💬 NLP

Reasoning about Intent for Ambiguous Requests

Este artículo propone un método basado en el aprendizaje por refuerzo que genera una única respuesta estructurada que enumera múltiples interpretaciones válidas para solicitudes ambiguas, mejorando así la cobertura y la transparencia sin requerir rondas de interacción adicionales o supervisión explícita.

Autores originales: Irina Saparina, Mirella Lapata

Publicado 2026-08-11

📖 9 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Irina Saparina, Mirella Lapata

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás hablando con un robot superinteligente que lo sabe casi todo. Le haces una pregunta, pero olvidas mencionar un detalle minúsculo, como el año o el tipo específico de cosa a la que te refieres. En el mundo de la Inteligencia Artificial, esto se llama "ambigüedad". Es como preguntarle a un amigo: "¿Cuál es la mejor película?", sin decirle si quieres una película de terror aterradora o una comedia divertida. El robot tiene que adivinar qué quieres decir. Por lo general, simplemente elige una suposición, te responde y espera que todo salga bien. Si adivina mal, recibes una respuesta frustrante o, peor aún, el robot podría darte algo peligromente erróneo porque malinterpretó tu intención. Este artículo, escrito por investigadores de la Universidad de Edimburgo, aborda este problema de "adivinar mal" enseñando a los robots a dejar de adivinar y empezar a enumerar todas sus opciones a la vez.

Los investigadores, Irina Saparina y Mirella Lapata, proponen una nueva forma para que estos Modelos de Lenguaje Extensos (LLM) manejen preguntas complicadas. En lugar de comprometerse silenciosamente con una sola interpretación, su método, llamado IntentRL, obliga al modelo a actuar como un bibliotecario servicial que dice: "Veo que preguntaste por 'la mejor película'. Aquí hay tres formas diferentes de entender eso: 1) La mejor película de terror, 2) La mejor comedia y 3) La mejor película de todos los tiempos. Aquí está la respuesta para cada una". El artículo sugiere que, al entrenar al modelo para que enumere explícitamente estos diferentes significados y sus correspondientes respuestas en un solo paso, podemos evitar la confusión y hacer que la IA sea más segura y transparente. Probaron esto en tareas como responder preguntas de conversación y escribir código de computadora (específicamente consultas SQL para bases de datos), encontrando que su método cubre más respuestas correctas que los trucos anteriores, como pedir al usuario una aclaración o simplemente esperar que el robot lo acierte.

El Problema: La suposición de "un solo intento" del robot

Imagina que estás jugando a "20 preguntas" con un robot. Dices: "Estoy pensando en una fruta que es roja". El robot inmediatamente grita: "¡Manzana!" y se detiene. ¡Pero espera! En realidad estabas pensando en una fresa, o tal vez una cereza, o incluso un pimiento rojo. El robot no preguntó: "¿Querías decir una baya?" o "¿Querías decir un vegetal?". Simplemente eligió la primera cosa que se le ocurrió en su cabeza digital.

En el mundo real, esto sucede todo el tiempo. Las personas suelen ser breves o se olvidan de los detalles cuando hablan con las computadoras. Un usuario podría preguntar: "Muéstrame películas con un presupuesto de 20 millones", pero podría referirse a "películas que sean tanto de terror como de suspenso con ese presupuesto", o "películas que sean o bien de terror o bien de suspenso con ese presupuesto". Si el robot elige el significado equivocado, la respuesta es inútil. Peor aún, si el robot es un "modelo de razonamiento" (uno que piensa durante mucho tiempo), podría gastar miles de "tokens" (su forma de dar pasos de pensamiento) persiguiendo la idea equivocada, desperdiciando energía y reforzando su propio error.

