Auto-mejora de modelos de lenguaje mediante búsqueda evolutiva bidireccional | Cómo lograr que los LLMs optimicen su propio razonamiento autónomamente | Framework evolutivo para el refinamiento de trayectorias de pensamiento en IA

Abstract

PROBLEMA: Los modelos de lenguaje suelen alcanzar una meseta de rendimiento tras el entrenamiento inicial, y el fine-tuning supervisado requiere datos humanos costosos. SOLUCIÓN: Se propone un método de Búsqueda Evolutiva Bidireccional (BES) que permite a los LLMs generar, evaluar y refinar sus propias trayectorias de pensamiento en dos direcciones (hacia adelante para soluciones y hacia atrás para verificación). METODOLOGÍA: Utilizan un ciclo de retroalimentación donde el modelo muta sus prompts y selecciona las respuestas que maximizan la coherencia lógica interna, escalando el proceso sin intervención humana. RESULTADOS: El modelo base mejoró su capacidad de resolución de problemas matemáticos complejos en un 12% absoluto tras solo 3 iteraciones evolutivas. RELEVANCIA: Este enfoque abre la puerta a modelos que pueden seguir mejorando su razonamiento de forma autónoma después de haber sido desplegados.