La IA aprende de tareas que escribe ella misma: la puntuación media sube de 57,77 a 61,05

Un grupo de investigadores ha publicado A-RSI (Adaptive Recursive Self-Improvement, «automejora recursiva adaptativa»). Con este método, un modelo multimodal que entiende texto e imágenes se ajusta con tareas que crea él mismo y no utiliza ni ejemplos de entrenamiento externos ni respuestas escritas por personas. La cifra principal: el resultado medio de Qwen3-VL-8B-Instruct en once benchmarks multimodales (conjuntos estándar de preguntas sobre imágenes, gráficos y esquemas) subió de 57,77 a 61,05.

El punto de partida es el modelo tras una primera puesta a punto con un conjunto inicial de tareas. La mejora llegó tras ocho ventanas de ajuste y 800 tareas nuevas. Los autores abordaron por separado dos problemas: cuándo darle al modelo material nuevo y de dónde sacar las respuestas correctas.

De dónde salen las tareas y las respuestas sin intervención humana

Muchos métodos de autoentrenamiento obtienen la respuesta a su propia tarea mediante una votación del propio modelo: generan varias soluciones y gana la más frecuente. Así, el error del modelo se convierte en la «respuesta correcta» para el siguiente paso de entrenamiento. A-RSI lo evita mediante programas.

El esquema es este:

• El modelo escribe una sola vez, antes de empezar el entrenamiento, plantillas: programas ejecutables para tareas de geometría, gráficos, tablas y recuento de objetos.
• Cada programa elige primero los parámetros, por ejemplo los valores de las barras de un diagrama. Después dibuja la imagen a partir de ellos, formula la pregunta («¿cuánto más alta es la barra A que la barra B?») y calcula la respuesta de referencia con esos mismos números.
• El modelo alumno solo ve la imagen y la pregunta. Los números ocultos y la respuesta se quedan en el programa.
• Los candidatos pasan controles de corrección, ambigüedad, novedad y solapamiento con los datos de test. De ellos se preparan de antemano conjuntos de reemplazo que no se solapan entre sí.

Los autores advierten con franqueza de que estos controles no demuestran que cada tarea dibujada sea impecable. La respuesta es correcta solo en la medida en que lo son la plantilla y su código. Por eso las respuestas se verifican además con una auditoría independiente.

Cómo sabe el controlador que el conjunto de tareas se ha agotado

El entrenamiento usa el método GRPO. Para cada tarea, el modelo genera un grupo de respuestas y se comparan entre sí. Si una parte de las respuestas es correcta y otra no, aparece una señal útil. Si todas son igual de correctas o igual de incorrectas, el modelo no aprende nada de esa tarea.

El controlador de A-RSI calcula dos magnitudes a partir de los logs de entrenamiento:

• cuántas tareas distintas siguen mostrando dispersión de recompensas dentro del grupo;
• qué proporción de respuestas correctas hay en las tareas de entrenamiento.

Tras cada ventana, las compara con los valores de varias ventanas atrás. Sustituye el conjunto entero si el número de tareas «vivas» cae por debajo de un umbral o si la precisión sube demasiado (el modelo conoce demasiado bien el conjunto). Hay un periodo mínimo de observación para que ambas mediciones correspondan al mismo conjunto. Los umbrales son iguales para todas las etapas y modelos. El controlador no ve las puntuaciones de test ni de validación. En cada sustitución se conservan los pesos del modelo, y las plantillas y las cuotas por tipo de tarea siguen siendo las mismas.

Los autores subrayan que es un indicador práctico de que la señal se debilita, no una prueba de que el conjunto esté «dominado». También puede haber dispersión nula cuando el modelo falla de forma sistemática.

Qué mostraron las mediciones y dónde limitan los autores sus conclusiones

• Qwen3-VL-8B: 57,77 → 61,05 en once benchmarks, con 800 tareas nuevas.
• Actualizar el conjunto tras cada ventana: 60,64, pero se gastaron 3 200 tareas, cuatro veces más. El esquema adaptativo es mejor y más económico.
• En la sexta ventana, A-RSI logra 60,40, mientras que seguir entrenando con el conjunto antiguo da 58,35. El estancamiento con tareas repetidas es evidente.
• MiMo subió de 59,08 (modelo base público) a 60,71.

Hay también un resultado poco intuitivo. Seleccionar tareas por dificultad o por la competencia actual del modelo no superó al muestreo aleatorio con proporciones fijas de tipos de tarea. Esto se refiere solo a sus generadores, su modelo y las reglas de selección comprobadas. Los autores también escriben de forma explícita que sus conclusiones sobre el momento óptimo de sustitución son limitadas: la ganancia procede de la propia política de sustituir el conjunto, y que el momento exacto sea el acertado no está del todo confirmado.

Una auditoría independiente de las respuestas separa dos fuentes del aumento de puntuación. El modelo puede resolver mejor las tareas, o puede limitarse a ajustarse con más frecuencia al límite de longitud de respuesta. La recompensa en el entrenamiento penaliza una respuesta cortada en el límite, aunque en ella ya haya aparecido una respuesta en recuadro. Por eso el artículo calcula por separado cuánto de la mejora proviene de respuestas que ahora se completan hasta el final y cuánto de errores corregidos entre las respuestas completadas.

Para los ingenieros, la conclusión es práctica. Si tiene generadores de tareas con respuesta verificable por programa, no es necesario repetir el mismo conjunto hasta el agotamiento ni actualizarlo en cada paso. Basta con vigilar la proporción de tareas con dispersión de recompensas y cambiar el conjunto según esa señal. Así se ahorran tareas y no se necesitan evaluaciones de test. La limitación es clara: el método funciona donde la respuesta puede calcularla un programa, y esas tareas cubren por ahora geometría, gráficos, tablas y recuento, pero no todo el espectro de preguntas visuales reales.