Las Viejas Formas: Preguntar o Divagar

Antes de este nuevo método, los científicos intentaron dos formas principales de solucionar esto:

La Pregunta de Aclaración: El robot se detiene y pregunta: "¿Te refieres a terror o a suspenso?". Esto funciona, pero es molesto. Convierte una pregunta rápida en una conversación larga de ida y vuelta. Es como preguntarle a tu amigo: "Espera, ¿quieres una manzana roja o una fresa roja?" cada vez que pides una fruta.
La Respuesta de Formato Largo: El robot intenta ser súper útil escribiendo un párrafo enorme que cubra todo. "Bueno, si te refieres a terror, es X. Si te refieres a suspenso, es Y. Si te refieres a ambos, es Z". Esto suele ser desordenado y difícil de leer. Es como un amigo dándote un ensayo de 10 páginas para responder una pregunta simple. Además, si los significados se contradicen (como "muéstrame películas que sean tanto de terror como de suspenso" frente a "muéstrame películas que sean o bien de terror o bien de suspenso"), es difícil fusionarlos en una sola historia fluida.

La Nueva Solución: El enfoque del "Menú"

Los autores de este artículo sugieren una tercera vía: El Menú Estructurado. En lugar de adivinar o divagar, el robot genera una lista ordenada de "Pares Interpretación-Respuesta".

Piensa en ello como pedir en un restaurante donde el menú es ambiguo. Si dices: "Tomaré el especial", y el especial puede ser una hamburguesa o una ensalada, un camarero normal podría traerte una hamburguesa. El robot IntentRL, sin embargo, te trae una bandeja con tres platos pequeños:

Plato 1: "Si te referías al especial de hamburguesa, aquí tienes tu hamburguesa".
Plato 2: "Si te referías al especial de ensalada, aquí tienes tu ensalada".
Plato 3: "Si te referías al especial de sopa, aquí tienes tu sopa".

El robot hace esto en un solo paso. No espera a que digas "No, yo quería la ensalada". Simplemente te da todas las opciones a la vez, claramente etiquetadas. Esto es genial porque:

Transparencia: Puedes ver por qué te dio esa respuesta.
Velocidad: Sin esperar a una segunda ronda de conversación.
Seguridad: Si una respuesta es peligrosa, puedes detectarla inmediatamente porque también ves las otras opciones.

Cómo Enseñaron al Robot: El juego de "Doble Objetivo"

Enseñar a un robot a hacer esto es complicado. No puedes simplemente mostrarle una lista de preguntas y respuestas porque el robot necesita aprender cuándo listar varias cosas y cuándo dar solo una respuesta. Si le enseñas a siempre listar cinco opciones, te molestará cuando hagas una pregunta simple como "¿Cuánto es 2+2?".

Los investigadores utilizaron una técnica llamada Aprendizaje por Refuerzo (piensa en entrenar a un perro con premios). Le dieron al robot un sistema de "recompensa dual" especial:

La Recompensa de "Captura de Todo" (Recall): Si la pregunta es ambigua (como "¿Qué otro estado lo gobernó?"), el robot recibe un gran premio si enumera todras las posibles respuestas válidas. Es como un juego de pesca donde obtienes puntos por atrapar todos los tipos de peces en el estanque, no solo uno.
La Recompensa de "Precisión": Si la pregunta es clara (como "¿Cuál es la capital de Francia?"), el robot recibe un premio por dar solo la única respuesta correcta. Si intenta listar cinco capitales diferentes, no recibe premio (o recibe una penalización).

Crucialmente, no necesitaron enseñar al robot cuáles eran las "interpretaciones". Solo necesitaban la lista de respuestas correctas. El robot descubrió el resto por sí mismo al intentar maximizar sus premios. Aprendió a decir: "Hmm, esta pregunta podría significar A, B o C. Enumeraré los tres para estar seguro", o "Esta pregunta es simple. Solo daré la respuesta única".

Los Resultados: Un Ganador Claro

El equipo probó este nuevo método en dos tipos diferentes de tareas:

Preguntas y Respuestas Conversacionales: Responder preguntas basadas en una historia o conversación.
Text-to-SQL: Convertir preguntas en inglés en código de computadora (SQL) para consultar una base de datos.

