Los Modelos de Mundo Actuales Carecen de un Núcleo de Estado Persistente | Deficiencias en la memoria de largo plazo de los simuladores de IA | Importancia de la persistencia de estado para la inteligencia agéntica robusta

Abstract

PROBLEMA: La mayoría de los modelos de mundo actuales operan sobre ventanas de contexto limitadas o representaciones que no mantienen un 'núcleo' de estado que persista ante cambios drásticos de escena. SOLUCIÓN: Este estudio analiza la necesidad crítica de un núcleo de estado persistente para que los modelos de mundo funcionen como simuladores fiables de la realidad a largo plazo. METODOLOGÍA: Investigan diversas arquitecturas (Transformers, RNNs, Mamba) evaluando su capacidad para recordar variables críticas del entorno tras secuencias de interferencia. RESULTADOS: Identifican una degradación exponencial del estado mental en modelos que carecen de mecanismos de actualización explícitos, proponiendo una nueva arquitectura híbrida. RELEVANCIA: Impacta directamente en el desarrollo de agentes autónomos que deben operar en misiones de larga duración sin perder la consistencia del entorno.