Resumen: Los modelos de lenguajes grandes (LLM) enfrentan desafíos importantes al procesar sistemas de reglas complejos, ya que generalmente tratan las reglas interdependientes como datos textuales no estructurados en lugar de marcos organizados lógicamente. Esta limitación da como resultado una divergencia en el razonamiento, donde los modelos a menudo pasan por alto dependencias de reglas críticas esenciales para una interpretación precisa. Aunque los enfoques existentes, como el razonamiento en cadena de pensamiento (CoT), se han mostrado prometedores, carecen de metodologías sistemáticas para el procesamiento de reglas estructuradas y son particularmente susceptibles a la propagación de errores a través de cadenas de razonamiento secuenciales. Para abordar estas limitaciones, proponemos la Plantilla de Adjudicación Dinámica (DAT), un marco novedoso inspirado en procesos de razonamiento humano experto. DAT estructura el mecanismo de inferencia en tres etapas metódicas: análisis cualitativo, recopilación de evidencia y adjudicación. Durante la fase de análisis cualitativo, el modelo evalúa exhaustivamente el panorama contextual. La fase posterior de recopilación de evidencia implica la extracción específica de información pertinente basada en elementos de plantilla predefinidos ([marcador de posición]), seguida de una verificación sistemática según las reglas aplicables. Finalmente, en la fase de adjudicación, el modelo sintetiza estos componentes validados para formular un juicio integral. Los resultados empíricos demuestran que DAT supera consistentemente los enfoques CoT convencionales en tareas complejas basadas en reglas. En particular, DAT permite que los modelos de lenguaje más pequeños igualen, y en algunos casos superen, el rendimiento de LLM significativamente más grandes, destacando su eficiencia y eficacia en la gestión de sistemas de reglas complejos.
Publicado originalmente en export.arxiv.org el 7 de octubre de 2025.
Ver fuente original
