{"id":71914,"date":"2025-06-10T04:19:58","date_gmt":"2025-06-10T04:19:58","guid":{"rendered":"https:\/\/enfoquenoticioso.com\/?p=71914"},"modified":"2025-06-10T04:19:58","modified_gmt":"2025-06-10T04:19:58","slug":"si-el-problema-es-demasiado-dificil-se-rinden-enseguida","status":"publish","type":"post","link":"https:\/\/enfoquenoticioso.com\/?p=71914","title":{"rendered":"si el problema es demasiado dif\u00edcil, se rinden enseguida"},"content":{"rendered":"
\n

Las m\u00e1quinas no piensan, eso es una ilusi\u00f3n. No lo decimos nosotros, lo dicen un grupo de investigadores de Apple que acaban de publicar un revelador estudio titulado precisamente as\u00ed (‘La ilusi\u00f3n de pensar<\/a>‘). En \u00e9l dichos expertos han analizado el rendimiento de varios modelos de IA con la capacidad de \u00abrazonar\u00bb<\/a>, y sus conclusiones son llamativas… y preocupantes.<\/p>\n

<\/p>\n

Puzzles para las IAs que \u00abrazonan\u00bb<\/strong>. Lo normal al evaluar la capacidad de un modelo de IA es utilizar benchmarks con pruebas de programaci\u00f3n o de matem\u00e1ticas, por ejemplo. En lugar de eso, Apple cre\u00f3 varias pruebas basadas en puzzles l\u00f3gicos<\/a> que eran totalmente nuevos y que por tanto no pod\u00edan formar parte del entrenamiento de estos modelos. En la evaluaci\u00f3n participaron Claude Thinking, DeepSeek-R1 y o3-mini.<\/p>\n

<\/p>\n

\n
\n
\n
\n
\n \""Tel\u00e9fono,
\n <\/a>\n <\/div>\n<\/p><\/div>\n<\/p><\/div>\n<\/div>\n

Modelos que se estrellan<\/strong>. En sus pruebas comprobaron<\/a> como todos estos modelos de razonamiento se acababan estrellando de bruces contra un muro cuando se enfrentaban a problemas complejos. En esos casos, la precisi\u00f3n de dichos modelos cay\u00f3 estrepit\u00f3samente hasta el 0%. No importaba adem\u00e1s que concedieras m\u00e1s recursos a estos modelos a la hora de tratar de resolver esos problemas. Si eran de cierta dificultad, no pod\u00edan con ellos.<\/p>\n

<\/p>\n

Se cansan de pensar<\/strong>. De hecho, sucedi\u00f3 algo curioso. A medida que los problemas se volv\u00edan m\u00e1s complicados, estos modelos comenzaron a pensar no m\u00e1s, sino menos. Usaron menos tokens para resolverlos y se ridieron antes a pesar de poder utilizar recursos ilimitados.<\/p>\n

<\/p>\n

Ni con ayuda<\/strong>. Los investigadores de Apple incluso intentaron darle a los modelos un algoritmo exacto que guiaba a los modelos<\/a> a que pudieran encontrar la soluci\u00f3n paso por paso. Y aqu\u00ed, otra sorpresa may\u00fascula: ninguno de los modelos lograba resolver los problemas a pesar de tener esas soluciones guiadas. No pod\u00edan seguir instrucciones de forma consistente.<\/p>\n

<\/p>\n

\n
\n
\n \"Captura
\n \"Captura<\/p>\n

En estas gr\u00e1ficas se muestran las diferencias entre modelos que no razonan (DeepSeek-V3) con los que s\u00ed lo hacen (DeepSeek-R1) en problemas de complejidad baja (amarillo), media (azul) y alta (rojo). Solo hay ventajas para el \u00abrazonamiento\u00bb en los problemas de dificultad media. En los de alta los modelos sencillamente colapsan. Fuente: Apple.<\/span>\n <\/div>\n<\/p><\/div>\n<\/div>\n

Tres tipos de problemas<\/strong>. En su evaluaci\u00f3n dividieron los problemas a resolver en tres clases y comprobaron si los modelos de razonamiento realmente aportaban algo frente a los modelos tradicionales que no \u00abrazonan\u00bb.<\/p>\n

<\/p>\n