BDH-CQ lee la información paso a paso y la almacena en una memoria interna que se actualiza constantemente
Pronto podría aparecer un nuevo tipo de inteligencia artificial, una que utilice un novedoso enfoque para pensar y que podría ahorrar enormes cantidades de potencia informática y dinero.
La IA que la mayoría de la gente usa a diario, como ChatGPT, Claude o Google Gemini, se basa en grandes modelos de lenguaje que pueden resolver problemas complejos paso a paso. Si bien esto puede brindarnos las respuestas que buscamos, el proceso puede aumentar los tiempos de respuesta y consumir mucha potencia de cálculo.
Así pues, los científicos de la empresa de IA Pathway decidieron probar un enfoque alternativo.
Imagen derecha: Ejemplos representativos de las cuatro familias de generalización controlada. De arriba abajo: extender una semilla hasta el límite, copiar un motivo a cada ancla gris, ordenar los colores de las barras de la más corta a la más larga y recolorear solo las celdas dentro de cada marco anidado. Crédito: arXiv (2026). DOI: 10.48550/arxiv.2608.09888
Un nuevo enfoque para el pensamiento en IA
El equipo desarrolló un nuevo modelo llamado BDH-CQ. Este modelo cuenta con tan solo 150 millones de parámetros, que son los valores internos que la IA ajusta a medida que aprende patrones. Algunos de los modelos de IA más avanzados de la actualidad utilizan cientos de miles de millones de estos parámetros.
En lugar de generar una larga cadena de palabras escritas para resolver un problema, BDH-CQ lee la información paso a paso y la almacena en una memoria interna que se actualiza constantemente. Luego, ejecuta su razonamiento en un espacio de trabajo interno antes de revelar la respuesta.
"Las demostraciones modifican la memoria recurrente en el momento de la inferencia, y la tarea resultante se resuelve mediante un cálculo continuo iterativo, en lugar de una cadena de pensamiento verbalizada", afirmó Zuzanna Stamirowska, CEO y cofundadora de Pathway.
Imagen: Puntuación ARC-AGI-1 frente al coste calculado por tarea. Los datos se obtuvieron de la clasificación oficial del Premio ARC el 4 de agosto de 2026. La marca en el margen izquierdo indica el valor de 29,5 pass@2. Este valor supera la frontera de Pareto de coste-precisión previamente reportada y establece un nuevo estado del arte en la eficiencia de costes de ARC-AGI-1. Crédito: arXiv (2026). DOI: 10.48550/arxiv.2608.09888
Poniendo a prueba BDH-CQ
Para probar el modelo, los investigadores utilizaron un conjunto de datos de referencia llamado ARC-AGI-1. Esta prueba muestra a la IA algunos ejemplos visuales en cuadrículas de colores y le pide que descubra el patrón oculto para completar uno nuevo.
El modelo BDH-CQ resolvió el 29,5 % de las tareas a las que fue sometido, con dos intentos por rompecabezas. Según el equipo de Pathway, su costo por tarea es de 0,00070 dólares, menos de una décima de centavo, estableciendo un nuevo récord de eficiencia en la relación precisión-costo para el conjunto de datos de referencia ARC-AGI-1. Un equipo independiente de Bielik AI y la Universidad de Nueva York probó el modelo por separado y confirmó los resultados.
"BDH-CQ demuestra que el aprendizaje contextual y el razonamiento latente recurrente pueden coexistir en un sistema compacto y práctico".
Por muy bueno que sea, el BDH-CQ tenía sus limitaciones. Si bien manejaba con facilidad tareas visuales básicas como copiar formas o extender líneas, tenía dificultades con tareas más exigentes, en particular aquellas que implicaban ordenar grandes conjuntos de objetos o varios pasos de razonamiento visual.
Los siguientes pasos para los investigadores consisten en entrenar versiones más grandes de su modelo con problemas matemáticos, lingüísticos y visuales más complejos.
La investigación y los fundamentos técnicos del trabajo del equipo se encuentran en un artículo publicado en el servidor de preimpresiones arXiv: BDH-CQ: In-Context Learning with Recurrent Latent Reasoning
