Árbol de Pensamiento

Árbol de Pensamiento es un marco de resolución de problemas introducido por Yao et al. en un artículo de 2023 de Princeton y Google que extiende el prompting de cadena de pensamiento. En lugar de generar un único rastro de razonamiento secuencial, ToT estructura la deliberación del modelo como un árbol: cada nodo representa una solución parcial o un pensamiento intermedio, y el modelo genera varios pasos candidatos en cada nodo, luego evalúa y selecciona qué ramas explorar más. Esto permite que el modelo considere, compare y abandone caminos de razonamiento de la manera que lo haría un humano al esbozar y descartar soluciones parciales.

El marco aplica algoritmos de búsqueda en árbol clásicos—búsqueda en amplitud (BFS) o búsqueda en profundidad (DFS)—sobre un espacio de pasos de razonamiento. En cada expansión, el modelo genera múltiples pensamientos candidatos, luego un prompt de evaluación separado solicita al modelo que califique cada estado intermedio como prometedor, incierto o poco prometedor, permitiendo una poda informada. El proceso termina cuando se encuentra una respuesta final satisfactoria o se agota el presupuesto de búsqueda.

ToT maneja problemas que requieren exploración y planificación—rompecabezas combinatorios, pruebas matemáticas de múltiples pasos, escritura creativa estructurada—donde el razonamiento codicioso de una sola ruta frecuentemente falla. El artículo original demostró ganancias sustanciales en el Juego de 24 (una tarea de razonamiento matemático) y la finalización de crucigramas comparada con la cadena de pensamiento estándar. La idea clave es que la evaluación y la búsqueda, no solo la generación, son integrales para la resolución deliberada de problemas.

Para 2026, la influencia de ToT es más visible en modelos de razonamiento como o3 de OpenAI y Claude de Anthropic con pensamiento extendido, que realizan exploración interna análoga de forma nativa durante la inferencia en lugar de requerir orquestación externa. Las extensiones académicas incluyen variantes de gráfico de pensamiento y bosque de pensamiento. La orquestación explícita de ToT a través del prompting sigue siendo útil en configuraciones enfocadas en restricciones o interpretabilidad, pero el paradigma ha sido en gran medida absorbido por sistemas de razonamiento entrenados de extremo a extremo.

Ejemplo

“Al resolver un rompecabezas lógico de múltiples pasos, una implementación de ToT genera tres movimientos siguientes candidatos en cada etapa, califica cada uno por factibilidad, y retrocede desde puntos muertos—encontrando finalmente una solución que una pasada de cadena de pensamiento única había omitido completamente.