Sábado 31 de octubre de 2026 ·

Un experimento con etiquetas de recompensa invertidas: GPT-6 Sol sigue las etiquetas, Claude Haiku 5.5 mejora con las reales y Qwen3 4B Instruct apenas cambia

Relevancia 43 de 100

El autor probó si los modelos aprenden de las puntuaciones de intentos anteriores que se muestran en el siguiente intento. En una tarea de elegir una de cuatro rutas de envío según una regla oculta, GPT-6 Sol acertó 94,4 de 100 con etiquetas reales y solo 7,8 con etiquetas invertidas. Claude Haiku 5.5 subió de 21,1 a 37,2 con etiquetas reales, y Qwen3 4B Instruct se mantuvo en torno a 32,8. El autor contrasta sus resultados con un artículo que indica que invertir o quitar recompensas apenas cambia las curvas de mejora, y explica que su prueba es distinta porque la regla solo podía descubrirse con las etiquetas. Un criterio de parada que había fijado antes se activó en un modelo, y añadió un suplemento y ensanchó sus intervalos de confianza.

Qué significa

Sugiere que la forma en que un agente de IA usa su historial de aciertos y errores depende del modelo y de la tarea, así que no se puede dar por hecho que aprende de esas puntuaciones.

Fuentes originales

Resumen de Hoy en IA. Pulsa una fuente para leer la noticia completa en su idioma original.

También ese día

Todas las noticias de IA del sábado 31 de octubre de 2026 ->