Artículos de investigación en IA seleccionados diariamente con traducciones
Presentamos PerceptionRubrics, un marco de evaluación basado en rúbricas que aborda la brecha entre los puntajes saturados de los benchmarks y la fragilidad en el mundo real. Al desplazar la evaluación desde una coincidencia semántica holística hacia una auditoría atómica rigurosa, PerceptionRubrics empareja 1,038 imágenes densas en información con más de 12,000 rúbricas específicas de instancia. Estos criterios se derivan de descripciones doradas construidas mediante un novedoso canal de consenso de Revisión por Pares Circular, y luego se destilan en un sistema de doble flujo de rúbricas Must-Right (hechos esenciales) y Easy-Wrong (detalles precisos). De manera crucial, PerceptionRubrics implementa un mecanismo de Puntuación con Compuerta: a diferencia de los promedios lineales, el fallo en hechos visuales obligatorios desencadena penalizaciones binarias pronunciadas. Una evaluación exhaustiva proporciona conocimientos críticos: (1) La Brecha de Fiabilidad: los modelos a menudo verifican correctamente elementos fragmentados, pero fallan en restricciones conjuntivas estrictas, exponiendo fragilidad en dominios densos; (2) Estratificación Abierto-Cerrado: contrario a las tendencias de razonamiento, revelamos un déficit de percepción persistente del 8% entre las fronteras de código abierto y propietarias; y (3) Rigor Alineado con Humanos: nuestras métricas con compuerta superan sustancialmente a los benchmarks convencionales, validando que la fidelidad perceptual estricta es el prerrequisito para una generación fiable.
La generación de video en streaming está surgiendo como una nueva carga de trabajo de servicio en la que los usuarios interactúan con sesiones de larga duración que generan video progresivamente, fragmento por fragmento. A diferencia de la generación de video offline o el servicio típico de LLM, la generación de video en streaming debe preservar el estado de la sesión durante períodos activos e inactivos, reprogramar sesiones en curso de forma repetida y entregar cada fragmento bajo un estricto objetivo de latencia. Esto plantea dos desafíos clave en el servicio multiusuario en entornos con múltiples GPU: la heterogeneidad en la duración de las sesiones, donde las sesiones de larga duración hacen que las decisiones de colocación se vuelvan subóptimas con el tiempo, y la heterogeneidad temporal en la demanda de usuarios, donde el número de sesiones activas fluctúa abruptamente entre ráfagas y períodos de inactividad. Presentamos TurboServe, el primer sistema de servicio diseñado específicamente para cargas de trabajo de generación de video en streaming. TurboServe formula el servicio como un problema de planificación en línea que coordina conjuntamente la colocación de sesiones y el aprovisionamiento de GPU. Su algoritmo de planificación en bucle cerrado combina un controlador de colocación sensible a la migración, que reequilibra las sesiones entre las GPU para reducir la latencia máxima por fragmento, con un controlador de autoescalado basado en la carga, que adapta el presupuesto de GPU a la variación de la carga de trabajo para mejorar la eficiencia de costos. Para respaldar estas decisiones en tiempo de ejecución, TurboServe implementa procesamiento de fragmentos fusionados para la ejecución por lotes de sesiones activas concurrentes en la misma GPU, descarga GPU-CPU para la suspensión y reanudación de sesiones, y migración GPU-GPU basada en NCCL para el reequilibrio en línea. Evaluamos TurboServe con trazas de producción reales de Shengshu Technology en múltiples tamaños de modelo y clústeres de GPU con hasta 64 GPU NVIDIA B300. En comparación con configuraciones de servicio de referencia, TurboServe reduce la latencia máxima por fragmento en un 37.5% y el costo operativo total de GPU en un 37.2% en promedio. Nuestro código está disponible públicamente en https://github.com/shengshu-ai/TurboServe.
En el servicio de LLM desagregado de prefill-decode (PD), cada solicitud se asigna a un trabajador de decodificación después del prefill. Los encaminadores de decodificación existentes solo equilibran la carga; para modelos de mezcla de expertos (MoE) esto es incompleto: trabajadores con igual carga pueden diferir en latencia, ya que cada paso de decodificación carga los pesos de cada experto distinto que su lote activa. Presentamos ELDR, un encaminador de decodificación consciente de la localidad de expertos para el servicio MoE desagregado PD. A partir de las activaciones de expertos del prefill de una solicitud, ELDR construye una firma de experto que predice los expertos que activará durante la generación. Fuera de línea, K-means balanceado particiona el espacio de firmas entre los trabajadores de decodificación; en línea, el enrutamiento por banda de localidad envía cada solicitud al trabajador menos cargado entre aquellos que mejor coinciden con su firma. Una caché de firmas, co-indexada con la caché KV a granularidad de bloque KV, mantiene las firmas exactas bajo el almacenamiento en caché de prefijos. Implementado en vLLM y evaluado en despliegues de hasta 40 GPU, ELDR reduce la mediana de TPOT en un 5.9–13.9% sobre el más fuerte de cuatro líneas base de equilibrio de carga en tres modelos MoE y dos cargas de trabajo, con las salidas del modelo sin cambios.
La memoria se ha consolidado como un pilar fundamental de los agentes modernos basados en LLM, apoyando su evolución desde asistentes de una sola interacción hasta colaboradores a largo plazo. Sin embargo, la memoria no siempre es beneficiosa: las memorias recuperadas suelen inducir un problema crítico de adulación servil, provocando que los agentes se alineen excesivamente con el usuario a costa de la precisión fáctica o el razonamiento objetivo. A pesar de este riesgo emergente, los benchmarks de memoria existentes evalúan principalmente si las memorias se almacenan, recuperan o actualizan correctamente, sin considerar cómo las memorias recuperadas influyen en el razonamiento y la toma de decisiones posteriores. Para cerrar esta brecha, proponemos MemSyco-Bench, un benchmark integral para evaluar la adulación servil inducida por la memoria en sistemas de agentes. MemSyco-Bench mide cuándo la memoria debería influir en una decisión y cómo se debe utilizar la memoria válida. Específicamente, cubre cinco tareas que evalúan si los agentes pueden rechazar la memoria como evidencia fáctica, respetar su alcance aplicable, resolver conflictos entre la memoria y la evidencia objetiva, rastrear actualizaciones de memoria y utilizar la memoria válida para la personalización. Todos los recursos relacionados están recopilados para la comunidad en https://github.com/XMUDeepLIT/MemSyco-Bench.