Compararon su método (IntentRL) contra:

Pedirle al robot que adivine (Prompting).
Enseñar al robot mediante ejemplos (Ajuste Fino Supervisado).
El método de la "Pregunta de Aclaración" (preguntar al usuario).
Modelos de código cerrado superinteligentes (como GPT-5.4 y Gemini 2.5 Pro).

Los hallazgos fueron sorprendentes:

Mejor Cobertura: IntentRL encontró la respuesta correcta en el 74.1% de los casos ambiguos (Cobertura Total), mientras que los mejores modelos de código cerrado solo lograron alrededor del 16%. Incluso los modelos de "Pensamiento" (que dedican mucho tiempo a razonar) no hicieron mucho mejor que los modelos estándar.
Sin "Sobrepensar": Los investigadores descubrieron que simplemente hacer que el robot "piense" más tiempo no ayudaba a encontrar más respuestas. El robot a menudo se quedaba atrapado en la misma idea errónea. IntentRL, sin embargo, aprendió a explorar diferentes caminos de manera sistemática.
Generalización: Cuando probaron el robot en un tipo de base de datos completamente nuevo que nunca había visto, IntentRL siguió funcionando bien. Los otros métodos (como el entrenamiento estándar) fallaron porque solo memorizaron los patrones de la base de datos anterior. Esto sugiere que IntentRL aprendió una habilidad general de "pensar en lo que el usuario quiere decir", en lugar de solo memorizar respuestas.
Aprobación Humana: Cuando los humanos revisaron las respuestas del robot, estuvieron de acuerdo en que las interpretaciones tenían sentido el 90% de las veces. El robot no estaba inventando listas aleatorias; de hecho, estaba explicando su lógica.

Qué Significa para el Futuro

El artículo sugiere que la clave para manejar la ambigüedad no es solo hacer al robot más grande o más inteligente, o pedirle que "piense más duro". Se trata de enseñarle a razonar sobre la intención. Al obligar al modelo a generar una lista estructurada de posibilidades, obtenemos un sistema que es más honesto sobre lo que sabe y lo que no sabe.

Los autores señalan que, aunque su método es excelente, no es perfecto. A veces, el robot enumera demasiadas opciones (hasta 5) y, para preguntas extremadamente vagas, un humano aún podría tener que intervenir. También no probaron si los humanos prefieren este estilo de menú sobre una conversación simple, aunque sospechan que sería muy útil para tareas técnicas como la escritura de código.

En resumen, este artículo demuestra que, al enseñar a la IA a decir: "Aquí están todas las formas en que podría entender tu pregunta, y aquí están las respuestas para cada una", podemos construir robots que tengan menos probabilidades de malinterpretarnos, menos probabilidades de perder el tiempo y que sean más útiles a largo plazo. Es un cambio de "adivinar y esperar" a "listar y aclarar", en un solo paso eficiente.

Resumen Técnico: Razonamiento sobre la Intención para Solicitudes Ambiguas

Declaración del Problema

Los Modelos de Lenguaje de Gran Escala (LLM) se encuentran frecuentemente con solicitudes de usuario ambiguas donde existen múltiples interpretaciones plausibles. Los modelos actuales suelen responder comprometiéndose implícitamente con una única interpretación, lo que puede frustrar a los usuarios, oscurecer el razonamiento del modelo y crear riesgos de seguridad si la interpretación elegida es incorrecta. Además, los modelos de razonamiento pueden desperdiciar recursos computacionales al gastar tokens en interpretaciones erróneas.

Las estrategias existentes para manejar la ambigüedad presentan distintos compromisos (trade-offs):

Preguntas de Clarificación: Requieren rondas de interacción adicionales, aumentando la latencia y el esfuerzo del usuario.
Respuestas de Formato Largo: Cubren múltiples interpretaciones en una sola respuesta verbosa pero carecen de una estructura explícita, lo que las hace difíciles de procesar para aplicaciones de flujo descendente (por ejemplo, sistemas agénticos) y potencialmente abrumadoras para los usuarios.
Muestreo en Paralelo: A menudo no logra producir salidas sustancialmente diferentes debido a los sesgos del modelo hacia completaciones específicas.

