Sber abre Universal Agent: el mismo modelo con otro arnés resuelve 24 puntos más

Abra el código de cualquier agente y encontrará casi lo mismo: el modelo elige una herramienta, el código ordinario la ejecuta y el resultado vuelve al modelo. El ciclo se repite hasta cerrar la tarea. Es ReAct, y en pseudocódigo ocupa diez líneas. Entonces, ¿por qué hay tantos productos basados en este ciclo y por qué funcionan de forma tan distinta?

El equipo GigaCode R&D de Sber respondió con un artículo y un proyecto abierto en Python, GigaCode Universal Agent. Su tesis: todo el trabajo de ingeniería está en el arnés (harness), es decir, en el entorno de ejecución que rodea al ciclo.

Qué hay alrededor de las diez líneas

Imagine una tarea: hay un pliego de requisitos y tres propuestas de contratistas. Los precios cubren periodos distintos, las condiciones están escondidas en anexos y una propuesta carece de un trabajo obligatorio. El agente debe leerlo todo, llevarlo a un denominador común y redactar una nota con fuentes.

Para ello hacen falta tres cosas. La tarea describe qué tomar y qué devolver. La habilidad (skill) es un reglamento reutilizable, como las instrucciones para un empleado nuevo: cómo convertir los precios a un solo periodo, cómo marcar «no especificado» y añadir una pregunta en lugar de considerar un vacío como un servicio gratuito. Las herramientas dan acceso a datos y acciones, y los sistemas externos se conectan mediante MCP. Las reglas viven en la habilidad, el acceso en las herramientas y el núcleo permanece sin cambios.

Después llegan las preguntas que el pseudocódigo no contempla. Una tarea en segundo plano no tiene observador, así que la unidad de ejecución es un Run con modelo, versión de la habilidad, herramientas y límites fijos de tiempo, tokens, pasos y llamadas. Si se agota un límite, la ejecución se detiene, guarda lo hecho e indica la causa. Cada ejecución deja una traza que permite ver de dónde salió un resultado y por qué ayer funcionó y hoy no.

Un juez independiente, es decir, un segundo modelo con su propia instrucción, contrasta el informe y la traza con la tarea. Si se perdió un requisito o una conclusión carece de fuente, el agente recibe observaciones y continúa. Donde la verificación sea posible por programa (archivo creado, prueba superada, JSON válido), es mejor hacerla con código. Para tareas largas existe el autorregistro: el agente comprime su estado en una nota breve y sigue trabajando más allá de una sola ventana de contexto.

La seguridad también se resuelve con el arnés. Si se dice «no envíes nada», el agente sencillamente no debe tener una herramienta para enviar correos. A ello se suman comprobaciones de lectura y escritura, moderación de comandos por el juez y separación de contenedores.

Lo que mostraron las cifras

Con la misma Qwen3.6-35B-A3B se comparó Universal Agent con OpenCode y Qwen Code. SWE-bench Verified: 69,9% frente a 66,4% y 65,0%. Terminal Bench 2.1: 65,5% frente a 62,1% y 41,4%. En SWE-bench Pro y Multilingual los resultados son aproximadamente iguales. La conclusión de los autores: un mismo modelo con otro arnés da otro resultado.

En ciberseguridad (CyberGym lvl1, DeepSeek-V4-Flash), una habilidad especializada elevó el resultado del 70,6% al 76,7% sin cambios en el núcleo. En costes, el agente en SWE-bench Verified salió aproximadamente un tercio más barato que Qwen Code. Los autores calculan el coste de una tarea exitosa: todas las ejecuciones, incluidas las fallidas y el retoque manual, divididas entre el número de tareas resueltas. El enrutamiento automático light/default/max trasladó entre el 50 y el 60% de las solicitudes a modelos inferiores con una calidad cercana al nivel max, pero por ahora es una línea experimental.

Limitaciones y qué hacer

Es un artículo de los desarrolladores sobre su propio producto, y la comparación se hizo en su propio conjunto de condiciones. El juez puede equivocarse, al comprimir el contexto se pierden detalles y en tareas difíciles el agente quema tokens. La búsqueda científica sigue siendo modesta en todos los participantes de la comparación. Para escenarios empresariales como comparar contratistas, habrá que medir la calidad con ejemplos propios.

La conclusión práctica es sencilla. Al elegir o construir un agente, no discuta sobre el modelo: revise el arnés. ¿Hay límites y trazas? ¿Se verifica el resultado de forma independiente de las palabras del propio modelo? ¿Están restringidos los permisos de las herramientas? ¿Se calcula el precio por tarea completada y no por token? Ahí es donde hoy está la diferencia.