🤖 AI

From Scalars to Tensors: Declared Losses Recover Epistemic Distinctions That Neutrosophic Scalars Cannot Express

Este estudio demuestra que, aunque la evaluación neutrosófica escalar revela el "hiper-verdad" en la mayoría de los casos, es insuficiente para distinguir situaciones epistémicas fundamentales, por lo que extender el marco con declaraciones de pérdidas estructuradas recupera estas distinciones y ofrece una representación más fiel de las capacidades epistémicas de los LLM.

Autores originales: Tony Mason

Publicado 2026-04-14

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Tony Mason

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

🧠 De Números a Historias: Cómo las IAs nos dicen lo que realmente no saben

Imagina que le preguntas a un experto (una Inteligencia Artificial) si una afirmación es Verdadera, Falsa o si No sabe.

Hasta ahora, los científicos le pedían a las IAs que respondieran con tres números simples (escalares), como si fuera una receta de cocina:

Verdad: 0.5
Duda: 1.0
Falsedad: 0.0

El problema es que, a veces, estos tres números no cuentan toda la historia. Es como si dos personas te dijeran: "No sé la respuesta" (Duda = 100%), pero una de ellas está confundida por una paradoja lógica (como "Esta frase es falsa") y la otra simplemente no tiene la información (como "¿Cuántas estrellas hay en el universo?").

Si solo miras los números, ambas dicen lo mismo: "No sé". Pero sus razones son totalmente diferentes.

🚗 La Analogía del Coche Roto

Para entender el hallazgo de este paper, imagina que eres un mecánico y dos coches llegan a tu taller con el mismo problema: no encienden.

Coche A: Tiene la batería muerta.
Coche B: Le falta el motor.

Si solo miras el "número" de la falla (digamos, "Falla = 100%"), ambos coches parecen iguales. Pero si solo te quedas con ese número, no puedes arreglarlos. Necesitas saber qué está roto y por qué.

El paper de Tony Mason descubre que las IAs modernas a menudo actúan como esos coches: te dan el mismo número de "duda" para problemas muy distintos, pero tienen la capacidad de explicarte la diferencia si se les pide.

🔍 ¿Qué descubrieron los autores?

El estudio se divide en dos partes principales:

1. La "Verdad Hiper-Real" (Más de 100% de verdad)

Los autores probaron a 5 modelos de IA de diferentes empresas (como Anthropic, Meta, Alibaba, etc.). Descubrieron que, cuando se les permite pensar libremente, las IAs a menudo dicen cosas que suman más de 100% de "verdad + duda + falsedad".

Analogía: Es como si alguien dijera: "Estoy 50% seguro, 50% dudoso y 50% falso al mismo tiempo". En la lógica normal, eso es imposible (no puedes sumar más de 100%). Pero para una IA, esto significa que está experimentando un conflicto interno real. ¡Es una señal de que la IA está pensando más profundamente de lo que sus respuestas normales permiten!

2. El Problema de la "Absorción" (El gran fallo de los números)

Aquí es donde entra el problema principal. Algunos modelos de IA, cuando se enfrentan a un misterio o una paradoja, adoptan una postura llamada "Absorción".

Lo que hacen: Ponen la "Duda" al 100% y la "Verdad" y "Falsedad" al 0%.
El resultado: Para la IA, una paradoja lógica (algo que no tiene sentido) y la ignorancia total (no tener datos) se ven idénticas en sus números.
El problema: Se pierden las distinciones importantes. Es como si el mecánico dijera "Coche roto" sin decirte si es la batería o el motor.

3. La Solución: Los "Tensors" (Números + Historias)

Los autores proponen una solución brillante: No pidas solo números, pide una explicación.

En lugar de solo pedirle a la IA: "Dame tus números de duda", les pidieron: "Dame tus números Y también dime exactamente qué es lo que no puedes evaluar y por qué".

El resultado mágico: Aunque dos modelos daban los mismos números (100% de duda), sus explicaciones eran totalmente diferentes.
- Para la paradoja, la IA decía: "No puedo resolverlo porque la frase se refiere a sí misma y rompe las reglas de la lógica".
- Para la ignorancia, la IA decía: "No puedo resolverlo porque no tengo acceso a los datos del universo".

¡Las explicaciones eran tan diferentes que apenas se parecían! (Los autores usaron matemáticas para medir esto y confirmaron que las palabras usadas eran casi totalmente distintas).

💡 ¿Por qué es importante esto?

