Los modelos lingüísticos de gran tamaño encuentran un cuello de botella en tareas de manipulación atómica. Aunque pueden analizar conocimiento sobre materiales, les resulta difícil manipular con precisión estructuras atómicas. Un estudio indica que la Ley de Escalado (Scaling Law) tiene una eficacia limitada en tareas de lógica espacial, y enfatiza que la IA para la Ciencia necesita pasar a la Escalado de Acción (Action Scaling) para mejorar la capacidad de los modelos en operaciones científicas reales.
En los últimos años, la experiencia más exitosa en el campo de los modelos grandes ha sido, sin duda, la 'Ley de Escalado (Scaling Law)'. Un consenso casi tácito en la industria es que, mientras el modelo sea suficientemente grande y los datos suficientemente abundantes, las capacidades surgirán continuamente, incluso generalizándose automáticamente a campos desconocidos.
Pero una nueva prueba de evaluación comparativa publicada en ciencia de materiales ofrece una perspectiva diferente sobre este optimismo de 'fuerza bruta hace milagros'.
AtomWorld, publicado conjuntamente en ICML2026 por instituciones como la Universidad de Ciencia y Tecnología de China (Suzhou) y la Universidad de Nueva Gales del Sur, llega a una conclusión basada en una serie de tareas reales de manipulación atómica: la Ley de Escalado, estable y efectiva en escenarios como la comprensión de texto y la inducción de conocimiento, a menudo no alcanza los resultados esperados cuando se aplica a tareas prácticas atómicas restringidas por reglas físicas.
Dirección del artículo: https://arxiv.org/abs/2510.04704
Página principal del proyecto: https://masterai-eam.github.io/atomworld/
Repositorio de código: https://github.com/MasterAI-EAM/atomworld
Comprender no es igual a operar
En el ámbito científico, los modelos grandes han demostrado una asombrosa 'capacidad de comprensión': leer literatura, predecir propiedades de materiales, analizar estructuras cristalinas e incluso realizar descubrimientos científicos.
Por ejemplo, Anthropic lanzó la plataforma de trabajo científica de IA Claude Science, que descompone la investigación científica en una línea de producción auditables paso a paso, logrando aumentar la eficiencia en diez veces para enlaces específicos como la escritura de revisiones y el análisis genético; GNoME de Google DeepMind utiliza redes neuronales de grafos para predecir la estabilidad de cristales inorgánicos, produciendo aproximadamente 2,2 millones de estructuras mediante un circuito cerrado de 'generación de candidatos → verificación DFT (Teoría del Funcional de la Densidad) → retroalimentación de datos'.
Esto ha llevado a la industria a formar una percepción común: dado que los modelos pueden entender el conocimiento relacionado con los materiales, completar tareas prácticas como la construcción atómica o el ajuste estructural debería ser algo natural.
Pero la investigación real en cálculos de materiales no es simplemente responder preguntas de opción múltiple. La rutina científica está llena de instrucciones operativas altamente concretas: construir una superficie específica (001) de un material, simulando los límites del 'mundo real'; reemplazar átomos en sitios específicos de la red para dopar o modificar un material; insertar nuevos átomos en posiciones intersticiales especificadas para diseñar canales de 'almacenamiento de energía' y 'transporte', etc.
Este tipo de tareas plantea requisitos de capacidad completamente diferentes a los modelos: la capacidad de manipulación tridimensional conforme a las leyes físicas.
Para cuantificar objetivamente esta capacidad, el equipo de investigación construyó el marco de evaluación AtomWorld, que se basa en la información cristalográfica común en el campo de materiales para lograr una evaluación automatizada. No evalúa problemas como la identificación de materiales o el análisis teórico, sino que se centra únicamente en tareas básicas de operación espacial: ¿puede el modelo ajustar con precisión la disposición atómica según las instrucciones?
Figura 1: Diagrama esquemático del proceso de la prueba de evaluación AtomWorld. Flujo del generador AtomWorld: 1. El muestreador aleatorio recupera estructuras atómicas predefinidas; 2. El inicializador aleatorio configura los índices atómicos y parámetros de posición; 3. Los operadores estructurales calculan para obtener la estructura objetivo; 4. El módulo de generación de indicaciones (prompt) produce la descripción correspondiente en lenguaje natural. Los datos emparejados de estructura-texto producidos se envían al agente del modelo grande. Utilizando la herramienta StructureMatcher de pymatgen para comparar la estructura de salida del modelo con la estructura objetivo estándar, se evalúa cuantitativamente el rendimiento del modelo.
