Chain-of-Thought Prompting

El prompter de cadena de pensamientos (CoT, por sus siglas en inglés) es una técnica avanzada en la ingeniería de prompts que permite a los grandes modelos de lenguaje (LLM) resolver tareas de razonamiento complejas dividiéndolas en pasos lógicos intermedios. En lugar de pedirle a un modelo que proporcione una respuesta final inmediata, el CoT anima al sistema a generar un "tren de pensamiento" que imita la resolución de problemas humana. Este razonamiento paso a paso mejora significativamente el rendimiento en tareas que implican aritmética, lógica simbólica y razonamiento de sentido común, transformando la forma en que interactuamos con los sistemas de Artificial Intelligence (AI).

El mecanismo del razonamiento#

Los modelos de lenguaje estándar suelen tener dificultades con problemas de múltiples pasos porque intentan asignar la entrada directamente a la salida en una sola pasada. Este enfoque de "caja negra" puede provocar errores, especialmente cuando el salto lógico es demasiado grande. El prompting de cadena de pensamiento soluciona esto insertando pasos de razonamiento entre la pregunta de entrada y la salida final.

Este proceso generalmente funciona de dos maneras:

• CoT Zero-Shot: El usuario añade una frase desencadenante simple como "Vamos a pensar paso a paso" al prompt. Esto activa las capacidades de razonamiento latentes del modelo sin requerir ejemplos específicos.
• CoT de pocos ejemplos: El prompt incluye unos pocos ejemplos (ejemplares) de preguntas combinadas con sus soluciones paso a paso. Esto aprovecha el few-shot learning para mostrarle al modelo exactamente cómo estructurar su lógica antes de intentar un nuevo problema.

Al generar explícitamente un razonamiento intermedio, el modelo tiene más oportunidades de corregirse a sí mismo y aporta transparencia sobre cómo llegó a una conclusión. Esto es fundamental para reducir la hallucination in LLMs, donde de otro modo los modelos podrían afirmar con seguridad hechos incorrectos.

Aplicaciones en el mundo real#

Aunque se desarrolló inicialmente para la lógica basada en texto, el prompting de cadena de pensamiento tiene aplicaciones potentes cuando se combina con otros dominios de la IA, como la visión artificial y la generación de código.

Mejora de la generación de código para visión artificial#

Los desarrolladores utilizan el CoT para guiar a los LLM en la escritura de scripts de software complejos para tareas como la object detection. En lugar de una solicitud vaga como "escribe código para encontrar coches", un prompt de CoT podría estructurar la petición así: "Primero, importa las bibliotecas necesarias. Segundo, carga el modelo preentrenado. Tercero, define la fuente de imagen. Por último, ejecuta el bucle de predicción". Este enfoque estructurado garantiza que el código generado para modelos como YOLO26 sea sintácticamente correcto y lógicamente sólido.

Toma de decisiones autónoma#

En el campo de los autonomous vehicles, los sistemas deben procesar datos visuales y tomar decisiones críticas para la seguridad. Un enfoque de cadena de pensamientos permite al sistema articular su lógica: "Detecto un peatón cerca del paso de cebra. El peatón está mirando hacia la carretera. El semáforo está en verde para mí, pero el peatón podría cruzar. Por lo tanto, reduciré la velocidad y me prepararé para detenerme". Esto hace que las decisiones de la IA sean interpretables y se alinea con los principios de explainable AI (XAI).

Cadena de pensamiento en acción#

Aunque el CoT es principalmente una técnica de lenguaje natural, se puede implementar de forma programática para garantizar interacciones coherentes con los modelos de visión. El siguiente ejemplo de Python demuestra cómo un desarrollador podría estructurar un prompt para guiar a un LLM (simulado aquí) en la generación de código de inferencia válido para el Ultralytics Platform.

# Example of structuring a Chain-of-Thought prompt for an LLM
# This prompt guides the model to write a valid YOLO26 inference script

cot_prompt = """
Task: Write a Python script to detect objects using YOLO26.

Chain of Thought:
1. Import the YOLO class from the 'ultralytics' library.
2. Load the 'yolo26n.pt' model weights (the latest nano model).
3. Load a sample image using a URL or local path.
4. Run the predict() function and save the results.

Based on these steps, generate the Python code below:
"""

# In a real application, you would send 'cot_prompt' to an LLM API
print(f"Structured Prompt for LLM:\n{cot_prompt}")

Distinguir conceptos relacionados#

Es importante diferenciar el prompter de cadena de pensamientos de términos similares en el panorama del Machine Learning (ML):

• Prompt Chaining: Esto implica conectar múltiples llamadas a modelos independientes, donde la salida de un paso se convierte en la entrada del siguiente. El CoT ocurre dentro de un único prompt para extraer un razonamiento interno, mientras que el encadenamiento de prompts orquesta un flujo de trabajo a través de múltiples interacciones.
• Retrieval-Augmented Generation (RAG): RAG se centra en la obtención de datos externos (como documentos o bases de datos) para fundamentar el conocimiento del modelo. El CoT se centra en el propio proceso de razonamiento. A menudo, se combinan: se usa RAG para obtener los hechos y CoT para razonar sobre ellos.
• Prompt Tuning: Este es un método de ajuste fino eficiente en parámetros que optimiza prompts suaves continuos (vectores) durante el entrenamiento. El CoT es una estrategia discreta de lenguaje natural aplicada en la real-time inference sin alterar los model weights.

Perspectivas de futuro#

A medida que los foundation models continúan evolucionando, el prompter de cadena de pensamientos se está convirtiendo en una práctica recomendada estándar para liberar todo su potencial. Las investigaciones de grupos como Google DeepMind sugieren que, a medida que los modelos aumentan de tamaño, su capacidad para realizar razonamientos de CoT mejora drásticamente. Esta evolución está allanando el camino para agentes autónomos más fiables capaces de gestionar flujos de trabajo complejos en industrias que van desde la sanidad hasta la smart manufacturing.