A inicios de octubre de 2026, cobertura de The Decoder y el sitio del proyecto regularized-rsi.com destacaron un paper de Google Cloud AI Research —con coautores de UNC-Chapel Hill, Stanford y Washington University in St. Louis— titulado RRSI: Regularized Recursive Self-Improvement of Agent Harnesses (arXiv:2609.24972).
La tesis central: la capacidad de un agente LLM se amplifica por su harness —prompts, flujo de control, herramientas, memoria y gestión de contexto— alrededor de un modelo backbone congelado. Métodos recientes proponen y seleccionan ediciones componente a componente, una forma práctica de mejora recursiva a nivel de sistema. Pero esa evolución tiende a sobreajustar memorizando las tareas de entrenamiento.
RRSI incorpora regularización en la propuesta y la selección de candidatos. El proposer opera con un presupuesto temporalmente annealed: limita cuántas ediciones puede empaquetar un candidato y favorece trayectorias inexploradas según el historial. Al principio permite reescrituras mayores; más tarde solo cambios pequeños trazables a un resultado medido.
El selector combina un critic y un pruner. El critic descarta propuestas específicas del benchmark (nombres de tareas, soluciones hardcodeadas u otros trucos). El pruner elimina cambios demasiado pequeños, demasiado caros o que ya no aportan. Juntas, estas restricciones favorecen mecanismos reutilizables frente a atajos del dataset de evolución.
El equipo evaluó RRSI en ocho benchmarks de coding, trabajo ofimático agentico y diseño de ingeniería. El modelo subyacente, Claude Opus 4.8, permaneció congelado. Compararon RRSI con el harness baseline sin modificar y con cuatro métodos recientes de optimización.
Según el paper, RRSI gana hasta 14,1 puntos en el split sobre el que evoluciona y hasta 4,7 puntos en cinco benchmarks fuera de distribución. Produce un harness que corre con aproximadamente 30% menos tokens de política que la evolución no regularizada. El rendimiento global no cayó por debajo del baseline en ningún benchmark no visto —el fallo típico de un harness que memorizó sus tests.
Un resultado de transferencia: un harness de coding optimizado con Gemini 3.5 Flash elevó la precisión del modelo más débil Gemini 3.1 Flash Lite de 11,2 a 14,6 puntos sin modificar el modelo débil. Los mecanismos encontrados no dependen de la capacidad del modelo usado para descubrirlos.
El contraste con harnesses manuales es elocuente. En pruebas citadas sobre ARC-AGI-3, un harness a medida logró 97,1% en un entorno familiar y 0% en uno desconocido con Opus 4.6. Nvidia presentó recientemente SoL-Pi, un método relacionado en el que un agente de investigación reconstruye automáticamente el harness de agentes de código y reduce el uso de tokens hasta 49% sin caída notable.
El código está en github.com/google-research/rrsi y la página del proyecto en regularized-rsi.com. Autores listados incluyen a Peng Xia, Rujun Han, Zifeng Wang, Yanfei Chen, Yufan Zhuang, Yoonho Lee, Chengsong Huang, Han Yu, Zhongying CuiZhu, Yifei Ming, Huaxiu Yao, Burak Gokturk, Tomas Pfister y Chen-Yu Lee.
Para labs de producto, RRSI llega en un momento en que la industria discute RSI a nivel de modelo (mejora recursiva de pesos) y a nivel de sistema (mejora del harness). Regularizar el segundo es más barato y auditable que entrenar de nuevo el backbone, y reduce el riesgo de reportar benchmarks inflados por memorización.
Limitaciones honestas: los gains dependen del dominio, del juez y de la ventana de evolución; 14,1 puntos es un techo reportado, no una garantía. El paper usa Claude Opus 4.8 como política —un modelo de frontera costoso— para descubrir mecanismos que luego pueden transferirse a modelos más baratos.
En el debate público sobre «frenar la frontera», RRSI ofrece un matiz técnico: se puede mejorar el comportamiento agentico sin soltar un modelo más capaz, pero también se puede automatizar la mejora del harness a un ritmo que complica las auditorías si no se versionan los componentes.
Neural Pulse recomienda a equipos de evaluación adoptar suites held-out obligatorias, filtrar propuestas que nombren el benchmark y publicar el coste en tokens del harness final junto al score —métricas que RRSI pone en primer plano.
El trabajo conecta con la inquietud de octubre de 2026 sobre sistemas que se mejoran solos: aquí la mejora es del andamiaje, no de los pesos, pero el bucle de propuesta-selección sigue siendo una forma de RSI práctico que reguladores y red teams deberán instrumentar.
En síntesis, Google y sus socios académicos entregan un método concreto para que los harnesses dejen de «aprenderse el examen» y generalicen mejor, con menos tokens y con código abierto para reproducir.