El desafío central es enseñar a los modelos a reconocer la ambigüedad, enumerar interpretaciones válidas y proporcionar las respuestas correspondientes sin requerir etiquetas de interpretación explícitas o preguntas de clarificación durante el entrenamiento.

Metodología

Los autores proponen IntentRL, un enfoque de aprendizaje por refuerzo que entrena a los modelos para generar una única respuesta estructurada que contenga múltiples pares de interpretación-respuesta.

1. Formato de Salida

En lugar de una única respuesta o un diálogo de clarificación, el modelo genera una secuencia de pares $\{(i_1, a_1), \dots, (i_m, a_m)\}$ , donde:

$i_k$ es una interpretación explícita que disambigua la entrada (por ejemplo, "El otro estado se refiere al predecesor de Bohemia").
$a_k$ es la respuesta correspondiente para esa interpretación específica.
El modelo genera hasta cinco pares secuencialmente. Debido a la naturaleza autorregresiva de los LLM, las interpretaciones subsiguientes están condicionadas por las anteriores, fomentando la diversidad y la alineación semántica.

2. Marco de Entrenamiento

El método utiliza DAPO (Decoupled Clip and Dynamic Sampling Policy Optimization), una extensión de GRPO (Group Relative Policy Optimization).

Supervisión: El enfoque requiere únicamente respuestas de oro (gold answers) como supervisión. No requiere interpretaciones de oro, preguntas de clarificación ni trazas de razonamiento explícitas. Las entradas ambiguas se identifican por la presencia de múltiples respuestas válidas ( $|A| > 1$ ) en el conjunto de datos.
Objetivo de Recompensa Dual:
- Para Entradas Ambiguas ( $|A| > 1$ ): La recompensa se basa en la Recuperación (Recall). El modelo se optimiza para maximizar la cobertura de las distintas interpretaciones válidas encontradas en el conjunto de oro.
- Para Entradas No Ambiguas ( $|A| = 1$ ): La recompensa se basa en la Precisión (Precision). Se penaliza al modelo por generar alternativas espurias, incentivándolo a reconocer cuándo una sola intención es suficiente.
Mecanismo de Emparejamiento: Para calcular las recompensas, las respuestas predichas se cotejan con las respuestas de oro utilizando el algoritmo húngaro para encontrar el mapeo óptimo uno a uno basado en una puntuación de similitud (coincidencia exacta para la ejecución de SQL, solapamiento de palabras F1 para QA).

3. Equilibrio de Datos

Los conjuntos de datos suelen contener muchos más ejemplos no ambiguos que ambiguos. Los autores emplean una relación de sobremuestreo de 3:1 para ejemplos ambiguos durante el entrenamiento. Esto asegura que el modelo reciba suficientes señales de aprendizaje para manejar la ambigüedad, mientras utiliza los ejemplos no ambiguos como regularización para evitar la sobregeneración.

Principales Contribuciones

Resolución de Ambigüedad Estructurada: El artículo introduce un método de generación de un solo paso que produce pares de interpretación-respuesta estructurados, ofreciendo un equilibrio entre la interactividad de las preguntas de clarificación y la eficiencia de las respuestas directas.
Entrenamiento con Supervisión Dispersa: El método demuestra que los modelos pueden aprender a razonar sobre la intención del usuario y enumerar interpretaciones utilizando solo anotaciones de respuestas, eliminando la necesidad de costosas etiquetas de interpretación o datos de diálogo de clarificación.
Aprendizaje por Refuerzo de Objetivo Dual: La introducción de un objetivo de recompensa dual (recuperación para lo ambiguo, precisión para lo no ambiguo) enseña eficazmente al modelo a cambiar dinámicamente entre enumerar opciones y comprometerse con una sola respuesta.
Validación Empírica: El enfoque se valida en dos tareas distintas: Preguntas y Respuestas Conversacionales (Abg-CoQA) y el Análisis de Texto-a-SQL (Ambrosia, AmbiQT).

