Por Canuto  

Investigadores de UC San Diego entrenaron un agente basado en Qwen2.5-7B-Instruct para que estime las creencias y los objetivos de su interlocutor, y luego actúe con esa información sin recurrir a modelos adicionales durante la prueba. El equipo reportó avances en benchmarks sociales y de seguimiento de creencias, aunque los resultados no significan que la IA lea literalmente la mente humana.
***

  • El agente incorpora estimaciones sobre lo que su compañero cree o desea y sobre lo que ese compañero cree acerca del propio agente.
  • En Sotopia, el modelo Qwen2.5-7B obtuvo una mejora relativa promedio de aproximadamente 11,5% frente a la línea base.
  • En BigToM, el equipo registró una ganancia promedio de 26,7 puntos porcentuales en precisión pareada para creencias verdaderas y falsas.

Un agente de IA de 7B aprende a inferir las creencias de su interlocutor

Un equipo de la Universidad de California en San Diego (UC San Diego) entrenó un agente de inteligencia artificial para que estime qué cree y qué desea su compañero de conversación, y utilice esas inferencias al elegir cómo actuar. El sistema se basa principalmente en Qwen2.5-7B-Instruct, un modelo con 7.000 millones de parámetros, y busca incorporar habilidades de interacción social sin depender de otro modelo durante la etapa de prueba.

El artículo Mental-Models for Multi-Agent Systems identifica como autores a Hanan Gani, Lulu Shao y Manmohan Chandraker. La página de NeurIPS 2026 señala que las decisiones para la conferencia aún se están procesando, por lo que no corresponde presentar el trabajo como aceptado en esa edición. Sus resultados se centran en pruebas específicas y no demuestran una capacidad literal de leer pensamientos.

Una representación de las creencias ajenas

El concepto que organiza el estudio es la teoría de la mente, una noción tomada de la psicología que describe la capacidad de reconocer que otras personas pueden tener conocimientos, metas y creencias distintos de los propios. Para un agente artificial, esto supone formar estimaciones sobre el estado mental de otra persona a partir de la interacción, en lugar de responder únicamente al contenido inmediato de sus palabras.

Los investigadores distinguen dos niveles de razonamiento. El de primer orden se refiere a lo que el compañero cree o desea, mientras que el de segundo orden busca estimar lo que ese compañero cree acerca del propio agente; esta segunda capa importa en intercambios donde cada participante debe anticipar cómo entiende la situación el otro.

El sistema, al que los autores describen como un agente habilitado por modelos mentales, mantiene una representación interna explícita del estado mental oculto de su compañero. El artículo caracteriza esa representación como un estado latente recursivo amortizado: en lugar de reconstruir desde cero todo el razonamiento en cada turno, el entrenamiento busca que el modelo aprenda una forma reutilizable de estimar esas creencias.

La propuesta agrega un modelo de recompensa condicionado por las creencias, entrenado junto con la representación mental. Durante el entrenamiento, ese componente puntúa las acciones teniendo en cuenta, en parte, cuánto consideran lo que el compañero cree; la señal contribuye luego a moldear la política que el agente usa para decidir qué hacer.

El método busca funcionar sin andamiaje adicional

Una parte central del enfoque consiste en trasladar al entrenamiento el razonamiento que, de otro modo, podría exigir cálculos complementarios durante cada interacción. Los autores señalan que la política resultante se destila para operar de manera independiente en el momento de la prueba, después de que termina la etapa de entrenamiento.

En esa fase de evaluación, el agente no necesita llevar consigo un modelo adicional ni ejecutar cálculos complejos de estado mental en segundo plano, de acuerdo con la descripción del trabajo. Esta distinción separa la preparación del sistema de su uso posterior: el entrenamiento incorpora las señales necesarias, mientras que la política final toma decisiones sin la misma estructura auxiliar.

El modelo principal fue construido sobre Qwen2.5-7B-Instruct, aunque el equipo también hizo experimentos con variantes de 3.000 millones de parámetros y con familias de modelos como LLaMA y Mistral. Esa variedad permite examinar si el enfoque se limita a una arquitectura concreta, pero la información disponible no establece que todos los modelos hayan alcanzado resultados idénticos ni ofrece cifras detalladas para cada variante.

El planteamiento tiene interés para sistemas multiagente, en los que distintos agentes deben coordinar acciones o responder a información incompleta. Si uno puede estimar que su interlocutor sostiene una creencia equivocada, podría ajustar su conducta o ayudar a corregir un malentendido; el estudio evalúa habilidades relacionadas con ese escenario, aunque no prueba que el sistema resuelva cualquier problema de coordinación en aplicaciones reales.

Avances en pruebas sociales y de seguimiento de creencias

Las evaluaciones abarcaron benchmarks de lenguaje como Sotopia y BigToM, además de MMRole, una prueba multimodal que incluye información más allá del texto. Sotopia se enfoca en habilidades de interacción social, mientras que BigToM examina el seguimiento de creencias; por eso, las métricas describen capacidades distintas y no deben leerse como una sola calificación general de inteligencia.

En Sotopia, el agente basado en Qwen2.5-7B registró una mejora relativa promedio de aproximadamente 11,5% en las distintas configuraciones de compañeros evaluadas. Esa cifra expresa el avance respecto de una línea base, no una puntuación absoluta del benchmark, una diferencia importante para interpretar correctamente el alcance del resultado.

El cambio más pronunciado apareció en BigToM, donde el método obtuvo una ganancia promedio de 26,7 puntos porcentuales en precisión pareada para creencias verdaderas y falsas. La métrica se relaciona directamente con la capacidad de seguir qué información sostiene un personaje, incluso cuando esa creencia difiere de la realidad que conoce el agente.

Los resultados de MMRole apuntan a que el enfoque también se estudió en un entorno multimodal, pero las cifras destacadas en el informe corresponden principalmente a los benchmarks de lenguaje. Los autores liberaron el código públicamente para que otros investigadores puedan examinar y reproducir los experimentos, en vez de depender únicamente de la descripción de los resultados.

Una mejora acotada, no lectura literal de la mente

El interés práctico de la investigación está en probar si un modelo relativamente compacto puede mejorar una habilidad social concreta mediante una estructura de entrenamiento distinta, en lugar de depender exclusivamente de aumentar su tamaño. Los modelos pequeños suelen resultar más fáciles de ejecutar en hardware limitado, aunque el estudio descrito no presenta una comparación cuantificada de costos ni afirma que su método elimine todas las exigencias de despliegue.

Evitar componentes adicionales durante la inferencia podría reducir la sobrecarga asociada a ciertos sistemas de razonamiento sobre otros agentes, pero la magnitud de ese posible ahorro no queda establecida en los resultados reportados. Por lo tanto, la contribución más clara es metodológica: el equipo muestra una forma de incorporar estimaciones de creencias en la política del agente y medir su efecto en pruebas diseñadas para habilidades sociales.

El título de la noticia habla de leer la mente, pero la investigación no describe telepatía ni acceso directo a pensamientos privados. El agente infiere estados mentales a partir de la información disponible en la interacción, y los benchmarks evalúan si esas inferencias y las respuestas asociadas mejoran bajo condiciones controladas.

La mejora relativa de 11,5% en Sotopia y el avance de 26,7 puntos porcentuales en BigToM son resultados relevantes dentro de esas evaluaciones, pero no equivalen a resolver de forma general la coordinación entre agentes. La extensión de las pruebas a Qwen, LLaMA y Mistral, junto con el componente multimodal de MMRole, abre preguntas para investigaciones posteriores sobre la robustez del método y su desempeño fuera de los escenarios evaluados.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados