Tabla de Clasificación del Evaluador de Arneses de Agentes OpenCastor

He estado desarrollando OpenCastor, una capa de ejecución que se sitúa entre el hardware de un robot y su agente de IA. Algo que me sorprendió: el orden en que organizas la cadena de habilidades (constructor de contexto → enrutador de modelos → manejador de errores, etc.) y parámetros como thinking_budget y context_budget afectan las tasas de éxito de las tareas tanto como la elección del modelo. Así que construí un evaluador distribuido. Los robots contribuyen con capacidad de cómputo inactiva para evaluar configuraciones de arneses contra OHB-1, un pequeño benchmark de 30 tareas reales de robots (agarrar, navegar, responder, etc.) usando llamadas locales a LLM a través de Ollama. El espacio de búsqueda es de 263,424 configuraciones (8 dimensiones: enrutamiento de modelos, presupuesto de contexto, lógica de reintento, detección de desviación, etc.). La tabla de clasificación de demostración muestra los resultados hasta ahora, desglosados por nivel de hardware (Pi5+Hailo, Jetson, servidor, placas económicas). La configuración campeona actual se puede descargar gratis como YAML y aplicar a cualquier robot. Los parámetros de seguridad P66 se eliminan al aplicar —ninguna configuración de arnés puede tocar los límites de motor o la lógica de ESTOP. Busco comentarios sobre: (1) si las tareas del benchmark son representativas, (2) si el desglose por nivel de hardware es útil, y (3) alguien que haya ejecutado evaluaciones distribuidas a nivel de flota de configuraciones de agentes para robótica o de otro tipo.