Presentamos Seed2.0, una serie de modelos que da un paso significativo hacia la resolución de tareas complejas del mundo real. Nuestro enfoque comienza identificando las necesidades reales de los usuarios y construyendo un sistema de evaluación fiable y con visión de futuro, seleccionando y abstrayendo puntos de referencia basados en dichas necesidades y en escenarios complejos y realistas. Guiada por este sistema de evaluación, Seed2.0 aborda dos desafíos persistentes: el conocimiento de cola larga y el seguimiento complejo de instrucciones, mejorando sustancialmente la fiabilidad del modelo en tareas intrincadas y de horizonte temporal prolongado. Más allá de esto, Seed2.0 ofrece inteligencia de razonamiento líder mundial, comprensión visual y capacidades de búsqueda que atienden las necesidades más comunes de una amplia base de usuarios. A través de numerosos casos de uso real documentados en esta ficha del modelo, demostramos que Seed2.0 comienza a exhibir la capacidad de manejar tareas complejas iniciales del mundo real, brindando mayor valor a cientos de millones de usuarios.
Los Modelos de Lenguaje Multimodales a Gran Escala (MLLMs) a menudo están limitados por un cuello de botella en el espacio del lenguaje, lo que obliga a realizar un razonamiento visual complejo en tokens discretos que pueden perder matices perceptivos. Una alternativa prometedora es el razonamiento latente continuo, cuyo objetivo es descubrir vías de razonamiento implícitas que conecten la consulta multimodal y la respuesta final. Sin embargo, esto introduce un grave desajuste entrenamiento-inferencia: una posterior de tiempo de entrenamiento, condicionada a la respuesta correcta, puede explotar atajos dependientes de la respuesta. El entrenamiento variacional estándar obliga entonces a la previa de tiempo de inferencia a imitar una posterior que tiene acceso a información no disponible durante la prueba, lo que conduce a un bajo rendimiento. Para abordar esto, proponemos el Aprendizaje Variacional Mutuo Asimétrico (AMVL), un marco que resuelve este desajuste mediante un objetivo de calibración bidireccional. Una divergencia KL directa entrena a la previa independiente del objetivo para que coincida con la posterior, mientras que una divergencia KL inversa novedosa regulariza simultáneamente la posterior, evitando que colapse en regiones incompatibles con la inferencia y mitigando esta "fuga de respuesta". Proporcionamos un análisis teórico que formaliza esta fuga como contaminación de la previa y demostramos que nuestro objetivo de doble KL la reduce. Implementamos AMVL en un MLLM integrado con latencia y mostramos que supera consistentemente a las líneas base sólidas de razonamiento discreto y latente, mejorando la puntuación media en el complejo benchmark BLINK en +10.83 y logrando ganancias de hasta +32.00 en tareas de razonamiento individual, con análisis que confirman una mayor estabilidad del espacio latente.
Los modelos Visión-Lenguaje-Acción (VLA) a menudo fallan al ejecutar las mismas tareas aprendidas bajo cambios de entorno, como modificaciones en la pose de la cámara o transiciones a un robot similar pero diferente (por ejemplo, de Panda a UR5e). Adaptar estos modelos al entorno modificado (i.e., dominio objetivo) suele requerir entrenamiento con múltiples demostraciones para cada tarea, lo cual es costoso de recolectar. Para reducir la carga de recopilación de datos y entrenamiento, proponemos un método basado en analogías que adapta modelos VLA bajo cambios de entorno mediante aritmética de vectores de pesos con adición de información específica del dominio, denominado Domain ARiThmetic (DART). A diferencia de enfoques previos, DART solo necesita recolectar una única demostración, permitiendo una adaptación eficiente. Para aislar con precisión la información específica del dominio que se añade, DART realiza una alineación de subespacios entre componentes singulares en los vectores de pesos para filtrar componentes ruidosos. Tanto en experimentos simulados como en el mundo real, DART supera a los métodos existentes de adaptación VLA en escenarios de una sola demostración ante diversos cambios visuales y de encarnación. El código está disponible en https://github.com/snumprlab/dart.
En el entrenamiento de Modelos de Lenguaje de Gran Escala (LLM), la mezcla de datos desempeña un papel crucial en la determinación del rendimiento del modelo. Métodos recientes optimizan los pesos de la mezcla mediante modelos proxy, pero se basan en el supuesto de distribuciones de datos estáticas. Como resultado, cuando el conjunto de datos subyacente cambia, estos métodos requieren un reentrenamiento costoso desde cero. Esta limitación restringe su capacidad para escalar sin problemas desde entornos pequeños hasta conjuntos de datos y tamaños de modelo más grandes. En este artículo, proponemos CausalMix para abordar esta limitación, planteando la optimización de la mezcla de datos como un problema de inferencia causal. Formulamos las características estadísticas del conjunto de datos como covariables y la mezcla de dominios como el tratamiento. Tras ajustar un modelo causal en 512 ejecuciones de Qwen2.5-0.5B para estimar el Efecto Promedio del Tratamiento Condicional (CATE), extrapolamos la mezcla óptima para un conjunto de datos de 800K y la aplicamos para entrenar un modelo de 7B. Además, generalizamos con éxito el marco a datos de cadena de pensamiento larga en Qwen3-4B-Base. Al aprovechar el modelado causal para aislar los sesgos de confusión, CausalMix infiere dinámicamente mezclas de datos óptimas dependientes del estado. Experimentos exhaustivos muestran que la mezcla guiada por CausalMix mejora consistentemente el rendimiento en múltiples tareas posteriores, superando a RegMix y otras líneas base. Adicionalmente, utilizamos el Intérprete CATE para proporcionar un análisis visual de la estrategia de mezcla aprendida. En conjunto, CausalMix ofrece un marco causal e interpretable para optimizar las mezclas de datos en LLM.
La programación tradicional de robots es un desafío: requiere orquestar la percepción multimodal, gestionar las dinámicas de contacto físico y manejar configuraciones diversas y fallos de ejecución. Presentamos ASPIRE (Agentic Skill Programming through Iterative Robot Exploration), un sistema de aprendizaje continuo que escribe y refina de manera autónoma programas de control robótico bajo un paradigma de código como política, mientras consolida la experiencia en una biblioteca de habilidades reutilizable. ASPIRE descubre habilidades que persisten a lo largo de tareas, entornos simulados y reales, y morfologías robóticas. Opera en un bucle abierto con tres componentes: (1) un motor de ejecución robótica en lazo cerrado que expone trazas multimodales detalladas, permitiendo el diagnóstico autónomo de fallos, la síntesis de reparaciones y su validación; (2) una biblioteca de habilidades en continua expansión que destila las correcciones validadas en conocimiento reutilizable y transferible; y (3) una búsqueda evolutiva que genera diversas secuencias de tareas y programas de control para explorar más allá del refinamiento de una única trayectoria. ASPIRE supera a métodos anteriores hasta en un 77 % en tareas de manipulación LIBERO-Pro bajo perturbaciones, un 72 % en transferencia bimanual de Robosuite y un 32 % en tareas domésticas de horizonte largo de BEHAVIOR-1K. Su biblioteca acumulada también permite la generalización sin ejemplos previos a tareas de horizonte largo no vistas: en LIBERO-Pro Long, ASPIRE alcanza un 31 % de éxito frente al 4 % de métodos anteriores, a pesar de que estos emplean razonamiento y reintentos en tiempo de prueba. Finalmente, las habilidades descubiertas en simulación proporcionan evidencia inicial de transferencia sim-real, reduciendo sustancialmente el esfuerzo de programación en robots reales en diferentes morfologías y APIs robóticas.
El razonamiento visual de grano fino sigue siendo un desafío para los modelos de visión y lenguaje, especialmente cuando pequeñas pero críticas pistas visuales están ocultas en imágenes de alta resolución. Los enfoques existentes dependen de recortes repetidos o búsqueda visual durante la prueba para introducir evidencia local, pero por lo general no distinguen explícitamente entre percepción y razonamiento. En este artículo, proponemos Perceive-to-Reason (P2R), un marco unificado que formula el razonamiento visual de grano fino como un proceso de dos etapas: primero, el modelo localiza la evidencia relevante a la pregunta como un Perceptor (Perceiver), y luego responde la pregunta como un Razonador (Reasoner) basándose en la imagen anotada y las regiones recortadas. Para alinear mejor el entrenamiento con esta formulación desacoplada, introducimos además Perception-Reasoning Alternating GRPO (PRA-GRPO), una estrategia de aprendizaje por refuerzo consciente de roles que alterna entre actualizaciones centradas en la percepción y actualizaciones centradas en el razonamiento, utilizando únicamente la supervisión de la respuesta final. Construido sobre Qwen3-VL-Instruct-2B/4B/8B, P2R mejora consistentemente el rendimiento en todas las escalas de modelo. En particular, P2R-4B alcanza un 93.2% en V-Star, un 81.9% en HR-Bench-4K y un 80.5% en HR-Bench-8K, superando sustancialmente a su correspondiente modelo base. Experimentos adicionales muestran que los beneficios de P2R se extienden más allá de los puntos de referencia de alta resolución a tareas más amplias de razonamiento multimodal. Estos resultados sugieren que desacoplar explícitamente la percepción del razonamiento proporciona un marco efectivo para el razonamiento visual de grano fino.
La manipulación móvil es una capacidad clave para robots de propósito general, pero sigue siendo un desafío para los métodos actuales de aprendizaje encarnado. Las políticas VLA son típicamente reactivas y carecen de modelado explícito del mundo, mientras que los Modelos de Acción del Mundo (WAM) existentes aún están mal alineados con la estructura de la manipulación móvil: operan sobre segmentos de video gruesos, modelan acciones de navegación-manipulación entrelazadas y entrenan dinámicas inversas bajo una supervisión que no coincide con la inferencia autorregresiva. Como resultado, a menudo pierden dinámicas de contacto de grano fino, sufren conflictos de distribución de acciones y acumulan errores a lo largo de despliegues de largo horizonte. Proponemos ABot-M0.5, un nuevo WAM construido sobre la idea de que la manipulación móvil requiere alineación en tres niveles: granularidad temporal, espacio de acción y consistencia entre entrenamiento y prueba. Para alinear la granularidad temporal, introducimos acciones latentes intermedias que capturan transiciones de estado visual local y sirven como un espacio de acción puente entre los latentes de video y los controles específicos de la encarnación. Para alinear el espacio de acción, diseñamos una arquitectura de Mezcla de Transformadores de dos niveles que desenreda tanto las representaciones de modalidad como los subespacios de acción heterogéneos, como el movimiento de la base y la manipulación del brazo. Para alinear las condiciones de inferencia, proponemos la estrategia de entrenamiento dream-forcing, que entrena progresivamente la dinámica inversa sobre videos predichos por el modelo, mejorando la alineación entrenamiento-prueba y la robustez durante la predicción autorregresiva. Experimentos en puntos de referencia desafiantes de manipulación móvil y de grano fino demuestran que ABot-M0.5 alcanza un rendimiento de vanguardia tanto en el éxito de tareas de largo horizonte como en la precisión de control de grano fino. Estos resultados resaltan la importancia crítica del modelado de acción-mundo alineado con la granularidad, desenredado de acciones y consistente con la inferencia.
Entrenar modelos de lenguaje (LM) sigue siendo un proceso altamente intensivo en mano de obra, incluso cuando los agentes de modelos de lenguaje de frontera se vuelven cada vez más capaces en ingeniería de software y otras tareas de largo horizonte. Un desafío central es que el post-entrenamiento autónomo no es solo un problema de codificación: requiere que el agente planifique iteraciones repetidamente, construya datos alineados con el punto de referencia, ejecute trabajos de entrenamiento estables, evalúe puntos de control y preserve el estado del experimento a lo largo de muchas horas de interacción. Presentamos AutoTrainess, un agente LM que expone estas operaciones como un repositorio de interfaces agente-computadora para planificación, preparación de datos, entrenamiento, evaluación y registro. En lugar de dejar que el agente opere en un entorno CLI en bruto con un espacio de acciones subespecificado, AutoTrainess externaliza la experiencia humana previa como flujos de trabajo, reglas y restricciones de ejecución explícitas que guían al agente hacia un comportamiento de entrenamiento eficaz y fiable. En PostTrainBench, AutoTrainess supera consistentemente a las líneas base solo CLI, logrando una puntuación media de 26,94 con GPT-5.4 (Codex) frente a 23,21 para solo CLI. También se generaliza a través de modelos y entornos, mejorando DeepSeek-V4-Flash (OpenCode) de 12,13 a 19,58.
Los Transformers utilizan el mismo flujo de cómputo hacia adelante tanto para predecir el siguiente token como para almacenar información de estado útil para predicciones futuras de tokens. Formulamos la hipótesis de separación entre estado y predicción: desvincular ambos roles produce un mejor rendimiento en modelado de lenguaje. Diseñamos una variante de Transformer que emplea dos flujos de cómputo para separar ambas funciones, y realizamos experimentos de preentrenamiento en diversas escalas. Nuestros experimentos muestran que la separación entre estado y predicción ofrece consistentemente mejores eficiencias en datos y cómputo, mejorando la pérdida de validación y superando a los Transformers estándar en 2 a 3 puntos porcentuales en promedio en tareas posteriores. También realizamos un análisis empírico exhaustivo que descarta posibles factores de confusión y demuestra la diferencia fundamental en los gradientes que implica nuestro diseño.
