

Investigadores de MCG-NJU (Changlian Ma y Limin Wang) se propusieron comprobar en qué son realmente mejores los agentes LLM: ¿jugando o construyendo? La respuesta resultó inequívoca. Su sistema, AutoTavern, dedicó 20 días a ensamblar un simulador completo de Hearthstone Battlegrounds y a entrenar sobre él a un agente, TavernAgent, que luego superó a los diez jugadores humanos más fuertes del servidor en la escalera en vivo. Su rating subió de 6.000 a unos 15.000 MMR, y en sus últimas 20 partidas el bot promedió un puesto de 1,60 con un 80% de victorias.

Battlegrounds es un entorno exigente para la IA: ocho jugadores, tiendas y combates aleatorios, información oculta y casi mil cartas que interactúan entre sí. Por eso los autores lo eligieron como banco de pruebas para agentes "de investigación" capaces de llevar un problema complejo desde datos en bruto hasta un sistema que compite de tú a tú con humanos.

Una fábrica de investigación, no un jugador

AutoTavern está diseñado como un sistema de investigación autosuperable. Agentes LLM especializados comparten una memoria de investigación tipada común, cada afirmación pasa por puertas de verificación, y las partidas en vivo cierran el bucle de retroalimentación. Como resultado, los agentes mejoran el simulador, los oponentes y la política, además de refinar su propio proceso de investigación. El humano fija objetivos y establece reglas para mecánicas ambiguas, actuando como árbitro y no como desarrollador.

El primer resultado fue TavernGym, que los autores describen como la primera réplica precisa y reproducible del juego en vivo con todo su contenido. Sobre esa base, los agentes lanzaron 23 versiones de TavernAgent. Está entrenado mediante PPO contra oponentes calibrados con partidas reales, y juega partidas completas en la escalera de forma totalmente autónoma.

Las cifras contra humanos y contra LLM

Según la métrica de la clasificación pública, TavernAgent muestra un puesto promedio de 1,60 y un 80% de primeros lugares en sus últimas 20 partidas registradas. Los diez jugadores de mayor rating del servidor registran 2,34 y 59%, respectivamente. El bot gana en todas y cada una de las estadísticas.

Para compararlo con modelos de lenguaje, los autores crearon TavernBench: 960 tareas en 40 escenarios. Resultados principales:

• TavernAgent resuelve el 91% de las tareas de juego, frente a un máximo del 63% de los mejores LLM de frontera;
• el tiempo de resolución de TavernAgent es de 0,03 s, frente a hasta 26 s en los LLM;
• dentro del segundo que concede una jugada en vivo, TavernAgent conserva el 90% de su calidad, mientras que ningún LLM supera el 26%;
• rating en la escalera: de 6.000 a unos 15.000;
• puesto promedio: 1,60 frente a 2,34 del top 10 del servidor;
• porcentaje de primeros lugares: 80% frente a 59%;
• volumen de trabajo: 20 días, 23 versiones del agente.

Los autores formulan la conclusión sin rodeos: los agentes LLM construyen mucho mejor de lo que juegan. Un modelo de lenguaje que necesita decenas de segundos para pensar una jugada pierde ante una política pequeña y especializada, creada por él mismo o por sus pares.

Qué sacar de esto

La principal lección práctica: no conviene obligar a un LLM a tomar cada decisión de juego. Es mucho más rentable usarlo como un ingeniero que construye el entorno, verifica las reglas, entrena un modelo compacto y lo mejora iterativamente con datos reales. Lo mismo aplica a cualquier tarea con restricciones duras de latencia: trading, logística, robótica, simulación.

Segundo: las puertas de verificación y la memoria tipada compartida parecen una receta eficaz para ciclos de investigación autónomos y prolongados. Sin verificación de afirmaciones, los agentes acumulan errores rápidamente, y aquí un simulador preciso fue la base de todo lo demás.

Tercero: el código de TavernGym y el benchmark TavernBench son de código abierto en GitHub (MCG-NJU/AutoTavern). Esto le da a la comunidad un banco de pruebas reproducible para evaluar sistemas agénticos en un juego definido por información oculta y azar. Conviene recordar que los resultados corresponden a un solo juego y son reportados por los propios autores, y que un humano en el bucle aún resolvía las cuestiones disputadas de las mecánicas. Pero pasar de cero a superar a los mejores jugadores del servidor en 20 días indica hacia dónde se dirige la automatización de la investigación aplicada.