EDICIÓN Nº 069 · Domingo 22 nov 2026
Tecnología

Un modelo de lenguaje aprende a retocar sus propios pesos sin reentrenarse

Un preprint de arXiv dice que un modelo de 27.000 millones de parámetros puede revisar sus propios pesos, editarlos y acertar más en problemas nuevos sin pasar por otra ronda de entrenamiento.

Redacción2026-11-18inteligencia artificial · modelos de lenguaje · arXiv · aprendizaje automático
XpertVision ATI Radeon X550 PCI-E 256 MB TV-Out DVI - graphics processing unit 215S8DAK23F-1370
Foto: Raimond Spekking · CC BY-SA 4.0 · Wikimedia Commons · realzada con IA

Los modelos de lenguaje que usamos a diario tienen una vida bastante rígida. Primero se entrenan durante semanas, después se «congelan» y por último se ponen en marcha. Si luego se quiere mejorarlos, lo normal es lanzar otro entrenamiento, que es caro y lento. Hay trucos que ayudan sobre la marcha, como escribir mejores instrucciones o dejarle más tiempo de cálculo para pensar cada respuesta, pero su efecto termina cuando acaba la tarea. Un trabajo publicado en arXiv el 16 de noviembre de 2026 propone una tercera vía: que el propio modelo abra sus tripas, entienda en qué falla y se corrija a sí mismo.

Lo firman Jiajun Fan, Ge Liu y otros nueve autores, con el título Language Models Can Rewrite Their Own Weights. Llaman al método self-rewriting, que podría traducirse como «autorreescritura». Es un preprint, así que todavía no ha pasado una revisión por pares.

Cómo funciona por dentro

Un modelo de lenguaje es, en el fondo, una gran colección de números llamados pesos, ordenados en matrices. Al entrenarlo, esos números se ajustan poco a poco con una técnica matemática basada en gradientes, que indica hacia dónde mover cada valor para reducir el error. El experimento se salta ese mecanismo. Según los autores, el modelo mejora

«by its own reasoning, with no gradients and no training»
(por su propio razonamiento, sin gradientes y sin entrenamiento).

Intel UHD Graphics 605 driver bug debian
Foto: Dsant · CC BY-SA 4.0 · Wikimedia Commons

El montaje es sencillo de describir. El modelo recibe acceso a sus propios pesos, a un conjunto de respuestas ya corregidas (para saber cuáles acertó y cuáles no) y la posibilidad de ejecutarse a sí mismo y hacer pruebas. Con esas herramientas, un modelo de 27.000 millones de parámetros (27B) diagnostica por qué falla y modifica los pesos que considera responsables.

El preprint explica cuál fue la estrategia del modelo más grande. Comparó sus estados internos en dos tipos de casos: las respuestas que llegaban a terminar y las que se quedaban sin espacio, es decir, sin tokens. Después buscó la «dirección» matemática que separa unas de otras y la debilitó. Los autores dicen que es una forma de trabajar parecida a la que seguiría una persona investigadora.

Qué resultados presenta

  • Acierta más en problemas nuevos: tras su propia edición, el modelo mejoró 6,6 puntos de precisión en 490 problemas que no había visto, con una prueba fijada de antemano. La edición hecha en otra sesión distinta también lo mejoró de forma significativa.
  • Mejora sin retroceder: solo envía un cambio si sus propias pruebas lo respaldan, y cada edición sustituye a la anterior. En sus ocho primeras sesiones, la precisión siempre subió.
  • Repara una copia dañada: los autores estropearon una matriz de una copia del modelo. El sistema la localizó y la reescribió con valores propios, sin consultar nunca los pesos originales. Para encontrar el arreglo solo usó problemas de matemáticas en texto, pero la copia reparada pasó de un 7 % a un 70 % de acierto en seis pruebas con imágenes que no había visto, lo que equivale al 83 % del rendimiento del modelo intacto.

Hay dos ventajas que los autores destacan. La primera es que, al contrario que dar más tiempo de cálculo en cada respuesta, la mejora se queda guardada en los pesos y no encarece las consultas. La segunda es que no hace falta la infraestructura de un entrenamiento: basta con un modelo abierto y unas horas en una sola GPU.

Le torrette con i bocchettoni per il raffreddamento ad aria dei server in un data center attivo dal 2015
Foto: Lapalmauz · CC BY-SA 4.0 · Wikimedia Commons

La letra pequeña

El resultado más revelador puede ser lo que no funcionó. Los autores probaron cuatro tamaños de la misma familia de modelos. El de 2.000 millones de parámetros no llegó a proponer ningún cambio. Los de 4.000 y 9.000 millones se «rompieron» a sí mismos con sus ediciones. Solo el de 27.000 millones consiguió mejorarse. Por tanto, parece que la capacidad aparece a partir de cierto tamaño, y que dejar a un modelo pequeño tocar sus pesos puede empeorarlo.

Hay que tener en cuenta otras limitaciones:

  • Es un preprint sin revisión independiente, y por ahora solo está probado con una familia de modelos.
  • Las mejoras se miden con pruebas de rendimiento concretas. No sabemos cómo se traducen al uso cotidiano.
  • Hace falta un modelo de pesos abiertos: no se puede aplicar a los servicios cerrados que no dejan acceder a sus pesos.
  • Las «horas en una GPU» que citan los autores no son gratis ni están al alcance de cualquier ordenador doméstico.

