{"id":43916,"date":"2025-01-14T11:00:38","date_gmt":"2025-01-14T11:00:38","guid":{"rendered":"https:\/\/enfoquenoticioso.com\/tecnologia\/microsoft-consigue-que-su-ia-se-vuelva-experta-en-matematicas\/"},"modified":"2025-01-14T11:00:38","modified_gmt":"2025-01-14T11:00:38","slug":"microsoft-consigue-que-su-ia-se-vuelva-experta-en-matematicas","status":"publish","type":"post","link":"https:\/\/enfoquenoticioso.com\/?p=43916","title":{"rendered":"Microsoft consigue que su IA se vuelva experta en matem\u00e1ticas"},"content":{"rendered":"
\n

Microsoft<\/strong> ha dado un paso importante en el campo de los modelos de lenguaje peque\u00f1os (SLM). El gigante tecnol\u00f3gico anunci\u00f3 rStar-Math<\/strong>, una nueva t\u00e9cnica de razonamiento que aumenta significativamente el rendimiento de una IA en la resoluci\u00f3n de problemas matem\u00e1ticos complejos<\/strong>. Microsoft afirma que con este experimento, los SLM pueden superar a modelos grandes, como o1 de OpenAI<\/a>.<\/p>\n

De acuerdo con una publicaci\u00f3n en Hugging Face<\/a><\/em>, rStar-Math desaf\u00eda la idea de que se necesitan modelos muy grandes <\/strong>para un razonamiento matem\u00e1tico s\u00f3lido. El nuevo desarrollo consigue resultados de vanguardia sin depender de la destilaci\u00f3n de conocimiento, una pr\u00e1ctica de los modelos grandes que requiere un alto poder de c\u00f3mputo.<\/p>\n

Tradicionalmente, los SLM tienen dificultades con las tareas de razonamiento matem\u00e1tico debido a las limitaciones en la l\u00f3gica paso a paso y la justificaci\u00f3n. rStar-Math aborda esto de frente empleando la b\u00fasqueda de \u00e1rbol de Monte Carlo (MCTS, por sus siglas en ingl\u00e9s). Esta t\u00e9cnica permite al SLM explorar varias rutas de soluci\u00f3n, imitando un proceso de pensamiento profundo<\/strong>.<\/p>\n

Algo que distingue a la nueva t\u00e9cnica de razonamiento de Microsoft es que va m\u00e1s all\u00e1 de simplemente encontrar la respuesta. rStar-Math enfatiza la comprensi\u00f3n al requerir que el modelo genere una cadena de pensamiento que incluye explicaciones en lenguaje natural para cada paso, acompa\u00f1adas del c\u00f3digo Python real que ejecuta la soluci\u00f3n.<\/p>\n

En las pr\u00e1cticas, rStar-Math ha conseguido aumentar la precisi\u00f3n de varios SLM <\/strong>en el conjunto de datos MATH. Por ejemplo, la precisi\u00f3n de Qwen-7B salta del 58,8% a un 90,0%, mientras que Phi 3-mini alcanza el 86,4%. Ambos modelos superan a la versi\u00f3n previa de o1 y se mantienen competitivos con o1-mini, los modelos de lenguaje de OpenAI.<\/p>\n

\"Resultados\"Resultados<\/figure>\n
\n
\n

Tabla de Contenido<\/p>\nToggle<\/span><\/path><\/svg><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n