ReGE enseña a los agentes con sus propios intentos: +9,9 p. p. sin reentrenamiento

Los agentes basados en modelos de IA suelen resolver cada tarea desde cero, como si no hubieran existido intentos anteriores. Investigadores de TIGER-Lab (Jiarong Liang, Yubo Wang, Zijie Liu, Yuxuan Zhang, Ping Nie y Wenhu Chen) proponen corregirlo con el framework ReGE (Re-execution Guided by Experience). ReGE convierte los logs de intentos previos en un plan para el siguiente, sin actualizar pesos y sin recurrir a un modelo más potente. En cuatro benchmarks, la precisión subió de media 9,9 p. p. con GPT y 8,8 p. p. con Claude. GPT-5.6 Luna con ReGE igualó en calidad a la más cara GPT-5.6 Sol.

Un entrenador que no conoce la respuesta correcta

La implementación principal se llama ReGE-Syn. Primero, el modelo intenta resolver la tarea varias veces. Después, el mismo modelo, en el papel de «entrenador», recibe registros de ejecución de extensión limitada y los artefactos finales de esos intentos. No dispone de información sobre cuál de ellos es el correcto. En una sola llamada, el entrenador redacta una guía autosuficiente que enlaza los hechos descubiertos sobre la tarea, las acciones recomendadas y las trampas en las que ya se había caído.

A continuación entra en juego el «alumno»: una instancia nueva que parte del estado inicial del entorno. Puede seguir el plan, corregirlo u omitirlo si las observaciones reales lo contradicen. La generación de intentos, la síntesis y la ejecución se hacen con un único modelo base; el esquema no incluye entrenamiento ni un maestro potente.

La diferencia entre este enfoque y la simple selección de la mejor respuesta es fundamental. Las ejecuciones fallidas también aportan información: muestran qué botones no funcionan, qué consultas devuelven resultados vacíos y dónde el modelo malgastó pasos.

Economía: el 28% del precio y entre un 95% y un 98% menos de tokens

El resultado más llamativo afecta al coste. En un subconjunto de 468 tareas, GPT-5.6 Luna con ReGE obtuvo un 67,4%, mientras que la «mayor» GPT-5.6 Sol, sin pista, logró un 67,0%. El coste de Luna fue el 28% del de Sol. Es decir, parte de la brecha entre el modelo «pequeño» y el «grande» se cierra no comprando un modelo más caro, sino reutilizando los propios logs.

Por separado, los autores compararon ReGE-Syn con el agregador agéntico AggAgent en consultas coincidentes de BrowseComp-Plus. Construir la pista salió un 98,2% más barato en tokens con GPT y un 95,5% con Claude. Los tokens totales de construcción y ejecución (entrada más salida, sin contar la generación de los intentos iniciales) bajaron un 15,7% y un 35,4%, respectivamente. El ahorro al recopilar la experiencia no se pierde porque el alumno trabaje después durante más tiempo.

Las ablaciones en BrowseComp-Plus muestran dos efectos. El acceso a información sobre el proceso, y no solo a las respuestas finales, se asocia con menos pasos por parte del alumno. La síntesis conjunta produce una guía claramente más corta que alimentar al modelo con el historial en bruto (Direct history) o con un conjunto de resúmenes independientes (Independent summaries).

Qué incluyó el experimento

• Benchmarks: Terminal-Bench 2.0 (trabajo en terminal), Spider2-Lite (texto a SQL), AndroidWorld (control de Android), BrowseComp-Plus (búsqueda y navegación).
• Modelos: GPT-5.6 Luna, GPT-5.6 Sol (como punto de comparación en precio y calidad), Claude Sonnet 5.
• Mejora media de precisión: +9,9 p. p. para GPT y +8,8 p. p. para Claude respecto a la ejecución sin pista.
• Subconjunto de 468 tareas: GPT-5.6 Luna con ReGE, 67,4%; GPT-5.6 Sol, 67,0% con un 28% del coste.
• Construcción de la pista frente a un AggAgent adaptado: −98,2% de tokens en GPT y −95,5% en Claude.
• Tokens totales de construcción y ejecución: −15,7% y −35,4%.
• Configuración: una llamada al entrenador, sin etiquetas de corrección, sin actualización de parámetros y sin un maestro más potente.

Para los ingenieros que construyen sistemas agénticos, la conclusión es práctica. Si ya tiene ejecuciones en paralelo, por ejemplo un enjambre de agentes, no hace falta descartar sus logs: se pueden condensar en una única instrucción breve. No se necesita infraestructura adicional: basta con una llamada al mismo modelo y un almacén de registros. Lo más caro serán los propios intentos iniciales, y el artículo no incluye su coste en la comparación de tokens. Por eso el enfoque encaja mejor en tareas que de todos modos se lanzan varias veces o en varias copias. También es una opción razonable para tareas en las que el coste de un error supera el de repetir la ejecución.

El método tiene un límite de aplicabilidad: el alumno parte del estado inicial del entorno, por lo que la tarea debe ser reproducible. Para acciones irreversibles en sistemas reales, habrá que complementar el esquema con un sandbox. El código del proyecto está publicado en GitHub, y la página del proyecto está alojada en TIGER-Lab.