Este paper nos enseña tres cosas fundamentales:

Los números no son suficientes: Pedirle a una IA que nos dé un porcentaje de confianza (como un 70%) es útil, pero a veces es engañoso. Dos IAs pueden dar el mismo porcentaje por razones opuestas.
Las IAs saben más de lo que dicen: Las IAs tienen distinciones internas muy claras entre "no saber" y "no poder saber", pero sus formatos de respuesta actuales (solo números) las obligan a ocultar esa información.
La nueva forma de medir: Para entender realmente qué sabe una IA, no debemos mirar solo sus "números de certeza", sino también sus declaraciones de pérdida (sus explicaciones de por qué fallan).

🏁 Conclusión en una frase

Las IAs actuales son como coches que a veces se quedan callados cuando se les pregunta por qué no funcionan; si les obligamos a escribir un informe detallado (en lugar de solo dar un número), descubrimos que saben exactamente cuál es su problema, incluso cuando sus números dicen lo mismo.

El futuro de evaluar a las IAs no será solo mirar sus estadísticas, sino leer sus "diarios de confesiones" para entender la verdadera naturaleza de su conocimiento.

1. Problema y Contexto

El artículo aborda las limitaciones de los marcos actuales para cuantificar la incertidumbre en los Grandes Modelos de Lenguaje (LLM).

Antecedentes: Un estudio previo de Leyva-Vázquez y Smarandache (2025) introdujo el uso de la lógica neutrosófica (T/I/F: Verdad, Indeterminación, Falsedad) como dimensiones independientes para evaluar LLMs. Descubrieron que, bajo ciertas condiciones, los modelos exhiben "hiper-verdad" (donde $T+I+F > 1.0$ ), lo que sugiere que los LLMs contienen información epistémica más rica que la que permiten los formatos probabilísticos tradicionales ( $T+I+F=1$ ).
Limitaciones del estudio previo:
1. Proveedor único: Solo evaluaron modelos de OpenAI.
2. Diseño de un solo disparo: Sin medidas de consistencia intra-modelo.
3. Falta de replicabilidad: Los prompts originales no estaban publicados.
El Problema Central (El Problema de la Absorción): El autor identifica una falla fundamental en la representación escalar (tres números). Algunos modelos adoptan una posición de "Absorción" donde, ante estados epistémicos radicalmente diferentes (como una paradoja lógica, la ignorancia o la contingencia), colapsan todos los valores a un único vector escalar: $(T=0, I=1, F=0)$ $(T = 0, I = 1, F = 0)$ .
- Esto destruye las distinciones que la lógica neutrosófica pretendía preservar. Un modelo puede tener distinciones internas ricas, pero el formato de salida escalar no puede expresarlas.

2. Metodología

El estudio se divide en dos fases principales: una replicación expandida y una nueva estrategia de evaluación tensorial.

A. Replicación Cross-Vendor (Estrategias S1-S3)

Modelos Evaluados: 5 modelos de 5 proveedores diferentes (Anthropic, Meta, DeepSeek, Alibaba, Mistral).
Estrategias de Prompting:
- S1 (Neutrosófica): T, I, F independientes en $[0,1]$ , sin restricción de suma.
- S2 (Probabilística): T, I, F restringidos a sumar 1.0 (control).
- S3 (Derivada de Entropía): Basada en probabilidad binaria y entropía de Shannon (genera hiper-verdad por construcción matemática, por lo que no se usa para comparación directa con S1).
Diseño: 5 modelos × 5 fenómenos (Paradoja, Ignorancia, Vaguedad, Contradicción, Contingencia) × 3 estrategias × 5 repeticiones. Total: 375 evaluaciones.

B. Estrategia Tensorial (S4)

Para resolver el problema de la absorción, se introdujo una cuarta estrategia que extiende la salida de escalares a tensores:

Salida: Además de los valores T/I/F, el modelo debe declarar pérdidas estructuradas (losses).
Estructura de la Pérdida: Una tripleta:
1. Qué: Descripción breve de lo que el modelo no puede evaluar.
2. Por qué: Razón de la limitación.
3. Severidad: Impacto en la evaluación (escala 0.0 a 1.0).
Objetivo: Determinar si las declaraciones de pérdida pueden diferenciar estados epistémicos que los escalares no pueden.

