CLEAT enseña a agentes con Qwen3-4B a preguntar a tiempo: hasta +13,2 p. p.

Un grupo de investigadores ha publicado en arXiv CLEAT, un framework que enseña a un agente LLM a decidir cuándo debe preguntar al usuario y cuándo es mejor actuar por sí mismo. Con el modelo Qwen3-4B, el método obtuvo la puntuación media más alta en las diez configuraciones de prueba de cuatro benchmarks. Frente al baseline más fuerte, la mejora llegó a 13,2 puntos porcentuales en UserGym Travel y a 6,5 p. p. en la precisión al determinar la subespecificación de la consulta en IN3.

El problema: preguntar no siempre es útil

Los agentes asumen tareas cada vez más complejas, pero los usuarios a menudo no explicitan sus objetivos ni sus restricciones. Alguien pide planificar un viaje y no menciona el presupuesto ni las escalas que quiere evitar. El agente puede adivinar y equivocarse. También puede acribillar al usuario a preguntas y estropear la experiencia. Los autores plantean el problema como un alineamiento interactivo de intenciones mediante aclaraciones.

Hay un matiz. Una aclaración solo tiene sentido si el agente es capaz de convertir la respuesta en una mejor solución. A medida que avanza el entrenamiento, cambia la manera en que el modelo trata la información incompleta y aprovecha las respuestas nuevas. Por eso la misma pregunta puede ser útil en un momento e inútil en otro. Las reglas estáticas del tipo «pregunta si faltan parámetros» no siguen esta dinámica.

Cómo funciona CLEAT

El nombre significa CLarification through valuE-guided Agent co-Training. El framework entrena conjuntamente dos componentes: un controlador del valor de las aclaraciones y la política que resuelve la tarea. Ambos aprenden de los mismos resultados de la interacción.

El concepto central del trabajo es el valor residual de la consulta (residual query value). Mide cuánto beneficio aporta una pregunta para la tarea en comparación con seguir trabajando con la política actual. Se estima con ejecuciones pareadas a partir del mismo historial de diálogo: en una rama el agente hace la pregunta y en la otra actúa de inmediato. La diferencia entre los retornos de ambas es la etiqueta de valor.

Estos retornos pareados se usan de dos maneras. El controlador aprende a predecir el valor de la aclaración. La política aprende a elegir preguntas útiles y a apoyarse en las respuestas. Después el ciclo se cierra: el controlador orienta la recogida de las siguientes ejecuciones y los resultados del agente actualizado generan etiquetas nuevas. Así, las pistas sobre cuándo aclarar se ajustan a las capacidades crecientes del modelo.

Qué muestran los experimentos

Principales resultados de la versión v1 del preprint:

• modelo base: Qwen3-4B;
• puntuación media más alta en las 10 configuraciones de evaluación de 4 benchmarks;
• hasta +13,2 p. p. sobre el baseline más fuerte en UserGym Travel;
• +6,5 p. p. en la precisión al juzgar la subespecificación en IN3;
• ablaciones: el entrenamiento conjunto mejora la política incluso si se desactiva el controlador en la inferencia;
• adaptar las pistas a la evolución de la política aporta una ganancia adicional.

El último punto es el más importante para la práctica. Indica que el controlador no actúa solo como filtro en la fase de inferencia, sino también como maestro: cambia la propia forma en que el agente trata los datos incompletos.

Dónde puede resultar útil

Los equipos que construyen agentes para reservas, soporte o programación obtienen un principio claro: medir el beneficio marginal de una pregunta en lugar de imponer un umbral fijo. Si el asistente pregunta demasiado, los usuarios se van. Si pregunta muy poco, se equivoca en silencio. Las ejecuciones pareadas ofrecen una forma de calibrar ese equilibrio con resultados reales de las tareas.

Las limitaciones también son visibles. Los resultados se obtuvieron con un modelo pequeño, de 4000 millones de parámetros, y aún no han pasado revisión por pares. Las ejecuciones pareadas desde un mismo historial implican un cómputo adicional durante el entrenamiento. El abstract no dice cómo se comportará el método con modelos grandes ni en productos reales con usuarios en vivo. Aun así, el esquema en sí, en el que el valor de la pregunta se reevalúa a medida que crece el agente, parece aplicable más allá de esta implementación concreta.