Una nueva arquitectura de inteligencia artificial plantea una vía diferente para el razonamiento automático: en lugar de generar palabras para desarrollar sus pasos intermedios, procesa la información en un espacio latente. El modelo trabaja con 150 millones de parámetros y obtiene excelentes resultados con un uso más acotado de recursos informáticos.
Los científicos de la empresa de inteligencia artificial Pathway decidieron probar un enfoque alternativo para la IA: además de usar menos parámetros y ser más económico en su funcionamiento, el nuevo modelo no requiere generar una larga cadena de palabras escritas para resolver un problema. Solo lee información paso a paso en una memoria interna que se actualiza constantemente.
Otro esquema de razonamiento para la IA
BDH-CQ es un modelo diseñado para resolver problemas mediante computación en un espacio interno de representaciones, sin convertir cada paso intermedio de su razonamiento en palabras. La propuesta apunta a reducir el coste computacional asociado a los sistemas de IA que utilizan el lenguaje como soporte para pensar, de acuerdo a un estudio publicado en arXiv.
El planteamiento parte de una limitación de los actuales modelos de IA. Cuando un sistema basado en un gran modelo de lenguaje aborda una tarea compleja, puede generar una cadena de pensamiento con muchos tokens antes de ofrecer la respuesta final.
Cada uno de esos pasos debe producirse de forma secuencial y, después, volver a procesarse. El resultado puede ser una mayor latencia y un incremento del consumo de recursos. El trabajo de BDH-CQ plantea eliminar esa dependencia del lenguaje para el razonamiento interno.
Sistemas de IA más pequeños
En lugar de «explicarse» a sí mismo el problema mediante frases, BDH-CQ mantiene una memoria recurrente que se actualiza a medida que recibe ejemplos. Después, utiliza un espacio de trabajo latente para realizar iteraciones de cálculo hasta producir una respuesta. Es decir, el lenguaje deja de ser el formato obligatorio de los pasos intermedios: el modelo transforma directamente estados internos continuos y solo decodifica el resultado que debe entregar.
Según un artículo publicado en Tech Xplore, esta diferencia tiene una consecuencia potencialmente importante: el sistema puede ser mucho más pequeño que algunos de los grandes modelos de lenguaje actuales. La configuración analizada por los investigadores cuenta con 150 millones de parámetros, una cifra diminuta frente a los modelos de IA de vanguardia, que alcanzan cientos de miles de millones. Pero la cuestión decisiva no es únicamente el tamaño, sino cuánto trabajo necesita realizar para resolver cada problema.
BDH-CQ sustituye las cadenas de pensamiento por un espacio latente y reduce el coste de computación. / Crédito: arXiv (2026). DOI: 10.48550/arxiv.2608.09888
Resultados en pruebas y retos a superar
Para medirlo, el equipo utilizó ARC-AGI-1, una prueba diseñada para comprobar la capacidad de una IA para descubrir reglas nuevas a partir de unos pocos ejemplos. Los problemas consisten en pequeñas cuadrículas de colores: el sistema debe deducir qué transformación se ha aplicado en los ejemplos y reproducirla sobre una nueva entrada. El formato resulta especialmente útil para estudiar si una máquina está aprendiendo una regla o simplemente acertando por casualidad.
BDH-CQ obtuvo un 29,5 % de aciertos con dos intentos en las 400 tareas de la evaluación. El coste de inferencia calculado por los autores fue de 0,00070 dólares por tarea, aproximadamente siete centésimas de céntimo. Según el estudio, este punto se sitúa por encima de la frontera previa de relación entre coste y precisión.
La eficiencia, sin embargo, no significa que el modelo haya resuelto el problema general del razonamiento artificial. Su rendimiento es desigual. Los investigadores observaron buenos resultados en transformaciones visuales relativamente sencillas, mientras que las tareas que exigen ordenar conjuntos de objetos, combinar varias operaciones o aplicar reglas de forma consistente resultaron bastante más difíciles.
Referencia
BDH-CQ: In-Context Learning with Recurrent Latent Reasoning. Björn Engdahl et al. arXiv (2026). DOI:https://doi.org/10.48550/arXiv.2608.09888
Un largo camino a recorrer
BDH-CQ no es una IA ya capaz de sustituir a los grandes modelos generalistas, pero demuestra que el razonamiento puede prescindir del lenguaje en ciertos pasos. Si esta línea de investigación escala a problemas matemáticos, lingüísticos y más complejos, podría abrir la puerta a sistemas que utilicen mucha menos computación para realizar determinadas tareas.
Los autores ya señalan esa dirección como siguiente paso: aumentar el tamaño del modelo, prolongar su entrenamiento y llevar la arquitectura a problemas más diversos y de complejidad creciente.