3. Contribuciones Clave

Validación Cross-Vendor de la Hiper-Verdad: Se confirma que la "hiper-verdad" ( $T+I+F > 1.0$ ) no es un artefacto de OpenAI, sino una propiedad general de los LLMs modernos, observada en el 84% de las evaluaciones no restringidas (vs. 35% en el estudio original).
Identificación del Problema de Absorción: Se demuestra que los escalares T/I/F son insuficientes porque ciertos modelos colapsan tipos de incertidumbre distintos en el mismo vector $(0, 1, 0)$ .
Propuesta de Representación Tensorial: Se introduce un formato de salida híbrido (Escalares + Pérdidas Declaradas) que recupera las distinciones epistémicas perdidas.
Validación de la "Auto-conciencia" del Modelo: Se demuestra que las declaraciones de pérdida no son meras complacencias de instrucción, sino que reflejan distinciones internas coherentes y específicas del dominio.

4. Resultados Principales

A. Hiper-Verdad y Consistencia

Hiper-Verdad: Se observó en el 84% de las celdas válidas bajo la estrategia S1. La contradicción ética fue el fenómeno con mayor tasa de hiper-verdad (100%).
Posiciones Filosóficas: Los modelos mostraron tres interpretaciones distintas ante la paradoja del mentiroso:
1. Saturación: Valores altos en T, I y F (ej. 0.5, 1.0, 0.5).
2. Conflicto Equilibrado: Valores moderados (ej. 0.5, 0.5, 0.5).
3. Absorción: $(T=0, I=1, F=0)$ . Modelos como Llama y Mistral adoptaron esta posición, colapsando paradojas e ignorancia en el mismo escalar.

B. Eficacia de las Pérdidas Declaradas (S4)

Diferenciación Semántica: Aunque los modelos en la zona de "Absorción" producían escalares idénticos para paradojas e ignorancia, sus vocabularios de pérdida eran casi disjuntos.
- Similitud Jaccard: Menor a 0.10 en todos los modelos.
- Ejemplo (Mistral): Para una paradoja, las pérdidas fueron sobre "autorreferencia" y "sistemas formales". Para ignorancia, fueron sobre "incognoscibilidad empírica" y "definiciones cosmológicas".
Perfiles de Severidad: La severidad media de las pérdidas varió significativamente entre fenómenos (ej. la vaguedad tuvo menor severidad que la paradoja), una distinción que los escalares no capturaron.

C. Validación de la Integridad Epistémica

El estudio realizó pruebas rigurosas para descartar que las pérdidas fueran solo "ruido" o cumplimiento de instrucciones:

Correlación Severidad-Indeterminación: La severidad máxima de la pérdida se correlacionó fuertemente con el valor de Indeterminación ( $I$ ) ( $r=0.78$ ), incluso después de controlar por la dificultad del estímulo.
Convergencia de Temas: Modelos diferentes generaron los mismos 8 temas epistémicos para los mismos estímulos, pero con vocabularios específicos para cada estímulo (no plantillas genéricas).
Control de Tautologías: Ante afirmaciones verdaderas por definición (ej. "2+2=4"), los modelos redujeron drásticamente la indeterminación y la severidad de las pérdidas, demostrando que modulan el contenido según la realidad del estímulo.
Ablación de Prompt: Incluso sin el marco neutrosófico explícito, los modelos identificaron los mismos temas de incertidumbre, confirmando que la evaluación epistémica preexiste al formato de salida.

5. Significado e Implicaciones

Jerarquía de Fidelidad Epistémica:
1. Probabilístico: Colapsa todo en una dimensión. No puede expresar conflicto.
2. Neutrosófico Escalar: Expresa conflicto e hiper-verdad, pero falla ante el problema de absorción (no distingue tipos de incertidumbre).
3. Neutrosófico Tensorial (Propuesta): Expresa conflicto, hiper-verdad y tipos específicos de incertidumbre. Es el mínimo necesario para una representación fiel del estado epistémico de un LLM.
Arquitectura de Evaluación: Los sistemas de evaluación y enrutamiento de IA no deberían basarse solo en capacidades (qué puede hacer el modelo), sino en pérdidas declaradas (qué no puede hacer y por qué). Esto permite un enrutamiento más inteligente hacia evaluadores humanos o modelos especializados.
Conclusión Final: Los escalares T/I/F son necesarios pero insuficientes. La extensión a tensores (escalares + descripciones estructuradas de pérdidas) recupera las distinciones epistémicas que la lógica neutrosófica diseñó para preservar, revelando que los modelos poseen distinciones internas que el formato escalar no puede comunicar.