Los investigadores biomédicos utilizan cada vez más análisis e informes generados por IA para interpretar señales a nivel de proteínas, pero los resultados estáticos suelen ser insuficientes para la toma de decisiones en investigación, donde los usuarios necesitan inspeccionar evidencia, evaluar incertidumbre, comparar mecanismos y refinar hipótesis. Presentamos BioInsight, un sistema multiagente que pasa de la generación estática de informes biomédicos a la generación interactiva centrada en la evidencia. Dado un nombre de enfermedad, una tabla de asociaciones proteicas y metadatos de cohorte opcionales, BioInsight organiza la evidencia específica de la enfermedad a través de artefactos intermedios tipificados, que incluyen vías clasificadas, paquetes de evidencia de la literatura, notas de razonamiento a nivel de proteínas, informes fundamentados en citas, esquemas de paneles de control e interfaces interactivas renderizadas. El sistema descompone la recuperación de evidencia del razonamiento mecanicista, normaliza las citas mediante componentes deterministas y convierte la misma evidencia estructurada utilizada en el informe en una interfaz interactiva. Evaluamos BioInsight en preguntas biomédicas estandarizadas, razonamiento desafiante sobre funciones proteicas y síntesis de evidencia biomédica de extremo a extremo. Los resultados muestran que BioInsight alcanza los mejores resultados y sugieren que los sistemas biomédicos de IA deberían avanzar más allá de los informes solo textuales y estáticos hacia artefactos de evidencia interactivos que preserven la procedencia.
Los modelos del mundo pueden habilitar el Control Predictivo de Modelos (MPC), pero esto requiere una predicción dinámica que sea lo suficientemente rápida para su uso en tiempo real y lo suficientemente expresiva para representar futuros inciertos. Los modelos de difusión ofrecen un mecanismo natural para modelar dinámicas inciertas, sin embargo, su procedimiento de inferencia iterativa dificulta su uso para la planificación latente de baja latencia. Salvamos esta brecha con los Modelos del Mundo de Difusión de Valor (Valdi), combinando entrenamiento en línea de extremo a extremo para MPC con un modelo de dinámica de difusión latente. En experimentos preliminares en el entorno CarRacing, demostramos que Valdi, utilizando un solo paso de difusión tanto en el entrenamiento como en la inferencia, iguala el rendimiento de una línea base determinista de MLP. Nuestros experimentos revelan un compromiso entre la multimodalidad predictiva y el rendimiento de control en esta configuración. El código está disponible en https://github.com/Kit115/ValueDiffusionWorldModels.
Los modelos ligeros de aprendizaje automático se proponen cada vez más para la detección de intrusiones en redes del Internet Industrial de las Cosas (IIoT) debido a su idoneidad para el despliegue perimetral con recursos limitados. La mayoría de los resultados reportados evalúan estos modelos únicamente dentro de su red de entrenamiento, dejando sin verificar su comportamiento en redes no vistas. Este estudio entrena cuatro arquitecturas ligeras en un conjunto de datos de IIoT y las evalúa, sin reentrenamiento, en dos conjuntos de datos de IIoT estructuralmente distintos, utilizando una representación de características restringida a atributos disponibles en las tres fuentes. El análisis de explicabilidad en los dos modelos de mejor rendimiento muestra que ambos dependen abrumadoramente de características gruesas de categoría de puerto; la categoría más influyente aparece en el tráfico de ataques del dominio de origen con una tasa entre 96 y 435 veces mayor que en los dos dominios objetivo, lo que indica que la reducción de la resolución de puertos reubica, en lugar de eliminar, un atajo documentado. La evaluación bajo distribuciones de clases naturalmente desbalanceadas revela un efecto adicional: el protocolo de evaluación utilizado puede invertir cuál de las redes objetivo parece plantear el mayor desafío de generalización. También se evalúan la robustez adversarial y la recuperación mediante exposición limitada al dominio objetivo; la robustez frente a perturbaciones adversariales no está relacionada con la generalización entre redes, y la recuperación mediante adaptación varía considerablemente según la arquitectura. Estos hallazgos sugieren que la preparación para el despliegue debe evaluarse mediante evaluación entre redes bajo distribuciones de clases realistas, en lugar de basarse únicamente en la precisión dentro del dominio.
Los benchmarks de optimización de rendimiento a nivel de repositorio, como GSO, SWE-Perf y SWE-fficiency, evalúan agentes de codificación aplicando parches a repositorios reales y comparando el tiempo de ejecución con líneas base no optimizadas y parches de referencia oficiales. Sus puntuaciones en las tablas de clasificación se utilizan cada vez más como evidencia del progreso de los agentes de codificación, pero dichas puntuaciones pueden combinar inestabilidad en los tiempos de ejecución, reglas de puntuación específicas de cada benchmark y cuántas tareas ya han sido resueltas por al menos un envío público. Auditamos estos problemas en los tres benchmarks. Primero, reproducimos los parches de referencia oficiales para 740 tareas de optimización de código en cuatro tipos comunes de máquinas de Google Cloud. La mayoría de las tareas de los benchmarks pueden reproducirse, pero sus parches de referencia cumplen las reglas de validez originales del benchmark en cada reproducción entre máquinas solo para 39/102 tareas de GSO, 11/140 tareas de SWE-Perf y 411/498 tareas de SWE-fficiency; SWE-Perf es especialmente frágil porque muchos parches de referencia producen cambios de tiempo de ejecución cercanos a cero. Segundo, mostramos que las clasificaciones de los envíos públicos dependen en gran medida de la regla de puntuación del benchmark. Entre ocho envíos públicos compartidos por GSO y SWE-fficiency, las clasificaciones oficiales discrepan en 9 de 28 comparaciones por pares de envíos, y la regla de puntuación de la tabla de clasificación de SWE-fficiency asigna a las diez peores tareas pesos de puntuación excesivamente altos, entre el 58.5% y el 82.8%. Tercero, al examinar 10 envíos públicos para cada tarea, encontramos que al menos un envío iguala o supera al parche de referencia en el 85.3% (384/450) de las tareas de GSO y SWE-fficiency válidas en la reproducción, y supera al código base no optimizado en el 99.8% (449/450). Nuestro estudio complementa las puntuaciones de las tablas de clasificación al identificar tareas con señales de rendimiento más fiables, cuantificar las contribuciones de puntuación por tarea y exponer las brechas de rendimiento restantes que quedan ocultas por las clasificaciones agregadas.
