¿Ley de Escalado es la solución universal? El primer benchmark de operaciones de estructura cristalina expone las limitaciones de los grandes modelos lingüístísticos líderes
**Artículo: ¿La Ley de Escalado no es suficiente? Primer benchmark de manipulación de estructuras cristalinas, donde los principales modelos grandes fracasan colectivamente.**
La famosa "Ley de Escalado" (Scaling Law), que sugiere que los modelos de IA mejoran simplemente al aumentar su tamaño y datos, encuentra un límite en tareas científicas prácticas. El benchmark **AtomWorld**, presentado en ICML 2026, evalúa la capacidad de los modelos de lenguaje grande (LLMs) para manipular estructuras atómicas siguiendo instrucciones en lenguaje natural, como reemplazar átomos, rotar grupos o crear superficies cristalinas.
Los resultados son reveladores: aunque modelos más grandes como Claude Opus 4.6, GPT-5.4 o Qwen mejoran en tareas sencillas y bien definidas (p. ej., sustituir un átomo), su rendimiento es bajo e inestable en operaciones que requieren comprensión geométrica tridimensional y razonamiento espacial, como "rotar alrededor de un átomo" (solo ~12% de éxito). Ampliar el modelo no garantiza una mejora automática en estas habilidades de acción.
El estudio concluye que para la IA aplicada a la ciencia (AI for Science), el enfoque debe evolucionar. No basta con escalar el conocimiento lingüístico ("Language Scaling"); es necesario un "**Action Scaling**": generar datos a gran escala que emparejen instrucciones con acciones atómicas precisas, incorporando retroalimentación y restricciones físicas durante el entrenamiento. Solo así los modelos podrán pasar de *entender* el conocimiento científico a *ejecutar* tareas de investigación de manera fiable, convirtiéndose en verdaderos asistentes de laboratorio.
marsbit07/15 04:03
