Agentes de IA ClawLoop que se autoenseñan para mejorar

Un ciclo que se alimenta a sí mismo

Qwen ya es uno de los modelos de lenguaje de código abierto más potentes disponibles, pero un equipo de investigadores, incluido Hansi Yang de Alibaba, ha encontrado una manera de mejorarlo aún más sin necesidad de un modelo más potente que lo coordine. Llamaron a este enfoque ClawLoop, y funciona convirtiendo los propios errores del agente en combustible para su próxima ronda de mejora.

La mayoría de los pipelines de entrenamiento para agentes de IA dependen de un modelo profesor externo. Ese modelo más potente plantea las tareas, recopila ejemplos de cómo se desempeña el estudiante, y un investigador humano revisa los resultados. Esta configuración tiene un techo difícil de superar: el estudiante nunca puede superar al profesor, y el progreso depende de que los humanos interpreten los datos. ClawLoop elimina ambos límites.

Tres pasos, repetidos

El sistema funciona en un círculo compuesto por tres fases. Primero, Task Synthesis crea un conjunto diverso de desafíos de entrenamiento. Utiliza dos métodos de construcción diferentes para asegurar que las tareas sean variadas, luego incrementa su nivel de dificultad según un diagnóstico de cómo se comportó el agente en la ronda anterior, y las verifica tanto sin el agente como con él presente ¹.

A continuación, la fase de Training actualiza al agente utilizando dos técnicas bien conocidas: supervised fine-tuning, donde aprende de ejemplos correctos, y reinforcement learning, donde aprende por ensayo y error con recompensas por buen comportamiento.

Finalmente, Diagnosis and Feedback observa cómo se comporta realmente el agente durante esas corridas de entrenamiento, escribe un informe sobre qué habilidades siguen siendo débiles, y envía ese informe de vuelta a la primera fase para que el próximo conjunto de tareas aborde exactamente esas brechas.

Resultados que se transfieren

Cuando los investigadores probaron ClawLoop usando Qwen3.6-27B como punto de partida, mejoró de manera constante en tres benchmarks: SkillsBench, Claw-Eval-Live y ClawGym-Bench. Pero el hallazgo más convincente llegó cuando tomaron los datos de entrenamiento producidos por el ciclo y los usaron para entrenar modelos más pequeños: Qwen3.5-4B y Qwen3.5-9B. Esos modelos más pequeños también mejoraron en todos los mismos benchmarks, demostrando que los datos de entrenamiento eran genuinamente de alta calidad y no solo útiles debido al modelo grande del ciclo ¹.

Por qué importa

La idea clave es que ClawLoop no necesita un modelo más grande o inteligente para guiarlo. Al retroalimentar el diagnóstico propio del agente en su propio ciclo de entrenamiento, puede seguir sobrepasando las capacidades iniciales que tenía. Para la IA de código abierto, donde no existe un único modelo “profesor” dominante, este tipo de ciclo auto-mejorable podría acelerar el progreso de manera independiente a las ventajas propietarias.

El artículo fue enviado a arXiv en octubre de 2026 por investigadores de Alibaba y otras instituciones.

Correcciones y actualizaciones

• Corregido el 21 de octubre de 2026. Una versión anterior afirmaba que las tareas se filtran por dificultad según fracasos anteriores. El artículo indica que su dificultad se incrementa según un diagnóstico de cómo se comportó el agente en la ronda anterior.

Los datos clave

• ClawLoop reemplaza los modelos maestros externos por un ciclo de entrenamiento de tres fases autosostenido
• Task Synthesis, Training, and Diagnosis se retroalimentan mutuamente en un ciclo continuo
• Los datos generados por el bucle mejoraron los modelos más pequeños de Qwen3.5, lo que demuestra la transferibilidad
• El enfoque se probó en SkillsBench, Claw-Eval-Live y ClawGym-Bench

Fuentes

1. ClawLoop: Self-Improving Agents via Harness-Native Training Loop