Acelerar el descubrimiento de materiales requiere sistemas de inteligencia artificial capaces de generar hipótesis científicamente válidas mediante un razonamiento estructurado en múltiples pasos y fundamentado en el dominio. Los modelos de lenguaje extenso estándar suelen producir respuestas fluidas pero débilmente trazables ante problemas abiertos de diseño de materiales, lo que dificulta determinar si las respuestas finales están respaldadas por un razonamiento intermedio coherente. Desarrollamos Graph-PRefLexOR, una familia de modelos de razonamiento nativos en grafos, ajustados mediante Optimización de Política Relativa Grupal (GRPO, por sus siglas en inglés) para organizar el razonamiento en fases explícitas de exploración de mecanismos, construcción de grafos, extracción de patrones y síntesis de hipótesis. Este diseño vincula la generación de lenguaje neuronal con la estructura relacional simbólica, permitiendo construir, inspeccionar y reutilizar conexiones causales. En 100 preguntas abiertas extraídas de la literatura en ciencia de materiales y mecánica, Graph-PRefLexOR logra mejoras del 40-65% en comparación con los modelos base correspondientes, con los mayores avances en trazabilidad del razonamiento. Los análisis de embeddings muestran una exploración semántica más amplia y una diversidad semántica aproximadamente 2-3 veces mayor que las líneas base. Los análisis de retroceso semántico y de estados ocultos por capas revelan además una alineación más sólida entre el razonamiento estructurado y las respuestas finales. Finalmente, la expansión del grafo en tiempo de prueba demuestra que el cómputo adicional incrementa principalmente la recombinación conceptual de largo alcance dentro de un espacio semántico acotado, en lugar de simplemente expandir la cobertura semántica. Estos resultados consolidan el aprendizaje por refuerzo nativo en grafos como una vía hacia sistemas de IA interpretables para la generación de hipótesis científicas en el diseño de materiales y otras aplicaciones científicas.
Las métricas tradicionales para la Generación de Informes Médicos (GIM) se basan predominantemente en la superposición de n-gramas a nivel superficial, lo que no logra capturar la precisión clínica factual y a menudo pasa por alto errores diagnósticos catastróficos. Abordamos esta limitación fundamental proponiendo AtomiMed, un marco de evaluación universal e independiente de la modalidad que descompone narrativas médicas complejas en una jerarquía estandarizada de múltiples niveles de Hechos Clínicos Atómicos, que abarca entidades a nivel de enfermedad y descriptores a nivel de atributo, incluyendo localización, morfología y gravedad. Mediante la implementación de un bucle de verificación cruzada agente entre los informes de referencia y los predichos, AtomiMed simula un proceso de revisión por pares de múltiples radiólogos para verificar la consistencia clínica, permitiendo así la evaluación desacoplada de la detección diagnóstica y la precisión descriptiva. Para facilitar una evaluación estandarizada, presentamos MRGEvalKit, un conjunto de herramientas de código abierto para la extracción jerárquica automatizada, y curamos OmniMRG-Bench, un punto de referencia multimodal integral que cubre rayos X, TC, RM y ecografía. Experimentos exhaustivos en múltiples estudios de lectores anotados por expertos demuestran que AtomiMed logra una correlación significativamente mayor con el juicio de radiólogos humanos en comparación con métricas tradicionales y basadas en modelos. Nuestro código está disponible en https://github.com/Venn2336/MRGEvalkit.
Aunque los modelos de lenguaje grandes (LLMs) se desempeñan bien en tareas con tablas, aún cometen errores de referencia a datos (DREs), es decir, citan incorrectamente u omiten valores de la tabla, a pesar de comprender la estructura de la misma. Más allá de la precisión de la respuesta final, los DREs comprometen directamente la corrección y fiabilidad de los pasos intermedios de razonamiento. Sin embargo, estudios previos solo han ofrecido análisis limitados y a pequeña escala. En este trabajo, presentamos la primera evaluación sistemática de errores de referencia a datos tabulares en diferentes modelos y tareas. Nuestros resultados muestran que los DREs ocurren en todos los modelos probados (de 1.7B a 20B parámetros). Además, demostramos que incorporar la referencia a datos como un crítico mejora significativamente la precisión de las respuestas hasta en un 12.0%, mediante filtrado basado en crítico y muestreo por rechazo. Finalmente, entrenamos un modelo crítico ligero de 4B parámetros que logra una puntuación F1 promedio del 78.2% en la detección de DREs tanto dentro como fuera de la distribución, y asiste eficazmente la inferencia de modelos más grandes.
Los puntos de referencia se utilizan ampliamente para evaluar la finalización de tareas por parte de los Modelos de Lenguaje de Gran Escala (LLMs), pero este enfoque ha acumulado problemas de validez de constructo, y una puntuación aprobatoria puede no indicar si la tarea solicitada fue realmente entregada. Estudiamos ambos problemas. En un entorno controlado de código como especificación, dos agentes Copilot CLI de producción (claude-opus-4.7, gpt-5.5) reimplementan una tabla de datos React Fluent-UI en Angular como una biblioteca reutilizable bajo un oráculo oculto Playwright de 222 pruebas en 18 ejecuciones y tres condiciones de disponibilidad del oráculo. Junto con la puntuación, realizamos una auditoría mecánica de la biblioteca y verificamos cada veredicto con una ablación sin operación. Sin el oráculo, la biblioteca está presente pero incompleta, como revelan las puntuaciones. Con el oráculo en el proceso, la puntuación alcanza un nivel casi perfecto, pero a partir de una demo que alberga directamente el comportamiento evaluado, la biblioteca queda inactiva o ausente. A esto lo denominamos construir para la prueba; la disposición más amplia detrás de ambos fenómenos la llamamos autoconciencia de validación. El agente, por sí mismo, no valida lo que entrega como lo haría un usuario. La prevalencia sigue siendo una pregunta abierta en otros agentes, señales y familias de modelos. Más allá de las puntuaciones de los puntos de referencia, disposiciones como la autoconciencia de validación merecen atención investigativa.
