Razonamiento latente mediante Flujos de Normalización | Optimización del pensamiento interno en LLMs mediante espacios continuos | Técnica para razonamiento lógico sin generación de texto intermedio

Abstract

PROBLEMA: El razonamiento tradicional en LLMs se basa en la generación de tokens discretos (Chain-of-Thought), lo cual es lento y propenso a errores acumulativos por la naturaleza estocástica de la decodificación. SOLUCIÓN: Los autores proponen un mecanismo de razonamiento latente que utiliza Flujos de Normalización (Normalizing Flows) para modelar la trayectoria del pensamiento en el espacio continuo de embeddings antes de la decodificación. METODOLOGÍA: Se implementa una capa de transformación biyectiva que refina las representaciones latentes, permitiendo que el modelo "piense" mediante estados vectoriales internos que capturan dependencias lógicas complejas. RESULTADOS: Este enfoque reduce el tiempo de inferencia al requerir menos tokens intermedios y mejora la precisión en benchmarks matemáticos y lógicos al evitar la deriva semántica del texto generado. RELEVANCIA: Abre una nueva vía para el razonamiento eficiente "detrás de escena" en modelos de inteligencia artificial general (AGI).