Por qué importa

Hasta ahora, entrenar un modelo y usarlo eran dos fases separadas que necesitaban equipos y presupuestos muy distintos. Si estos resultados se confirman, mejorar un modelo abierto podría parecerse más a una sesión de diagnóstico que a una nueva ronda de entrenamiento. Eso abaratería mucho el ajuste fino para laboratorios pequeños. También plantea preguntas importantes sobre cómo vigilar y auditar a un sistema que se modifica a sí mismo, sobre todo porque los modelos más pequeños se estropearon al intentarlo. Los autores lo resumen diciendo que mejorar un modelo de lenguaje quizá acabe requiriendo una conversación y no un entrenamiento.

FuentesResumen propio de la redacción a partir de las fuentes citadas; no es una traducción. Licencia de la fuente: acceso abierto.

Texto generado con inteligencia artificial a partir de las fuentes citadas, sin revisión humana individual (Reglamento UE 2024/1689, art. 50). Las fotos llevan su crédito y licencia; las marcadas como realzadas se han retocado con IA sin alterar su contenido.

💬 Comentarios

Comentarios

Para comentar hay que iniciar sesión (Google, X, Facebook, Apple, Microsoft o cuenta de Disqus). Se moderan insultos, spam y datos personales: normas.

Los comentarios los sirve Disqus, un servicio externo que usa cookies propias y de publicidad. Solo se carga si pulsas el botón. Más información.

Sigue leyendo

Ciencia

Una sola pluma para saber si el escurridizo rascón negro emigra o se queda en Texas

Black bird jumping from a bridge rail

Un equipo de la Universidad de Illinois recorre de noche las marismas de Texas para capturar rascones negros, un ave amenazada, y quitarle una pluma a cada una. Quieren saber si pasan allí todo el año o solo el invierno.

Imagina que es noche cerrada en una marisma de la costa de Texas. Un grupo de investigadores camina levantando mucho las rodillas, como si desfilara en una banda de música, mientras arrastra una cuerda por la hierba. De la cuerda cuelgan varias botellas de plástico y dentro de cada una hay dos o tres juguetes de gato con cascabel. El ruido no es una broma: así se busca a una de las aves más difíciles de ver de Norteamérica, el rascón negro oriental (Laterallus jamaicensis jamaicensis).

Ciencia

Una estrella devoró a otra en Andrómeda y el James Webb llegó a los 47 días

Andromeda Galaxy

Bao, una supergigante de Andrómeda, se tragó a una compañera más pequeña que el Sol. El Webb observó lo que quedó apenas 47 días después del estallido, el seguimiento más rápido de un caso así.

Que dos estrellas se fusionen no es raro en el universo. Lo raro es verlo mientras pasa. Un equipo internacional dice haberlo conseguido con un sistema del borde exterior de la galaxia de Andrómeda, apodado Bao y catalogado como AT 2025abao. Una estrella pequeña fue cayendo en espiral hacia una supergigante hasta acabar dentro de ella. El telescopio espacial James Webb observó lo que quedó solo 47 días después del pico de la erupción. El estudio, firmado en primer lugar por Viraj Karambelkar (Universidad de Columbia), se ha publicado en Nature. Esta pieza es un resumen propio a partir de la nota de prensa de la NASA, no una traducción.

Curiosidades

Un abad medieval acabó en un ataúd romano de segunda mano (y nadie lo sabía)

Catherine, Duke of Buckingham monument, Westminster Abbey 04

El sarcófago romano de la abadía de Westminster guardaba un esqueleto desde hace siglos. Una datación nueva apunta a un abad del siglo XI que se metió en un ataúd con 600 años de uso.

Reciclar está muy bien. Reutilizar un táper, un bote de cristal o una caja de mudanza es de persona responsable. Reutilizar un ataúd romano con más de seis siglos de antigüedad ya es otro nivel. Eso es justo lo que parece que pasó en la abadía de Westminster, en Londres. Un esqueleto que llevaba más de 150 años esperando a que alguien le preguntara el nombre podría tener por fin respuesta, y resulta que el inquilino era un pez gordo.

Juegos

Ubisoft crea Motherbrain, su nuevo estudio de IA generativa para juegos

Logo Ubisoft Montreal

Ubisoft ha abierto Motherbrain, una filial dedicada a aplicar IA generativa a la jugabilidad. Te contamos qué se sabe, de dónde viene y qué sigue en el aire.

Ubisoft ha anunciado una filial nueva con un nombre muy de ciencia ficción: Motherbrain. Se dedicará a la inteligencia artificial generativa aplicada a los videojuegos. La compañía lo comunicó junto a sus resultados del primer semestre de su año fiscal, publicados el 19 de noviembre de 2026, y la noticia ha corrido por los medios especializados. Es una de las búsquedas más repetidas de la semana en torno a la editora francesa. Aquí no hay juego que comprar ni precio que comparar. Lo que hay es un movimiento empresarial que puede cambiar cómo se fabrican algunos de los mundos abiertos más grandes del mercado.