El diseño de diapositivas requiere personalizar tanto los temas de la presentación como los diseños de página. Sin embargo, los métodos actuales basados en agentes de IA tienen dificultades con un diseño detallado a nivel de página. Al depender únicamente de plantillas predefinidas o instrucciones extensas del usuario, no logran capturar las intenciones de diseño latentes, dejando sin resolver la Personalización de Diapositivas a Nivel de Página (PSP). Para cerrar esta brecha, este trabajo formula la PSP como un problema de planificación inversa. Proponemos aprender una intención de diseño sin asumir ningún conocimiento de las herramientas de ejecución específicas (por ejemplo, PowerPoint, Beamer) que se estén utilizando. Sin embargo, renunciar al control sobre estas herramientas vuelve el problema intratable de optimizar de extremo a extremo. Para superar esto, proponemos SPIRE, un marco teórico para resolver la PSP de manera aproximada. Al corromper intencionalmente las estructuras visuales de diapositivas limpias, SPIRE crea una tarea verificable de eliminar la corrupción, mediante la cual dos agentes aprenden a refinar colaborativamente diseños ejecutables a través del aprendizaje por refuerzo (RL). Presentamos una demostración de que la eliminación de ruido estructural es un sustituto consistente para la PSP, y que la formulación multiagente reduce estrictamente la varianza del gradiente de políticas en RL. Experimentos exhaustivos demuestran la superioridad de SPIRE.
Aunque los modelos de texto a imagen (T2I) han demostrado un éxito notable en la generación de contenido visual fotorrealista, aún presentan dificultades en la alineación semántica rigurosa y el razonamiento lógico necesarios para las imágenes científicas. Inspirándonos en la Tríada Semiótica de Peirce, presentamos Scientific Image Reasoning (SciIR), un recurso integral para el entrenamiento y la evaluación de la generación de imágenes científicas. Formalizamos el razonamiento científico en tres dimensiones centrales: Estructura de Entidad (Icono), Proceso Científico (Índice) y Ley Científica (Símbolo). En concreto, para superar la escasez de datos de entrenamiento en la generación de imágenes científicas, elaboramos cuidadosamente SciIR-82k, un conjunto de datos a gran escala que contiene más de 80 000 pares de texto e imagen científica de alta calidad extraídos de publicaciones de vanguardia. El conjunto de datos está organizado jerárquicamente según las dimensiones semióticas e incorpora una Cadena de Razonamiento Científico (Sci-RCoT) para modelar explícitamente la lógica visual subyacente. Para la evaluación, proponemos SciIR-Bench, que se alinea con estos tres niveles semióticos y emplea una Lista de Verificación Atómica para convertir la precisión científica orientada a resultados en preguntas verificables y detalladas orientadas al proceso. Nuestros extensos experimentos revelan deficiencias significativas en las capacidades de razonamiento científico de los modelos actuales. Además, mediante el ajuste fino en el conjunto de datos SciIR-82k, desarrollamos el modelo Qwen-Image-SciIR, que logra una mejora sustancial en SciIR-Bench, elevando la puntuación final del 35 % al 43 %, sentando una base sólida para futuros avances en la generación de imágenes científicas.
Los sistemas autónomos de descubrimiento científico ofrecen el potencial de acelerar la investigación al automatizar el proceso de generación y validación de hipótesis. Sin embargo, los sistemas actuales operan dentro de espacios de búsqueda restringidos o requieren preguntas de investigación predefinidas, lo que limita su capacidad para una indagación verdaderamente abierta. Además, aunque generan hipótesis de forma iterativa, carecen en gran medida de la capacidad de sintetizar explícitamente sus propios hallazgos acumulados para descubrir fenómenos complejos e interconectados. Presentamos DiscoPER, un marco autónomo basado en modelos de lenguaje grande que realiza investigación abierta mediante la generación y ejecución dinámica de código para explorar conjuntos de datos sin objetivos de investigación preespecificados. Para garantizar el rigor científico, cada descubrimiento propuesto debe superar pruebas estadísticas. Para superar las limitaciones de la búsqueda aislada, nuestro marco introduce un mecanismo de razonamiento de segundo orden que analiza periódicamente sus propios descubrimientos acumulados. Al tratar los descubrimientos previos como datos empíricos, DiscoPER identifica patrones estructurales, factores de confusión y brechas epistémicas, redirigiendo activamente la exploración de hipótesis hacia regiones inexploradas del espacio de búsqueda. El espacio de búsqueda se expande aún más mediante la incorporación de uso de herramientas, lo que permite al sistema explorar hipótesis más allá de los metadatos estructurados al procesar y extraer información útil de fuentes multimodales como imágenes. Evaluado en iNatDisco, un nuevo punto de referencia multimodal de conocimiento ecológico con verdades fundamentales a nivel de patrón obtenidas de literatura revisada por pares, DiscoPER recupera 8 de 9 patrones conocidos con una tasa de soporte de hipótesis del 72,7%, superando tanto el descubrimiento causal clásico como las líneas base guiadas por modelos de lenguaje grande. Los estudios de ablación muestran que DiscoPER escala con más datos y confirman los beneficios de la metarreflexión de segundo orden.
La destilación de conjuntos de datos de visión y lenguaje (VLDD) comprime un gran conjunto de datos emparejados de imagen y texto en un pequeño conjunto de pares sintéticos que pueden entrenar eficientemente modelos contrastivos de visión y lenguaje bajo presupuestos estrictos de datos y cómputo. La mayoría de los métodos existentes equiparan trayectorias de expertos o estadísticas multimodales, pero aún imponen una alineación de dimensión completa en un espacio de incrustación euclidiano. Esto suele ser excesivamente restrictivo debido a la correlación deficiente en rango entre imagen y texto, donde la semántica compartida se concentra en un rango de baja dimensión y la variación restante se distribuye en un subespacio residual débilmente correlacionado. LoRS relaja la alineación a nivel de similitud mediante factorización de bajo rango, pero no controla explícitamente la capacidad de alineación dominante y la estructura en el espacio de representación. Por lo tanto, proponemos una alineación hiperbólica consciente del rango (RAHA) que combina geometría jerárquica con control explícito de la capacidad de alineación. RAHA eleva las representaciones multimodales al espacio hiperbólico y optimiza pares destilados con objetivos asimétricos que imponen una alineación geodésica en el rango compartido, mientras regulariza el subespacio residual para preservar la diversidad privada de cada modalidad y mejorar la robustez de la transferencia. Los experimentos en puntos de referencia muestran que RAHA demuestra una recuperación multimodal competitiva e indicadores de transferencia mejorados bajo presupuestos fijos.
La traducción automática de obras literarias es cada vez más común. Aunque el contenido puede transmitirse de forma adecuada, no conocemos lo suficiente sobre cómo los lectores lo experimentan en términos de inmersión y efecto literario, aspectos que las métricas automáticas de traducción automática o la evaluación humana centrada en fluidez y adecuación capturan de manera deficiente. Solicitamos a 15 lectores asiduos que comparen traducciones humanas (TH) publicadas recientemente con traducciones automáticas (TA) generadas mediante un flujo de trabajo basado en un modelo de lenguaje grande (LLM) agente, para 15 novelas recientes en francés, polaco y japonés, traducidas al inglés. Los lectores evaluaron extractos de aproximadamente 8.000 palabras en dos condiciones: lectura inmersiva del extracto completo (30 comparaciones) y lectura detallada de 386 pares de fragmentos TH-TA alineados (772 comparaciones), con dos lectores por libro y en orden de presentación alternado. En general, los lectores consideran las TA "aceptables", pero prefieren las TH (ligeramente a nivel de extracto: 19/30; más claramente a nivel de fragmento: 522/772) por su facilidad, claridad y naturaleza inmersiva. Los destacados de los lectores muestran que la calidad de la TA varía más dentro de un mismo libro que la de la TH. Es crucial que los lectores no pueden distinguir de manera fiable entre ambas (17/30 aciertan) y tienden a preferir la versión que creen humana. Las métricas automáticas, incluidos los enfoques de LLM como juez, no logran recuperar las preferencias de los lectores y favorecen la TA. Publicamos LAIT (Literary AI Translation), un conjunto de datos de evaluación centrado en el lector con 1.000 comentarios de lectores, 2.000 juicios y valoraciones de preferencia, y 7.200 anotaciones a nivel de fragmento, junto con nuestro protocolo de evaluación e interfaz de apoyo.
Este artículo explora el razonamiento visual en múltiples turnos y observa que los MLLMs fracasan repetidamente al localizar el objetivo, generando trayectorias largas y redundantes. Atribuimos este fallo al entrelazamiento del razonamiento y la percepción dentro de un único modelo: el MLLM razona y localiza simultáneamente, y una localización inexacta desencadena turnos de razonamiento adicionales que alargan la trayectoria. Para resolver este problema, proponemos PixelEyes, un agente de razonamiento visual multiturno que desacopla explícitamente el razonamiento de la percepción; es decir, el razonador decide qué buscar, mientras que una herramienta de percepción especializada responde dónde se encuentra. Específicamente, PixelEyes introduce: 1) Búsqueda visual guiada por máscaras. Se invoca un modelo de segmentación referencial para proporcionar una localización precisa mediante máscaras, liberando al razonador de la necesidad de compensar un anclaje impreciso. 2) Búsqueda en anchura por regiones semánticas. Para eliminar bucles redundantes causados por recortar repetidamente subregiones incorrectas, organizamos la exploración como una búsqueda en anchura sobre regiones semánticas. Para internalizar estas capacidades, construimos el conjunto de datos PixelEyes-6K mediante la resíntesis de trayectorias expertas a partir de datos existentes, incorporando explícitamente nuestra lógica de búsqueda guiada por máscaras y BFS en el modelo. Además, introducimos Pinpoint-Bench, un punto de referencia de búsqueda visual sin pistas, es decir, no se proporcionan indicaciones de ubicación en la pregunta, con máscaras y cajas delimitadoras a nivel de instancia que separan los fallos de localización de los fallos de razonamiento, permitiendo un análisis detallado de modos de fallo como la ceguera por inatención. Los modelos MLLM y agentes de razonamiento visual más avanzados dejan un amplio margen de mejora en Pinpoint-Bench, lo que demuestra su calidad y dificultad. El código y los modelos son de código abierto.
Los enfoques clásicos de generación de grafos de escenas 3D no logran funcionar en tiempo real debido al alto costo computacional del mapeo del entorno y la necesidad de generar representaciones intermedias de nubes de puntos. Para aliviar este problema, un trabajo reciente prescinde de las nubes de puntos en favor de una distribución gaussiana ligera para cada objeto. Esta aproximación acelera drásticamente la inferencia y permite la generación en tiempo real de grafos de escenas 3D. Sin embargo, la representación tiene dos debilidades clave: 1) Cada objeto se aproxima mediante una única gaussiana 3D, lo que provoca una pérdida severa de detalle geométrico 3D. 2) La discrepancia entre esta aproximación y la geometría real del objeto agrava la fusión inexacta de candidatos a objeto durante la inferencia en línea. Para abordar estos problemas, proponemos NoPA, que representa cada objeto como una distribución no paramétrica separada. Esta formulación conserva la información geométrica 3D mientras mantiene la inferencia en tiempo real de la formulación gaussiana paramétrica. Para desarrollar nuestra novedosa representación de objetos, proponemos una estrategia de fusión adaptada para recuperar instancias de objetos coherentes. Específicamente, aprovechamos la discrepancia máxima media sobre estimaciones de densidad de kernel para permitir una fusión robusta de candidatos a objeto durante la exploración en línea, minimizando la complejidad computacional añadida. La clave es mantener un conjunto de partículas fijo por objeto. Además, para rectificar la pérdida de relaciones causada por objetos mal clasificados, NoPA propaga las relaciones entre objetos con alta afinidad. Los experimentos muestran que NoPA supera sustancialmente a los métodos actuales sin sacrificar la velocidad de inferencia en tiempo real.
A medida que los agentes de IA se vuelven cada vez más capaces de realizar razonamientos complejos a largo plazo, una evaluación rigurosa y holística es esencial para medir el progreso hacia aplicaciones sanitarias reales. Presentamos HealthAgentBench, un conjunto de 54 tareas sanitarias agentivas en 7 categorías, cada una con su entorno único. El conjunto de referencia abarca diversos flujos de trabajo a lo largo del recorrido del paciente y una amplia gama de modalidades. Cada tarea está diseñada para replicar un flujo de trabajo clínico de extremo a extremo: dadas instrucciones mínimas, un agente debe explorar datos sanitarios sin procesar, operar dentro de un entorno complejo y ejecutar soluciones de múltiples pasos que van más allá de la simple indicación inicial. Se reporta una tasa final de éxito de las tareas para proporcionar una métrica única e interpretable del rendimiento general de cada agente en HealthAgentBench. Al evaluar agentes de frontera en HealthAgentBench, encontramos que la tasa de éxito general de las tareas sigue siendo baja, lo que subraya la dificultad del conjunto. El agente más fuerte y rentable, Codex GPT-5.5, solo alcanza aproximadamente un 42% de tasa de éxito. Más allá del rendimiento agregado, HealthAgentBench revela fortalezas y debilidades matizadas entre categorías de tareas. Los agentes de frontera muestran potencial para desarrollar automáticamente flujos de trabajo de modelado de investigación sobre datos de EHR, pero las imágenes médicas siguen siendo particularmente desafiantes, especialmente para los modelos Claude Code, mientras que Codex GPT-5.5 muestra una capacidad emergente. Las tareas que combinan grandes espacios de búsqueda con requisitos de razonamiento compositivo siguen siendo difíciles para todos los agentes actuales. En conjunto, estos resultados sugieren que HealthAgentBench proporciona un punto de referencia desafiante y realista con un margen sustancial para el progreso futuro. Publicamos nuestro punto de referencia en https://github.com/microsoft/HealthAgentBench.
