Harness-1: el agente de recuperación 20B que replantea la búsqueda

Introducción

La mayoría de los agentes de búsqueda modernos intentan hacer todo a la vez: formular consultas, leer resultados, decidir relevancia y llevar un registro de lo explorado. Esa mezcla de responsabilidades termina encubriendo la estrategia real de búsqueda con tareas de contabilidad interna —lo que aumenta el costo y dificulta la optimización. Harness-1 propone una idea distinta: extraer la gestión de estado del modelo y delegarla a un “harness” externo. El enfoque, desarrollado en colaboración con investigadores de UIUC, UC Berkeley y Chroma, da lugar a un subagente de recuperación de 20B que resulta sorprendentemente eficiente y, según los autores, logra mejores resultados de búsqueda que un modelo más grande (GPT-5.4) en las pruebas reportadas.

¿Por qué los agentes de búsqueda tienden a estancarse?

Los agentes entrenados de forma end-to-end intentan aprender simultáneamente la estrategia de búsqueda y todo el trabajo operativo asociado (seguimiento de evidencia, deduplicación, condiciones de parada). Durante el entrenamiento por refuerzo, decisiones semánticas (por ejemplo, elegir entre “fecha de fusión” o “año de adquisición”) se mezclan con tareas de bajo nivel como reconocer si un fragmento ya fue visto. Estas tareas no comparten las mismas dinámicas de aprendizaje: optimizarlas juntas vuelve el proceso inestable y menos eficiente. Los autores describen esto como un defecto de diseño central y proponen una solución clara: mover la gestión de estado fuera del modelo.

¿Qué hace exactamente el “harness”?

El avance clave de Harness-1 es el componente stateful que actúa como máquina de estado entre cada episodio de búsqueda. Este harness mantiene cuatro estructuras persistentes que guían la interacción del modelo con la información recuperada:

• Pool de candidatos: documentos comprimidos y deduplicados provenientes de búsquedas candidatas.
• Conjunto curado: salida final con hasta 30 documentos, cada uno marcado por niveles de importancia (very_high, high, fair, low).
• Almacén de texto completo: guarda cada pieza de datos recuperada fuera del prompt del modelo, evitando sobrecargar el contexto.
• Grafo de evidencia: entidades autoextraídas, documentos puente (bridge documents) y pistas singulares (singletons).

El grafo de evidencia merece atención: un extractor por regex identifica nombres propios, años y fechas en los textos. Los documentos puente que contienen dos o más entidades que suelen aparecer juntas se marcan como de muy alta prioridad; los singletons señalan posibles búsquedas de seguimiento. Presentar esta información de forma condensada al modelo reduce ruido y permite que cada token procesado tenga señal útil.

La interfaz de ocho herramientas

En cada turno, el modelo emite exactamente una acción usando una interfaz basada en ocho herramientas. Antes de que la política vea cualquier salida de búsqueda, el harness aplica una compresión en dos fases:

1. Fase 1 — Sentence-BM25: se puntúan las oraciones y se seleccionan las 4 mejores por chunk.
2. Fase 2 — Dedupe en dos niveles: primero por ID de chunk y luego por huella de contenido (content fingerprint).

La política nunca observa el resultado bruto antes de esta depuración. Así, el modelo procesa señales limpias y relevantes, lo que reduce el contexto ruidoso y favorece decisiones más deterministas.

El problema del arranque en frío y su solución

Un desafío en el entrenamiento de políticas de recuperación es que, al comienzo, la política no tiene un estado previo del que aprender: o bien introduce todo en el conjunto curado o no selecciona nada. Harness-1 resuelve esto con un “warm-start seeding”: después de la primera búsqueda exitosa, el harness genera automáticamente un conjunto curado inicial con los 8 mejores resultados re-rankeados y etiquetados con una calificación de “fairness”. Así la política asume una función de refinamiento (mejorar/peorar documentos) más que la tarea difícil de construir un conjunto desde cero. Ese pequeño ajuste aporta estabilidad al entrenamiento y muestra que es más fácil aprender a refinar que a crear desde cero.

