Esta explicación aborda los resultados históricos del estudio; no evalúa modelos actuales ni reproduce sus experimentos.
1. La pregunta fundamental
Una cafetería tiene 23 manzanas. Usa 20 para preparar el almuerzo y compra 6 más. ¿Cuántas quedan?
Las cuentas son sencillas, pero hay que conservar el sentido de cada acción: usar manzanas resta; comprarlas suma. En la figura 1 del artículo, el modelo con ejemplos de respuestas directas devuelve 27, una respuesta incorrecta. Con ejemplos que incluyen pasos intermedios, produce la secuencia 23 − 20 = 3 y 3 + 6 = 9.
Un prompt es el texto de entrada que recibe el modelo; en este estudio incluye ejemplos de problemas y sus respuestas. Los autores preguntan si mostrar los pasos que conectan el enunciado con la respuesta puede cambiar el rendimiento de un modelo ya entrenado.
El estudio responde con resultados empíricos en tareas concretas. No demuestra que el modelo piense como una persona.
2. Por qué el problema es difícil
Resolver un enunciado exige algo más que reconocer números. Hay que decidir qué representan, relacionarlos y mantener los resultados intermedios. Una operación aritmética correcta aplicada a la cantidad equivocada también falla.
Aumentar el tamaño de los modelos había mejorado muchas capacidades. Aun así, los autores señalan que no bastaba para obtener un rendimiento alto en ciertas tareas de razonamiento. Un prompt que salta del problema a la respuesta puede no ayudar a desplegar esas capacidades.
Una analogía útil es una escalera. Saber que la meta está arriba no equivale a disponer de una secuencia de peldaños para alcanzarla. La escalera representa aquí pasos escritos que organizan una solución; no describe literalmente el interior de una red neuronal.
Fuentes de este apartado
Fuentes: introducción, sección 2 y discusión de errores del apéndice D.
3. Qué métodos se usaban antes
El artículo une dos líneas existentes. Una consistía en entrenar modelos con explicaciones o pasos intermedios; preparar muchos ejemplos de buena calidad podía resultar costoso. Otra era el aprendizaje en contexto: mostrar unas pocas parejas de pregunta y respuesta al modelo, sin ajustar sus parámetros para cada tarea.
El prompting estándar del estudio usa ejemplos con pregunta y respuesta, sin incluir los pasos que las conectan.
La propuesta estudia si unos pocos ejemplos con explicaciones paso a paso permiten obtener mejoras en modelos suficientemente capaces, sin un nuevo entrenamiento específico. Las explicaciones paso a paso ya existían; el artículo no las inventa.
Fuentes de este apartado
Fuentes: introducción y sección 7; el apéndice C amplía los antecedentes.
4. Qué cambió y cuánto mejoró
Los autores insertan una cadena de pasos en los ejemplos del prompt. Llaman chain-of-thought, o cadena de razonamiento, a esa secuencia de pasos intermedios. En algunas evaluaciones, este cambio produjo mejoras amplias.
GSM8K es un conjunto de problemas matemáticos redactados como enunciados. En GSM8K, PaLM 540B pasa de 17,9 % con prompting estándar a 56,9 % con chain-of-thought, según la tabla 1 del apéndice B. Son 39,0 puntos porcentuales de diferencia.
Estas cifras corresponden a la configuración sin calculadora externa; la fila que añade una calculadora es una condición distinta.
Los conjuntos de problemas usados para evaluar y comparar los modelos se llaman benchmarks. Para la mayor parte de los benchmarks matemáticos, los autores emplean ocho ejemplos con pasos; AQuA utiliza cuatro.
La versión v6 incluye resultados de GPT-3, LaMDA, PaLM, UL2 y Codex. Aquí Codex es el modelo evaluado en el artículo; esta explicación no ha ejecutado una aplicación de escritorio con ese nombre.
El 56,9 % no es un certificado de fiabilidad: todavía hay numerosas respuestas incorrectas. Tampoco es una medición del rendimiento de un modelo de 2026.
Fuentes de este apartado
Fuentes: sección 3.1, página 4 y tablas 1–2, páginas 20–21.
5. Cómo se organiza un ejemplo con pasos
Cada ejemplo incluye ahora pregunta, pasos intermedios y respuesta.
Los pasos proporcionan una estructura para descomponer el problema. La generación puede ir construyendo relaciones locales: identificar una cantidad, aplicar una operación y conservar el resultado antes de avanzar.
[Inferencia] Podemos imaginar el texto intermedio como una zona de trabajo. Lo que el modelo acaba de escribir pasa a formar parte del contexto disponible para las palabras siguientes. Esta imagen ayuda a entender por qué el orden puede importar, pero no identifica por sí sola el mecanismo causal interno.
Los autores presentan las cadenas como una ventana interpretable al comportamiento del modelo. Reconocen que caracterizar plenamente los cálculos que sostienen una respuesta sigue siendo una cuestión abierta. Una explicación plausible no demuestra acceso fiel a los procesos internos del modelo.
Fuentes de este apartado
Fuente: sección 2, especialmente las propiedades enumeradas en la página 3, y sección 6.
6. La técnica, paso a paso
El ejemplo de Roger tiene 5 pelotas y dos latas adicionales con 3 pelotas por lata. El prompt ilustrado muestra que las latas aportan 2 × 3 = 6 pelotas y que el total es 5 + 6 = 11.