La Ley de Escalado encuentra su límite de capacidad
Figura 2: Rendimiento general de diferentes modelos en AtomWorld. a, c muestran la tasa de éxito; b, d muestran el error geométrico mean max_dist. El lado izquierdo compara diferentes modelos principales; el lado derecho compara diferentes tamaños del modelo Qwen. Escalar el tamaño del modelo puede mejorar tareas con reglas claras, como el reemplazo, eliminación y movimiento de átomos; pero para operaciones que requieren comprensión del espacio tridimensional y planificación geométrica, como rotación, eliminación de regiones y expansión de superceldas, la mejora no es estable. Incluso modelos generales fuertes como Claude tienen un rendimiento pobre en tareas como 'rotar alrededor de un átomo'.
Los resultados de AtomWorld sugieren que la Ley de Escalado en tareas de manipulación atómica no puede interpretarse simplemente como 'cuanto más grande es el modelo, mejor es su capacidad'.
Esta prueba cubre modelos principales como Claude Opus 4.6, GPT-5.4, Gemini 3.1 Pro, Gemini 2.5 Pro, Qwen3-32B, GPT o3, GPT-4o-mini, DeepSeek Chat, Llama3-70B, entre otros. La Figura 2 muestra que aumentar el tamaño del modelo puede mejorar algunas operaciones con reglas claras y susceptibles de plantillas, pero para tareas que dependen de relaciones espaciales tridimensionales, esta mejora no es estable.
Tomando la serie Qwen como ejemplo, desde 4B hasta 32B, la tasa de éxito en tareas como reemplazo, eliminación y movimiento de átomos mejora significativamente, lo que indica que el crecimiento de escala sigue teniendo valor. Pero esta mejora se concentra principalmente en tareas con reglas claras y trayectorias relativamente fijas, y no se transfiere automáticamente a todas las operaciones atómicas.
Las tareas más desafiantes exponen cuellos de botella evidentes. Un ejemplo típico es la 'rotación alrededor de un átomo': no solo presenta un rendimiento consistentemente bajo en los diferentes tamaños del modelo Qwen, sino que también en modelos fuertes como Claude Opus 4.6 alcanza solo alrededor del 12% de éxito. Esto indica que el problema no es solo que un modelo particular no sea lo suficientemente grande o potente, sino que los modelos grandes generales actuales carecen universalmente de una capacidad de acción estable en el espacio tridimensional.
De manera similar, tareas como 'eliminar átomos inferiores' o 'expandir superceldas' muestran resultados inestables incluso con modelos más grandes; el error geométrico tampoco disminuye necesariamente con el aumento del tamaño del modelo.
Por lo tanto, AtomWorld no niega simplemente la Ley de Escalado, sino que señala sus límites de aplicabilidad: aumentar la escala puede aportar ganancias en algunas capacidades, pero no puede complementar automáticamente las deficiencias centrales en la operación en espacios físicos tridimensionales. Para el modelado de materiales, no se puede establecer una equivalencia directa entre la capacidad de razonamiento lingüístico, la reserva de conocimiento textual y la capacidad de acción a nivel estructural atómico.
En este sentido, AtomWorld también señala una nueva dirección: además de buscar escalar parámetros y datos textuales, la IA para la Ciencia también necesita prestar atención al 'Escalado de Acción' (Action Scaling).
Es decir, escalar sistemáticamente la generación de datos de acciones ejecutables, la descomposición de primitivas de acción, la retroalimentación del simulador, la verificación de restricciones físicas y la corrección mediante el uso de herramientas, haciendo que el modelo no solo sea más fuerte en lenguaje, sino también en acciones científicas verificables.
Una nueva pista para los agentes de inteligencia científica
El valor central de AtomWorld no solo reside en identificar fallos del modelo, sino también en descomponer el doloroso problema difuso de 'el agente de materiales no sabe modelar' en una serie de capacidades de operación atómica medibles y rastreables: desde el reemplazo de elementos básicos hasta la determinación de regiones espaciales, pasando por la comprensión geométrica continua, aclarando capa por capa el tipo, grado y patrón de ganancia por escala de los fallos.