Resultados

Rendimiento en Ambig-CoQA (Conversational QA)

IntentRL logró un 78.1% de recuperación (recall) y un 61.0% de cobertura total en preguntas ambiguas, superando significativamente a las líneas base como IntentPrompt (62.3% de recall) y SFT (Supervised Fine-Tuning) (48.1% de recall).
Los modelos SFT tendieron a sobreajustarse a casos no ambiguos, fallando al generar múltiples interpretaciones incluso cuando era necesario.
IntentRL mantuvo un alto rendimiento en preguntas no ambiguas (90.9% de recall), demostrando que no genera opciones de forma ciega.

Rendimiento en Ambrosia (Text-to-SQL)

IntentRL logró un 82.4% de recuperación (recall) y un 74.1% de cobertura total en consultas SQL ambiguas, superando al método de dos etapas de última generación DisambigParse (59.7% de recall, 30.5% de cobertura total).
Notablemente, IntentRL logró esto con un proceso de entrenamiento de una sola etapa, mientras que DisambigParse requiere interpretaciones de oro para el entrenamiento.

Generalización y Evaluación Humana

Generalización Fuera de Dominio: Al ser entrenado en Ambrosia y probado en el benchmark fuera de dominio AmbiQT, IntentRL logró un 49.1% de cobertura total, mientras que SFT colapsó a un 9.1%. Esto sugiere que IntentRL aprende habilidades de razonamiento general sobre la ambigüedad en lugar de patrones específicos del conjunto de datos.
Evaluación Humana: Los anotadores confirmaron que el 90.0% (Abg-CoQA) y el 91.7% (Ambrosia) de las interpretaciones predichas estaban alineadas con sus respuestas correspondientes, validando que las interpretaciones generadas explican meaningfulmente las respuestas.
Comparación con SOTA: IntentRL superó al método de aclaración de múltiples turnos ACT (83.0% de similitud frente a 75.1%) y superó significativamente a los modelos de frontera de código cerrado (GPT-5.4, Gemini 2.5 Pro) en cobertura total en Ambrosia (74.1% frente a ~16%).

Significado y Reivindicaciones

El artículo afirma que IntentRL promueve la transparencia al hacer las interpretaciones explícitas, permitiendo así que los usuarios identifiquen rápidamente su significado pretendido sin rondas de interacción adicionales. El formato de salida estructurado soporta aplicaciones de flujo descendiente, particularmente en sistemas agénticos donde la ramificación a través de las interpretaciones es beneficiosa.

Crucialmente, los autores argumentan que las mejoras de rendimiento provienen de aprender a razonar sobre la intención del usuario en lugar de simplemente adoptar un formato de salida específico. Los experimentos muestran que el muestreo en paralelo y las estrategias de prompting alternativas no logran recuperar la diversidad de interpretaciones que IntentRL alcanza mediante un entrenamiento dirigido.

El trabajo aboga por un cambio en el manejo de la ambigüedad: en lugar de comprometerse silenciosamente con una única interpretación (potencialmente errónea) o participar en costosos bucles de clarificación, los modelos deben ser entrenados para enumerar interpretaciones plausibles cuando sea necesario. Este enfoque se presenta como un paso hacia LLM más robustos y alineados con el usuario que aceptan la ambigüedad en lugar de ocultarla, particularmente en aplicaciones críticas de seguridad donde la sobregeneración de interpretaciones plausibles es preferible al fallo silencioso.

Los autores reconocen limitaciones, incluyendo el límite fijo de cinco interpretaciones y la necesidad de modelos de base (backbone) fuertes, pero enfatizan que el método generaliza bien a través de dominios y familias de modelos sin requerir canales de anotación complejos.