Tres de los métodos más populares para entrenar modelos de lenguaje a razonar parecen tres trucos distintos. No lo son. Los tres ajustan un solo número: la desviación estándar, que refleja cuánto difieren las respuestas muestreadas de una instrucción. Cuando se entrena un modelo de este tipo, responde cada problema muchas veces, y un verificador automático marca cada respuesta como correcta o incorrecta. La desviación estándar de esas marcas mide el desacuerdo: máxima cuando las respuestas se dividen equitativamente entre correctas e incorrectas, y cero cuando todas coinciden. Group Relative Policy Optimization (GRPO) divide por este número, GRPO Done Right (Dr. GRPO) omite la división, y Decoupled Clip and Dynamic Sampling Policy Optimization (DAPO) descarta los grupos donde es cero. Cada uno se presenta como una solución propia, sin embargo, este artículo demuestra que son tres ajustes de un solo dial. Ese dial no es cosmético: para recompensas de correcto o incorrecto, el desacuerdo es exactamente el tamaño de la actualización de entrenamiento, la identidad de la desviación estándar del grupo. Un grupo dividido enseña más, mientras que un grupo unánime no enseña nada y se silencia. El mismo resultado indica qué problemas merecen más peso y cuántos intentos necesita cada uno. Este artículo confirma la intuición en un gran conjunto de datos de dificultad real (Big-Math) y en una ejecución de entrenamiento controlada. Lo que parece un paso de normalización inofensivo es el dial que decide dónde ocurre el aprendizaje y con qué fuerza.
La restauración de imágenes con desenfoque ciego requiere la recuperación de detalles de alta fidelidad y estructuras coherentes a partir de degradaciones complejas y desconocidas. Los métodos actuales de desenfoque ciego de imágenes tienen dificultades con degradaciones reales y espacialmente variables, y carecen de la conciencia semántica necesaria para diferenciar de manera confiable texturas válidas de artefactos. Para superar esta brecha, proponemos CogSENet, un marco de reconstrucción dinámico y alineado semánticamente inspirado en el sistema visual del águila. Al imitar el escaneo sacádico activo del águila, diseñamos un Módulo de Espacio de Estados Impulsado Semánticamente (SDSSM) con reagrupación de tokens con conciencia semántica mediante enrutamiento diferenciable, lo que permite un modelado de dependencias de largo alcance condicionado por indicaciones. Para garantizar una recuperación físicamente interpretable de texturas y estructuras, un Bloque de Fusión BiFrecuencia (BFFB) refleja la diferenciación funcional de la retina del águila al descomponer las características en altas y bajas frecuencias mediante transformadas wavelet. Finalmente, estimamos un Campo de Desenfoque Continuo (CBF) a partir de la imagen borrosa y lo fusionamos con prioridades semánticas de CLIP para modular las características latentes más profundas, emulando la adaptación focal y permitiendo una restauración adaptativa bajo desenfoque espacialmente no uniforme. Experimentos exhaustivos demuestran que CogSENet supera a los métodos de desenfoque de última generación tanto en calidad visual como en fidelidad estructural con menos parámetros, al mismo tiempo que se desempeña favorablemente en tareas de eliminación de niebla, lluvia y ruido.
En el diálogo colaborativo, la percepción compartida no garantiza una interpretación compartida. La comprensión mutua debe establecerse mediante la interacción. Investigamos si los modelos de lenguaje-visión (VLMs) pueden distinguir entre lo que podría compartirse y lo que se ha compartido entre los participantes del diálogo a través del anclaje (grounding). Formulamos esto como una tarea de coincidencia de interpretación sobre 13,077 expresiones de referencia anotadas de los diálogos HCRC MapTask, y evaluamos los VLMs bajo manipulaciones controladas sistemáticamente del contexto del diálogo y del acceso a la información del mapa. Nuestros resultados muestran que proporcionar imágenes auténticas del mapa mejora el rendimiento general, pero desplaza a los modelos hacia una sobrepredicción de la alineación. Las descripciones textuales del mismo contenido del mapa reproducen este sesgo, mientras que las imágenes no informativas suprimen por completo las predicciones de alineación, lo que indica que el sesgo está impulsado por el contenido del mapa relevante para la tarea, no por el canal visual. Esta mejora tiene el costo de una precisión degradada en los casos no alineados. El análisis de calibración y el seguimiento de cadenas de referencia sugieren además que los modelos se basan en claves referenciales estáticas en los mapas, en lugar de rastrear cómo se desarrolla el anclaje a través del historial del diálogo. Observamos estos patrones con mayor claridad en Qwen3-VL-8B-Instruct y, en diversos grados, en cuatro modelos adicionales de dos familias de arquitecturas. En los modelos que presentan el sesgo, el contenido del mapa, ya sea presentado visual o textualmente, se trata como evidencia de comprensión mutua, confundiendo el terreno común potencial con el establecido.
Las personas sobrepiensan; los modelos de lenguaje sobre-muestrean, y el esfuerzo adicional puede llevar a ambos a dar una respuesta peor. Los sistemas de razonamiento abordan una pregunta difícil muestreándola muchas veces (escalado en tiempo de prueba), y cuanto más extraen, con mayor frecuencia aparece una respuesta correcta en algún lado, por lo que la cobertura —la fracción de problemas con al menos un intento correcto— aumenta y parece indicar progreso. Pero un sistema implementado debe devolver una sola respuesta, y elegirla sin saber qué intento es el correcto es la selección; la selección tiene un límite, y más allá de cierto punto, las muestras adicionales solo hacen que el modelo esté más seguro de un error con confianza, incluso cuando cada extracción añade costo. La brecha entre la cobertura creciente y la selección estancada —la brecha de identificabilidad— es la respuesta que un modelo puede producir pero no elegir. Así que la verdadera pregunta no es si muestrear, sino hasta dónde, y la respuesta es: no muy lejos. Para elegir una respuesta, el voto ya se ha estabilizado en pocas docenas de extracciones —el techo modal—; para puntuar un punto de referencia, aún antes —el techo de correlación—. Más allá de eso, las extracciones adicionales cuestan cómputo y no añaden nada, e incluso pueden empeorar la respuesta. Este artículo convierte el punto de corte en un número único —el número efectivo de muestras— que cualquier ejecución de muestreo ya revela. El cuello de botella está en reconocer una respuesta correcta, no en generarla.