{"id":141309,"date":"2026-07-07T21:05:25","date_gmt":"2026-07-08T03:05:25","guid":{"rendered":"https:\/\/pongara.net\/news\/apple-los-lrms-no-piensan\/"},"modified":"2026-07-07T21:05:25","modified_gmt":"2026-07-08T03:05:25","slug":"apple-los-lrms-no-piensan","status":"publish","type":"post","link":"https:\/\/pongara.net\/news\/apple-los-lrms-no-piensan\/","title":{"rendered":"Apple: los LRMs no piensan"},"content":{"rendered":"
\n
\"\"\n<\/div>\n

Un grupo de investigadores de Apple ha examinado<\/a> las fortalezas y limitaciones de los modelos de razonamiento a gran escala (LRMs). Ha apuntado que por lo general las evaluaciones sobre los mismos muy limitadas.\u00a0Para este trabajo Apple ha utilizado escenarios con puzzles cuyo desarrollo puede controlar. Y cuya composici\u00f3n puede manipular al tiempo que mantiene de forma consistente la estructura l\u00f3gica. De esta manera ha podido analizar no solo las respuestas finales, sino tambi\u00e9n los rastros del razonamiento interno. Lo que ha permitido a los investigadores ver como \u201cpiensan\u201d los LRMs.<\/strong><\/p>\n

La ilusi\u00f3n del pensamiento<\/strong><\/h2>\n

El t\u00edtulo del trabajo anticipa bastante lo que la empresa ha descubierto. La Ilusi\u00f3n del pensamiento.<\/p>\n

Luego de una gran cantidad de experimentos Apple ha observado que a ciertos niveles de complejidad los LRMs colapsan. No es que les cueste m\u00e1s, o comiencen a fallar, se vuelven absolutamente in\u00fatiles.\u00a0<\/strong>Adem\u00e1s, sus esfuerzos de razonamiento aumentan conforme la complejidad del problema es mayor, pero pasado cierto punto comienzan a declinar. A\u00fan cuando se les suministra los recursos necesarios (cantidad de tokens para operar), las IA parecen resignarse.<\/p>\n

LRM vs LLM<\/strong><\/h2>\n

En las tareas de baja complejidad<\/strong> los LLMs mostraron ser mejores que los LRMs.<\/p>\n

En las tareas de mediana complejidad<\/strong>, en las que algo m\u00e1s de trabajo era necesario, los LRMs demostraron tener cierta ventaja.<\/p>\n

Ambos modelos demostraron grandes dificultades para resolver tareas de alta complejidad<\/strong>. Los LRMs en particular fallaron cuando necesitaban realizar operaciones de gran exactitud y su razonamiento a lo largo de varios puzzles fue inconsistente.<\/p>\n

La cadena de pensamiento<\/strong><\/h2>\n

A\u00fan en los casos en los que se les dio a los modelos el algoritmo para la respuesta ha menudo fallaron. Esto supone la necesidad de distinguir entre la ejecuci\u00f3n de una tarea y su entendimiento. Lo dicho ha llevado a los investigadores a se\u00f1alar que las IA no razonan, son mecanismos de b\u00fasquedas de patrones.<\/strong><\/p>\n

En s\u00ed esta afirmaci\u00f3n no es pol\u00e9mica. Es como funcionan las IA, pero no como las empresas las presentan al p\u00fablico en general.<\/p>\n

El lector quiz\u00e1s recordar\u00e1 que Anthropic ha hecho un esfuerzo similar para comprender un poco m\u00e1s como realmente funcionan las IA. Uno de los puntos destacados hab\u00eda sido que a menudo la IA ment\u00eda sobre lo que ocurr\u00eda durante sus procesos. La famosa cadena de razonamiento era m\u00e1s un producto para el consumo del usuario que un proceso real.<\/p>\n

\n

Anthropic examina el pensamiento de las IA<\/a><\/p>\n<\/blockquote>\n