Cómo se entrena: SFT seguido de RL

El pipeline de entrenamiento tiene dos etapas bien diferenciadas:

Etapa 1 — Supervised Fine Tuning (SFT)

Un modelo teacher (GPT-5.4) opera dentro del harness completo y se usa para generar trayectorias correctas ante una gran variedad de consultas. Tras filtrar trayectorias de bajo rendimiento, quedaron 899 episodios que cubren el uso adecuado de la interfaz: cómo llamar a las herramientas, estructurar acciones y actualizar el conjunto curado. La configuración de LoRA usada en SFT incluye parámetros como rank=32, target_modules en q_proj y v_proj, base_model=gpt-oss-20b y epochs=3; el punto de control step-550 se usa para iniciar la etapa de RL.

Etapa 2 — Reinforcement Learning

En la fase de RL se emplea on-policy CISPO con una función de recompensa basada únicamente en recompensas terminales y un límite de 40 turnos por episodio. Aunque los datos de entrenamiento provinieron de consultas sobre documentos financieros (SEC), los autores reportan que las políticas aprendidas se generalizan a ocho dominios de benchmark distintos. Una ventaja clave de su función de recompensa es que separa los componentes de descubrimiento y de selección, otorgando recompensas independientes por encontrar y por curar documentos relevantes.

Resultados y posición actual

Los autores informan que Harness-1 —un subagente de 20B— supera a GPT-5.4 en tareas de búsqueda en sus benchmarks, demostrando que una arquitectura más pequeña pero con una separación clara de responsabilidades puede rendir mejor que modelos más grandes que intentan aprenderlo todo. El diseño del harness, la compresión en dos fases y la estrategia de warm-start son elementos centrales para ese rendimiento.

Limitaciones y qué no hace Harness-1

Harness-1 está optimizado para recuperación y curación de evidencia, no para tareas generativas amplias ni razonamiento complejo fuera del alcance de fuentes recuperadas. Su extracción de entidades se basa en reglas regex, lo que es efectivo para nombres, años y fechas pero puede limitar la cobertura semántica en textos más libres o multilingües. Además, como buena parte del entrenamiento viene de consultas SEC, puede existir sesgo de dominio que requiera re-entrenamiento o ajuste para ciertos contextos locales.

Relevancia para América Latina

En entornos latinoamericanos, donde las organizaciones manejan grandes volúmenes de documentos legales, regulatorios y financieros (contratos, resoluciones administrativas, informes fiscales), un enfoque como Harness-1 puede acelerar la identificación de evidencia crítica y reducir el costo de auditorías y análisis. Sin embargo, para su adopción es importante validar la extracción de entidades y la cobertura en español y en variantes locales, así como analizar el impacto del sesgo de datos de entrenamiento.

Conclusión

Harness-1 demuestra que repensar la división del trabajo entre modelo y sistema puede producir agentes de recuperación más robustos y eficientes. Separar la gestión de estado del modelo, comprimir y deduplicar la información antes de que el modelo la procese, y usar un arranque cálido para la curación resultan decisiones de diseño simples pero potentes. Para equipos y tomadores de decisión en Latinoamérica interesados en soluciones de búsqueda empresarial o jurídica, la lección clave es que la arquitectura y el flujo de datos importan tanto como el tamaño del modelo.

Preguntas frecuentes (breve)

• ¿Harness-1 es un modelo generativo? No: es un subagente diseñado para recuperación y curación de documentos.
• ¿Requiere datos en español? La arquitectura es aplicable, pero su rendimiento en español dependerá de la cobertura de datos y ajustes de entrenamiento.
• ¿Es necesario un modelo grande para obtener buenos resultados? No necesariamente: Harness-1 muestra que una estructura eficiente puede superar a modelos mayores en tareas específicas de búsqueda.