Resumen: Presentamos el razonamiento basado en computación (CGR), un paradigma de diseño para agentes de investigación con conciencia espacial en el que cada subproblema responsable se resuelve mediante computación determinista antes de que se solicite la generación de un modelo de lenguaje. Spatial Atlas crea una instancia de CGR como un único servidor de agente a agente (A2A) que maneja dos puntos de referencia desafiantes: FieldWorkArena, un punto de referencia espacial multimodal de respuesta a preguntas que abarca entornos de fábrica, almacén y venta minorista, y MLE-Bench, un conjunto de 75 competencias de aprendizaje automático de Kaggle que requieren ingeniería de aprendizaje automático de extremo a extremo. Un motor de gráficos de escenas espaciales estructurados extrae entidades y relaciones de descripciones de visión, calcula distancias y violaciones de seguridad de manera determinista y luego alimenta hechos computacionales a grandes modelos de lenguaje, evitando así el razonamiento espacial alucinado. La selección de acciones guiada por entropía maximiza la ganancia de información por paso y dirige las consultas a través de una pila de modelos de frontera de tres niveles (OpenAI + Anthropic). Un proceso de aprendizaje automático autorreparable con generación de código consciente de la estrategia, un ciclo de refinamiento iterativo basado en puntajes y un registro de auditoría de fugas basado en avisos completan el sistema. Evaluamos ambos puntos de referencia y mostramos que CGR produce precisión competitiva al tiempo que mantiene la interpretabilidad a través de representaciones intermedias estructuradas y cálculos espaciales deterministas.
Publicado originalmente en export.arxiv.org el 14 de abril de 2026.
Ver fuente original
