Equipo de Tsinghua desarrolla el Modelo de Mundo Algebraico para mejorar el razonamiento de la inteligencia artificial
4 de noviembre de 2026 · 2 min de lectura
También publicado en Português (Brasil), Русский, हिन्दी, ไทย, Polski, العربية, Italiano, Norsk, עברית
Un equipo de investigación liderado por Yao Qizhi y Yuan Yang de la Universidad de Tsinghua ha creado el Modelo de Mundo Algebraico, conocido como AWM por sus siglas en inglés.
El sistema AWM abstrae todos los objetos, relaciones y reglas de un entorno, como un juego, en un mundo algebraico. Utiliza las capacidades matemáticas de los modelos grandes para comprender dicho mundo. El proyecto se inspiró en la teoría de categorías, una rama de las matemáticas que estudia las estructuras comunes detrás de diferentes teorías matemáticas. Específicamente, el AWM emplea dos herramientas denominadas límite proyectivo y límite inductivo, que funcionan como modos de pensamiento complementarios.
Este enfoque permite que el AWM transforme hipótesis iniciales en lenguaje Python, que suelen ser dispersas y confusas, en un modelo de mundo consistente, claro y conciso que permite realizar inferencias y pruebas. El objetivo es que la inteligencia artificial pueda descubrir leyes a partir de la exploración, refinar estructuras desde esas leyes y comprender las estructuras mediante las matemáticas.
En pruebas utilizando el conjunto de datos ARC-AGI-3, el AWM basado en el modelo Opus 5 logró completar los 183 niveles, alcanzando una puntuación del 99.9%. Además, el número promedio de acciones necesarias para completar los niveles fue solo el 43% del punto de referencia humano.
El AWM demostró una capacidad superior para identificar tareas imposibles en comparación con otros modelos. En un nivel del juego sc25 modificado para ser irresoluble con el número de pasos iniciales, el AWM basado en Opus 5.5 probó solo dos veces antes de demostrar que el nivel era irresoluble y que requería exactamente un paso adicional para ganar. En contraste, modelos como GPT-6 Astra y Claude Opus 5.5 fallaron frecuentemente en pruebas similares; de 12 pruebas, solo 5 identificaron que la tarea era imposible, y en 4 de esos casos el número mínimo de pasos proporcionado era incorrecto.
Los investigadores señalan que el modelo tiene límites, ya que sus pruebas se basan en el mundo observado. Si la exploración es insuficiente o se omiten reglas clave, el modelo solo representará una verdad local en lugar de un mundo completo.