En PCWorld hice que un proponente escribiera código, un crítico buscara contraejemplos y un verificador comprobara cada candidato. Mi pregunta era si esa organización mejoraba al agente único y a dos propuestas independientes con presupuestos comparables.

## Del primer empate a una reparación real

El piloto local con Qwen2.5-Coder-7B-Instruct Q4\_K\_M terminó en 2/6 para todos los brazos. Un diagnóstico separado sí completó el ciclo de crítica, refutación en sandbox, recibo, reparación y verificación. Encontrar un fallo y saber repararlo resultaron ser capacidades distintas.

Con Qwen2.5-Coder-14B-Instruct Q4\_K\_M, el ensayo de categorías obtuvo S=6/12, I₂=6/12, F=8/12 y E=8/12. Las dos mejoras de los especialistas se concentraron en variantes de Registros. E consumió un 18,93 % menos tokens que F, aunque la mayor parte de esa diferencia procedió de un único episodio fallido de CSV.

## Un techo al cambiar de modelo

Con Qwen2.5-Coder-32B-Instruct Q4\_K\_M, el corpus sintético quedó saturado: S, F, E y la condición E\_shared alcanzaron 12/12. No quedaba margen de aciertos para que el arnés se separara del modelo base. Un empate perfecto tampoco demuestra que la coordinación mejore la capacidad.

## Qué pude sostener

El ciclo de reparación funcionó en casos documentados y los especialistas mejoraron esa muestra sintética con 14B. No puedo elevarlo a una ley general multiagente: las familias ya eran conocidas, los consumos efectivos diferían y la comparación externa de SWE-bench dio otro resultado. Conservo ambas evidencias.