Los modelos de razonamiento generan sociedades de pensamiento.

Reasoning Models Generate Societies of Thought

January 15, 2026

Autores: Junsol Kim, Shiyang Lai, Nino Scherrer, Blaise Agüera y Arcas, James Evans

cs.AI

Resumen

Los modelos de lenguaje a gran escala han logrado capacidades notables en diversos dominios, aunque los mecanismos subyacentes al razonamiento sofisticado siguen siendo esquivos. Los modelos de razonamiento recientes superan a los modelos ajustados por instrucción comparables en tareas cognitivas complejas, lo que se atribuye a un cómputo extendido mediante cadenas de pensamiento más largas. Aquí demostramos que el razonamiento mejorado surge no solo del cómputo extendido, sino de la simulación de interacciones similares a las de múltiples agentes —una sociedad del pensamiento— que permite la diversificación y el debate entre perspectivas cognitivas internas caracterizadas por rasgos de personalidad distintos y experiencia de dominio específica. Mediante análisis cuantitativo y métodos de interpretabilidad mecanicista aplicados a trazas de razonamiento, encontramos que modelos como DeepSeek-R1 y QwQ-32B exhiben una diversidad de perspectivas mucho mayor que los modelos ajustados por instrucción, activando un conflicto más amplio entre características heterogéneas relacionadas con la personalidad y la experiencia durante el razonamiento. Esta estructura multiagente se manifiesta en comportamientos conversacionales, incluyendo preguntas y respuestas, cambios de perspectiva y la reconciliación de puntos de vista conflictivos, y en roles socioemocionales que caracterizan conversaciones dinámicas de ida y vuelta, lo que en conjunto explica la ventaja de precisión en tareas de razonamiento. Experimentos controlados de aprendizaje por refuerzo revelan que los modelos base aumentan los comportamientos conversacionales cuando son recompensados únicamente por la precisión del razonamiento, y el ajuste fino de modelos con andamiajes conversacionales acelera la mejora del razonamiento en comparación con los modelos base. Estos hallazgos indican que la organización social del pensamiento permite una exploración efectiva de los espacios de solución. Sugerimos que los modelos de razonamiento establecen un paralelismo computacional con la inteligencia colectiva en grupos humanos, donde la diversidad permite una resolución de problemas superior cuando se estructura sistemáticamente, lo que sugiere nuevas oportunidades para la organización de agentes que aprovechen la sabiduría de las multitudes.

English

Large language models have achieved remarkable capabilities across domains, yet mechanisms underlying sophisticated reasoning remain elusive. Recent reasoning models outperform comparable instruction-tuned models on complex cognitive tasks, attributed to extended computation through longer chains of thought. Here we show that enhanced reasoning emerges not from extended computation alone, but from simulating multi-agent-like interactions -- a society of thought -- which enables diversification and debate among internal cognitive perspectives characterized by distinct personality traits and domain expertise. Through quantitative analysis and mechanistic interpretability methods applied to reasoning traces, we find that reasoning models like DeepSeek-R1 and QwQ-32B exhibit much greater perspective diversity than instruction-tuned models, activating broader conflict between heterogeneous personality- and expertise-related features during reasoning. This multi-agent structure manifests in conversational behaviors, including question-answering, perspective shifts, and the reconciliation of conflicting views, and in socio-emotional roles that characterize sharp back-and-forth conversations, together accounting for the accuracy advantage in reasoning tasks. Controlled reinforcement learning experiments reveal that base models increase conversational behaviors when rewarded solely for reasoning accuracy, and fine-tuning models with conversational scaffolding accelerates reasoning improvement over base models. These findings indicate that the social organization of thought enables effective exploration of solution spaces. We suggest that reasoning models establish a computational parallel to collective intelligence in human groups, where diversity enables superior problem-solving when systematically structured, which suggests new opportunities for agent organization to harness the wisdom of crowds.