Después aparece el problema de las manzanas, cuya respuesta todavía no se ha proporcionado. El modelo genera una solución con pasos antes de dar la respuesta final. La figura compara el resultado de ambos formatos de prompt.
En la evaluación matemática, este procedimiento se aplica con varios ejemplos completos. No es equivalente a decir únicamente «piensa paso a paso» sin ejemplos; esa variante no es el método central evaluado aquí.
Los autores también preguntan si la mejora depende simplemente de producir más texto. Para comprobarlo hacen ablaciones: pruebas que modifican un componente del método y comparan los resultados. Ensayan estas variantes:
- Generar puntos para representar cómputo adicional no reproduce la ventaja del método.
- Dar el razonamiento después de la respuesta tampoco alcanza la mejora observada.
- En GSM8K, escribir solo una ecuación no ayuda mucho, aunque sí puede ayudar en otros conjuntos más sencillos.
Las ablaciones restringen algunas explicaciones alternativas. No prueban un mecanismo único ni garantizan que cualquier secuencia verbal sea útil.
Fuentes de este apartado
Fuentes: figura 1, sección 3.3, figura 5 y tabla 6.
7. El papel de los ejemplos y del tamaño del modelo
No se cambiaron los parámetros de los modelos para estos experimentos: se cambió la forma de presentar los ejemplos. Esto permite estudiar bajo qué condiciones un modelo muestra sus capacidades.
La escala importa en los resultados, pero no conviene convertirla en una frontera universal. Los autores describen un patrón de capacidades emergentes; la tabla 2 también muestra mejoras de PaLM 62B en algunos benchmarks. Los modelos pequeños pueden producir cadenas fluidas y aun así equivocarse.
El apéndice A.1 propone un análisis preliminar de errores y reconoce que la escala suele estar mezclada con factores como el cómputo de entrenamiento. La relación entre tamaño y rendimiento no demuestra, por sí sola, cuál de esos factores causa la mejora.
Hay variación entre modelos, tareas y ejemplos. Tampoco existe un beneficio obligatorio cuando el problema ya es fácil o el rendimiento inicial deja poco margen de mejora.
Fuentes de este apartado
Fuentes: sección 3.2, tabla 2 y apéndices A.1–A.3.
8. Aplicaciones e impacto, con sus límites
El trabajo no se limita a aritmética. Evalúa tareas de sentido común y manipulaciones simbólicas, como concatenar letras finales o seguir el estado de una moneda. En esas tareas simbólicas también prueba secuencias más largas que las de los ejemplos.
Son pruebas controladas, y los autores llaman a las evaluaciones simbólicas tareas de juguete. Repetir una estructura con nuevos símbolos o más pasos no demuestra generalización ilimitada al mundo real.
El conjunto SayCan representa instrucciones como secuencias de acciones de un repertorio definido. Su inclusión no significa que esta lectura haya ejecutado un robot o validado un agente autónomo.
[Inferencia] Para diseñar una evaluación, vale la pena distinguir entre un modelo sin ejemplos, uno con respuestas directas y otro con ejemplos de soluciones estructuradas. Los resultados de un formato no agotan necesariamente las capacidades observables del sistema.
Pedir pasos también puede aumentar el texto generado y su coste. La sección 6 señala el coste de servir modelos grandes y la ausencia de garantías sobre las cadenas producidas. Un camino convincente puede contener errores o llegar a una respuesta correcta por casualidad.
Fuentes de este apartado
Fuentes: secciones 4–6, apéndice A.3 y análisis del apéndice D.
9. Qué permite concluir el estudio
El estudio invita a examinar qué estructura damos a un problema y cómo comprobamos la solución, sin confundir verbosidad con inteligencia.
La escalera puede ayudar a subir, pero hay que revisar los peldaños. La viñeta resume esta advertencia: mostrar el camino no convierte al modelo en un oráculo.
La conclusión respaldada por el estudio es acotada: en las tareas y modelos evaluados, incluir ejemplos de pasos intermedios puede mejorar el rendimiento. No demuestra pensamiento humano, corrección garantizada ni una receta universal para todas las tareas.
Fuentes de este apartado
Fuente: discusión y conclusiones, página 9.
Notas de lectura y límites científicos
- Esta explicación usa el PDF completo suministrado, de 43 páginas, no solo su abstract. Los números de página citados corresponden también a la numeración impresa de este archivo.
- En la página 5, el texto dice que dos de las 50 cadenas con respuesta correcta eran incorrectas; el apéndice D.1, página 25, indica una. Se conserva la discrepancia y no se obtiene de ella una tasa única.
- La sección 4 menciona 75,6 % para StrategyQA con PaLM 540B; la tabla 4 presenta 77,8 %. No se utiliza esa cifra como resultado principal de esta explicación.
- En el análisis de la página 27 aparecen 17,3 % al añadir calculadora a LaMDA 137B; la tabla 1 registra 17,8 %. Tampoco se sustituye una cifra por la otra sin revisión.
- La tabla 1 sostiene la comparación principal de GSM8K usada aquí. Sus resultados no se han reproducido en esta prueba.
- El cotejo del agente no sustituye una revisión científica o editorial humana.
Referencia: Wei, J. y colaboradores, Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, NeurIPS 2022; arXiv:2201.11903v6, 10 de enero de 2023. Identificador de la versión en arXiv. La lectura se efectuó sobre el PDF local; este enlace no se usa como prueba de acceso remoto.