El Nuevo Paradigma (Test Time Compute)#

A finales del 2023 empezaron a aparecer rumores: filtraciones en prensa, posts en Twitter de cuentas anónimas y también vagueposting de researchers en OpenAI. Estos rumores giraban en torno a un supuesto gran descubrimiento interno. Se decía que tenían un modelo que había “redescubierto las matemáticas”, que podría suponer un cambio de paradigma total. Entre los nombres mencionados estaban Q*¹ y, más adelante, en julio Strawberry.²

Strawberry fue presentado oficialmente en septiembre del 2024 bajo el nombre O1, inaugurando una nueva serie de modelos de lenguaje.³ Eran modelos entrenados con reinforcement learning para que, ante una pregunta, generaran primero una secuencia de tokens conocida como cadena de pensamiento (Chain of Thought, CoT) antes de dar la respuesta final.³

El CoT no era nuevo. Incluso antes de ChatGPT ya teníamos papers como Chain-of-Thought Prompting Elicits Reasoning in Large Language Models⁴ o STAR,⁵ donde se exploraba este truco. Y en la era post-ChatGPT, el chain-of-thought se volvió una técnica de prompting extremadamente popular.

Tampoco era nueva la idea de gastar más cómputo en inferencia. Ya existían propuestas como Let’s Verify Step by Step de OpenAI,⁶ además de métodos como ReAct⁷ o Tree-of-Thoughts,⁸ todos empujando en la misma dirección: exprimir el cómputo en tiempo de inferencia para mejorar el razonamiento.

La verdad es que creer que simplemente escalando el preentrenamiento del Transformer íbamos a obtener respuestas perfectas a problemas complejos era ingenuo. Especialmente cuando esos problemas no aparecen en grandes cantidades dentro del dataset de entrenamiento.
Ahora había una nueva dimensión para escalar: el cómputo en test time, y de ahí podía extraerse más “inteligencia”.³

Sorpresivamente, OpenAI dio acceso a O1 a todos los suscriptores de ChatGPT.³

Con esta novedad llegaron también nuevos benchmarks, que no fueron diseñados para evaluar modelos de IA, pero que ahora servían para mostrar sus virtudes, como AIME 2024 o el ranking de Codeforces.³ OpenAI también ayudó a popularizar otros como GPQA Diamond.⁹

Los modelos se entrenaron con una base de cadenas de razonamiento para empujarlos a producir respuestas del tipo: “Primero voy a pensar en esto, luego en esto otro…”.³ Encima de eso, se aplicó una gran cantidad de RL en algún conjunto de entornos sintéticos. Las áreas con verificación fácil (como código y matemáticas) resultaron especialmente beneficiadas. Los modelos se volvieron más confiables en tareas complejas, especialmente en aquellas que requieren backtracking.³
Naturalmente, lo marketearon bajo la consigna de que ahora los modelos “piensan y razonan”.

Como era habitual, el OSS se lanzó de cabeza a intentar replicarlo. Destacó el trabajo de GAIR, que documentó toda su travesía,¹⁰ y también el de Qwen, que logró prototipar QwQ muy rápido… aunque todavía inmaduro.¹¹ En 2024 el RL seguía considerándose un proceso muy inestable y difícil de ejecutar, y en general “no tan efectivo” como se deseaba.

Quienes finalmente darían con una fórmula reproducible aparecerían al año siguiente, desde la nación del centro, y sacudirían la economía global.

Con el razonamiento y el RL, OpenAI insinuaba que habían encontrado una técnica de mejora casi ilimitada. Y la siguiente versión no tardó: en diciembre presentaron O3-preview (se saltaron un número por temas de marca).¹²

Mientras que O1-preview estaba en torno al percentil 62 en Codeforces,¹³ O3-preview alcanzaba el puesto 175 global, es decir, alrededor del percentil 99.8.¹² Incluso una versión especialmente entrenada logró vencer ARC-AGI, un benchmark hasta entonces imbatible que intentaba medir inteligencia fluida.¹⁴

O3-preview, tal cual, nunca se lanzó al público.¹⁴ En su lugar llegó O3 (una versión más pulida y pequeña) junto con O4 mini, ambos en abril.¹⁵
Ese fue el último modelo de la serie O, al menos de cara al usuario, ya que OpenAI decidió unificar la saga O con su línea principal: GPT.¹⁵

Referencias#