MUX: razonamiento continuo en LLM mediante tokens multiplexados

En julio de 2026, un grupo de investigadores publicó en arXiv el método MUX (multiplexed tokens), una forma de razonar con modelos de lenguaje en un espacio latente continuo, donde un solo token latente codifica sin pérdidas un fragmento entero de la cadena de razonamiento en lugar de una sola palabra. Según los autores, MUX superó a sólidos baselines latentes de razonamiento en 32 configuraciones de evaluación con cuatro modelos de lenguaje.

Por qué el razonamiento convencional es lento

Los modelos de razonamiento clásicos desperdician cómputo: en cada paso de la cadena de razonamiento solo se transmite una subpalabra, y parte de los pasos se dedica a verbalizar el pensamiento, no a calcular. Los autores de MUX lo llaman un «cuello de botella» computacional: el modelo razona en lenguaje natural, de modo que el ancho de banda de cada paso queda limitado al tamaño de un token de subpalabra, y en cadenas largas eso se traduce en cómputo superfluo.

Qué son los tokens multiplexados

MUX destila la cadena de razonamiento discreta en tokens latentes continuos. Cada uno de estos tokens aprende a representar una superposición lineal ponderada (multiplexación) de todo un rango de subpalabras, y esa superposición es reversible: el rango original de subpalabras puede recuperarse por completo (demultiplexación). La idea clave es que la compresión sea reversible por construcción, y no aproximada: así el modelo no «recorta camino» y conserva toda la lógica original del razonamiento.

• Método: MUX, preprint arXiv:2607.18264, tipo de publicación «new» (julio de 2026)
• Mecanismo: un token latente equivale a una suma ponderada de varias subpalabras discretas del razonamiento
• Reversibilidad: superposición sin pérdidas; el rango de subpalabras se recupera por completo
• Ponderación: dependiente de la posición, por ejemplo con decaimiento geométrico de los pesos
• Extra: exploración paralela de varias ramas de solución en tareas que requieren búsqueda

Los autores demuestran que unos pesos sencillos, dependientes de la posición —por ejemplo, un decaimiento geométrico adecuado—, permiten una multiplexación sin pérdidas. Esto, a su vez, evita el «colapso latente»: un comportamiento degenerado de atajo en el que el modelo colapsa la representación latente y deja de razonar realmente.

Cuánto mejora MUX a sus alternativas

MUX superó a sólidos baselines latentes de razonamiento en 32 configuraciones experimentales que abarcan cuatro modelos de lenguaje distintos, según informan los autores en el resumen de arXiv. No se trata de una ventaja sobre un solo modelo, sino sobre toda una clase de métodos de razonamiento latente, a lo largo de una cuadrícula completa de 32 configuraciones. Además, los análisis de ablación y de probing mostraron que los tokens latentes aprendidos codifican un razonamiento correcto e interpretable, y no ruido aleatorio.

Otro resultado destacado es la capacidad de búsqueda paralela: el razonamiento multiplexado puede explorar a la vez varias ramas de solución en tareas que exigen recorrer distintas opciones.

«La superposición sin pérdidas como objetivo de entrenamiento local es

una condición suficiente para un razonamiento continuo fuerte y eficiente en el espacio latente», señala el resumen del estudio MUX en arXiv.

Qué significa

El razonamiento latente busca eliminar el «impuesto lingüístico» de los modelos de razonamiento: calcular en un espacio continuo y compacto en lugar de largas cadenas de texto. Si los resultados de MUX se reproducen en modelos más grandes, apuntan a un razonamiento más barato y rápido, sin pérdida de precisión ni de interpretabilidad, y, por tanto, a IA de razonamiento que gasta menos cómputo en la misma tarea.

Preguntas frecuentes

¿Qué son los tokens multiplexados?

Son tokens latentes continuos, cada uno de los cuales codifica una suma ponderada de varias subpalabras de la cadena de razonamiento. Por construcción, la superposición es reversible: el rango original de subpalabras puede recuperarse por completo, de modo que no se pierde información.

¿En qué se diferencia MUX de la cadena de razonamiento convencional?

La chain-of-thought convencional transmite una subpalabra por paso y razona con texto. MUX comprime un fragmento entero del razonamiento en un único token latente y calcula en un espacio continuo; eso aumenta el ancho de banda y, según los autores, supera a los baselines latentes en 32 configuraciones de prueba con cuatro modelos.