Mejora del Razonamiento en LLMs mediante Perturbación del Espacio de Prompts | Cómo el ruido controlado puede optimizar la exploración lógica en IA | Ampliando los caminos de razonamiento de modelos de lenguaje mediante variaciones de entrada

Abstract

PROBLEMA: Los LLMs a menudo convergen prematuramente en caminos de razonamiento subóptimos o incorrectos debido a la estructura rígida de los prompts de entrada. SOLUCIÓN: El estudio introduce la Perturbación del Espacio de Prompts (PSP), demostrando que incluir variaciones o ruidos controlados ('nonsense') obliga al modelo a explorar un espectro más amplio de caminos de razonamiento. METODOLOGÍA: Evaluaron diversas técnicas de perturbación en benchmarks de razonamiento matemático y lógico, analizando la topología de las respuestas generadas. RESULTADOS: Sorprendentemente, perturbaciones específicas aumentan la probabilidad de encontrar la solución correcta (CoT) al evitar mínimos locales conceptuales. RELEVANCIA: Aporta una perspectiva contra-intuitiva sobre la ingeniería de prompts y la robustez del razonamiento en modelos de lenguaje.