Esto también señala la causa raíz de la difícil aplicación de simplemente escalar parámetros: la Ley de Escalado actual se centra en el ajuste de lenguaje y conocimiento basado en grandes corpus de texto, pero la comprensión espacial, la planificación geométrica y la capacidad de acción bajo restricciones físicas que necesita el modelado atómico de materiales, carecen extremadamente de muestras de entrenamiento de alta calidad emparejadas 'instrucción de operación - cambio de coordenadas' en datos públicos, por lo que es difícil complementarlas naturalmente solo mediante la expansión de la escala lingüística.
Para abordar la debilidad de los modelos grandes en operaciones tridimensionales, la industria generalmente suple esta deficiencia conectándose a bibliotecas de herramientas especializadas como pymatgen. Las pruebas comparativas de AtomWorld muestran que el uso de herramientas externas solo puede mejorar el efecto en tareas fuertemente basadas en cálculo de coordenadas, como la inserción atómica. Para escenarios complejos que requieren discriminar relaciones atómicas o regiones espaciales, la mejora es muy limitada.
En esencia, las herramientas solo pueden generar coordenadas precisas, pero no pueden reemplazar al modelo en decisiones centrales como 'dónde colocar el átomo' o 'qué pertenece a la región objetivo'; si el modelo en sí carece de percepción del espacio tridimensional, las herramientas solo ejecutarán la intención errónea con mayor precisión, obteniendo finalmente resultados de 'error lógico de modelado'.
AtomWorld no niega directamente la Ley de Escalado, sino que invita a los agentes de inteligencia científica a repensar 'qué escalar'. El Escalado de Lenguaje (Language Scaling) de corpus textuales es la base del conocimiento, pero para tareas de fuerte componente operativo como el modelado de materiales, se necesita más el Escalado de Acción (Action Scaling) orientado a la capacidad de acción: convertir todo el flujo de 'acción - retroalimentación - corrección' en un objeto susceptible de aprendizaje escalable.
El verdadero significado de AtomWorld es precisamente, mediante la generación automática de tareas, estructuras estándar y retroalimentación de coincidencia, proporcionar una base para los datos de acción y el ciclo cerrado de entrenamiento en el modelado de materiales, impulsando a la IA para la Ciencia a pasar de la búsqueda de modelos generales más grandes a la iteración de capacidades de acción reales en operaciones científicas verificables.
Conclusión
AtomWorld no es solo un benchmark de evaluación estandarizado, sino más bien un espejo de observación, que muestra de manera intuitiva un problema clave en el desarrollo actual de la IA para la Ciencia: que un modelo grande pueda explicar la estructura y propiedades de un material, no significa que ya pueda modificar de manera fiable la estructura del material; que pueda leer la tabla periódica, no significa que pueda ejecutar de manera estable una operación a nivel atómico en el espacio tridimensional.
Este problema no se limita al modelado de materiales. La verdadera investigación científica nunca es un trabajo puramente textual, sino que está constituida por una serie de acciones como proponer hipótesis, diseñar experimentos, utilizar herramientas, ajustar parámetros, observar resultados, identificar errores y realizar correcciones continuas. Ya sea en modelado de materiales, diseño molecular, experimentación automatizada, o en flujos más amplios de descubrimiento científico, si la IA quiere participar realmente en la investigación, no puede limitarse a 'explicar conocimiento', sino que también debe aprender a 'ejecutar acciones'.
Por lo tanto, AtomWorld nos recuerda que debemos repensar el alcance de aplicación de la Ley de Escalado en escenarios científicos: el Escalado de Lenguaje basado en corpus de texto de la red sigue siendo importante, pero es solo el punto de partida.
El futuro de la IA para la Ciencia necesita más el Escalado de Acción orientado a la capacidad de acción, permitiendo que los modelos aprendan cómo completar tareas científicas reales en tareas ejecutables, uso de herramientas, retroalimentación del entorno y verificación física.
Solo cuando los modelos posean simultáneamente capacidad de comprensión del conocimiento y capacidad de acción, los agentes de inteligencia científica podrán pasar de ser enciclopedias que 'saben responder preguntas' a asistentes de laboratorio que 'pueden completar tareas'.
Referencias:
https://arxiv.org/abs/2510.04704
Este artículo proviene de la cuenta pública de WeChat "新智元", autor: LRST
![¿Cuánto puede subir MemeCore [M] mientras lidera el top 100 con ganancias del 16%?](https://d1x7dwosqaosdj.cloudfront.net/images/2026-07/3d45ef1ea56e45f6a19ae78972d369b7.jpg)
