Las universidades de Zhejiang y Pekín proponen SPADER para QA con varias respuestas

Investigadores de las universidades de Zhejiang y Pekín han publicado SPADER, un método de aprendizaje por refuerzo para preguntas que no tienen una única respuesta correcta. El trabajo ha sido aceptado en el programa principal de EMNLP 2026. El anuncio de Jiqizhixin todavía no incluye benchmarks ni tablas, de modo que por ahora solo se pueden valorar la idea y el planteamiento del problema. La mejora declarada en cifras habrá que comprobarla en el propio artículo.

El problema: el modelo solo nombra lo obvio

En multi-answer QA hay que devolver el conjunto completo de respuestas: todas las películas de un director, todos los países que cumplen una condición, todos los fármacos de una clase determinada. Las métricas suelen calcularse sobre el conjunto entero, y la exhaustividad (recall) importa tanto como la precisión. El pipeline estándar de RL con recompensa por corrección empuja al modelo hacia una estrategia segura: nombra dos o tres de las respuestas más frecuentes, recibe la recompensa y deja de buscar. Las respuestas poco habituales de la «cola larga» quedan fuera.

Los autores llevan precisamente este sesgo al título: SPADER significa Step-wise Peer Advantage with Diversity-Aware Exploration Rewards. El nombre encierra dos técnicas.

Qué hay dentro de SPADER

GRPO (Group Relative Policy Optimization) prescinde de un modelo crítico independiente. Para cada pregunta se genera un grupo de respuestas, y la ventaja de cada una se calcula respecto a las demás del grupo. A juzgar por el nombre y el titular del anuncio, SPADER hace este cálculo paso a paso: la comparación entre «vecinos» (peer advantage) no se aplica solo al resultado final, sino también a los pasos del razonamiento o de la búsqueda. En una cadena larga, esto aporta una señal más densa. El modelo ve en qué paso encontró una respuesta nueva y en cuál se quedó dando vueltas.

El segundo componente es una recompensa que tiene en cuenta la diversidad (diversity-aware exploration reward). Premia los hallazgos que se distinguen de los ya encontrados y, con ello, empuja la política a explorar la cola de la distribución. El anuncio no revela la fórmula exacta, el método para medir la diversidad ni el peso de esta recompensa.

Qué se sabe hasta ahora

• Autores: equipos de la Universidad de Zhejiang y la Universidad de Pekín
• Sede: EMNLP 2026, Main Conference
• Tarea: sistemas de preguntas y respuestas con varias respuestas correctas
• Algoritmo: GRPO con cálculo paso a paso de la ventaja entre trayectorias «vecinas»
• Recompensa: bonificación por la diversidad de las respuestas encontradas
• Métricas, modelos base y tamaño de la mejora: no se indican en el fragmento disponible

Dónde puede resultar útil

Las tareas con múltiples respuestas aparecen en la búsqueda corporativa, en la recopilación de datos para analítica, en informes jurídicos y médicos y en sistemas RAG, donde una lista incompleta es peor que un honesto «no lo sé». Si SPADER ofrece una mejora notable de la exhaustividad sin perder precisión, el método interesa a los equipos que ajustan modelos con RL sobre sus propios datos. GRPO ya se ha convertido en una herramienta de trabajo para este tipo de ajuste, y el esquema paso a paso no requiere un crítico independiente.

Antes de implantar nada, conviene comprobar cuatro cosas en el artículo. Primera: en qué conjuntos de datos y con qué modelos se obtuvo el resultado. Segunda: cómo cambia el equilibrio entre exhaustividad y precisión, porque una recompensa por diversidad puede incentivar con facilidad que el modelo invente respuestas superfluas. Tercera: cuántas veces aumenta el coste del entrenamiento por el cálculo paso a paso. Cuarta: si el código es abierto. Mientras no se tengan estos datos delante, SPADER sigue siendo una curiosa idea de investigación y no una receta lista para usar.