Resumen Técnico: Estrategias de Prompting Implícito vs. Explícito para LVLMs en Comunicación Referencial

Planteamiento del Problema

La literatura reciente presenta hallazgos contradictorios con respecto a la capacidad de los Modelos de Lenguaje-Visión de Gran Escala (LVLMs) para exhibir un comportamiento colaborativo similar al humano en tareas de comunicación referencial. Específicamente, dos estudios llegaron a conclusiones opuestas sobre si los agentes de IA pueden desarrollar "pactos conceptuales": expresiones de referencia compartidas y eficientes que emergen dinámicamente a través de la interacción.

• Zeng et al. (2026) encontró que los agentes de IA no lograron acortar las descripciones con el tiempo, persistiendo en una comunicación verbosa y mostrando una disminución en la precisión, lo que sugiere una falta de utilización del terreno común (common ground).
• Jones et al. (2026) encontró que los agentes de IA lograron acortar las expresiones de referencia y mejorar la precisión con el tiempo, imitando el entrenamiento léxico (lexical entrainment) humano.

Este artículo investiga si estos resultados divergentes derivan de diferencias en la arquitectura del modelo, el diseño de la tarea o las estrategias de prompting. Los autores hipotetizan que la discrepancia es impulsada principalmente por el estilo de prompting (implícito vs. explícito) más que por los modelos o las tareas en sí mismos.

Metodología

Los autores realizaron un experimento controlado utilizando un flujo de trabajo de código abierto basado en Zeng et al. (2026), adaptado para probar variables específicas.

Diseño Experimental

• Tarea: Una tarea de emparejamiento de objetos colaborativa de múltiples rondas y turnos que involucra 12 cestas (objetos no lexicalizados).
• Participantes: Pares de IA donde tanto el rol de "Director" (hablante) como el de "Matcher" (oyente) fueron desempeñados por la misma instancia del modelo.
• Modelos: Se probaron dos versiones: GPT-5.2 (utilizado en Zeng et al., 2026) y GPT-5.5 (el modelo más reciente al momento de la redacción).
• Condiciones: El estudio cruzó dos estrategias de prompting con dos versiones de modelos:
  1. Prompting Implícito: Replica a Zeng et al. (2026). Las instrucciones se basan en las máximas de Grice (ser conciso pero informativo) y en normas de fundamentación colaborativa. Al modelo no se le ordena explícitamente acortar las frases o reutilizar palabras; cualquier entrenamiento debe emerger espontáneamente.
  2. Prompting Explícito: Adapta a Jones et al. (2026). El Director es instruido explícitamente para reducir la longitud de la descripción, usar solo 1-2 palabras en rondas posteriores y establecer convenciones (por ejemplo, "SERIOUSLY–en rondas posteriores solo 1-2 palabras").

Refinamientos Técnicos

Para asegurar una comparación justa, los autores corrigieron el flujo de inyección de contexto visual utilizado en Zeng et al. (2026):

• Alineación Cronológica: Los historiales de chat pasados y las imágenes de retroalimentación visual se emparejan cronológicamente al inicio del contexto.
• Inyección Dinámica: La cuadrícula de la imagen de la ronda actual se inyecta dinámicamente utilizando marcadores de frontera de ronda explícitos, asegurando que el LVLM vea el marco visual más reciente inmediatamente antes de su acción.
• Entrada Visual Unificada: El estado activo del Matcher (secuencia de 12 ranuras) y el grupo de candidatos (18 cestas) se renderizan en una única imagen compuesta con recordatorios de texto estructurados, fundamentando todo el seguimiento espacial en una única representación visual temporalmente alineada.

Resultados Clave

El estudio evaluó 40 ejecuciones completas de IA-IA (200 observaciones a nivel de ronda), midiendo la precisión de la tarea, la longitud del diálogo, el recuento de turnos, la longitud de la expresión de referencia (RE) y la superposición léxica.

1. Precisión de la Tarea: Todas las condiciones lograron una alta precisión en la tarea, indicando que ambos estilos de prompting permiten a los modelos completar la tarea central.
2. Eficiencia Comunicativa (Prompt Implícito): Bajo el prompting implícito, los modelos permanecieron verbosos.
   • GPT-5.2 promedió 1,250.7 palabras/ronda; GPT-5.5 promedió 710.4 palabras/ronda.
   • Las reducciones a través de las rondas fueron modestas. Los modelos reutilizaron descripciones visuales pero no trataron espontáneamente el historial acumulado como una licencia para ser breves.
3. Eficiencia Comunicativa (Prompt Explícito): Bajo el prompting explícito, los modelos comprimieron drásticamente la redacción.
   • GPT-5.2 redujo la longitud en un 62.8%; GPT-5.5 redujo la longitud en un 75.6% en comparación con sus contrapartes implícitas.
   • GPT-5.5 (Explícito): Mostró el comportamiento de "pacto conceptual" más fuerte. La longitud de la RE cayó de 58.8 palabras (Ronda 1) a 32.7 palabras (Ronda 5). La superposición léxica alcanzó 1.00 y la precisión se mantuvo alta (97.5%).
   • GPT-5.2 (Explícito): También acortó las descripciones, pero la precisión cayó al 92.5% en la Ronda 5, sugiriendo un compromiso entre precisión y brevedad (accuracy-brevity trade-off).
4. Análisis de Transcripción: El prompting explícito cambió la forma de la interacción. Los modelos introdujeron etiquetas compactas y discriminativas (por ejemplo, "rect picnic", "tall cylinder") y las podaron en descripciones telegráficas estables. En contraste, los modelos de prompting implícito mantuvieron subtítulos descriptivos completos y rutinas de confirmación a pesar de reutilizar cierto material léxico.

Contribuciones Clave

• Reconciliación de Hallazgos Conflictivos: El artículo demuestra que la divergencia entre Zeng et al. (2026) y Jones et al. (2026) es atribuible al estilo de prompting, no a la versión del modelo o la dificultad de la tarea.
• Demostración de la Dependencia del Prompt: Los LVLMs pueden producir expresiones de referencia cortas y estables cuando se les fuerza explícitamente a hacerlo, pero fallan en inferir la necesidad de eficiencia comunicativa a partir de principios pragmáticos implícitos.
• Distinción entre Forma y Proceso: El estudio destaca que, si bien los LVLMs pueden reproducir el patrón superficial del entrenamiento léxico humano (acortar expresiones), este comportamiento no emerge de los mismos mecanismos de "terreno común" observados en el diálogo humano.

Significado y Reivindicaciones

El artículo argumenta que el entrenamiento no es simplemente compresión. En el diálogo humano, las expresiones acortadas son evidencia de una perspectiva coordinada y un pacto conceptual compartido. Los actuales LVLMs pueden ser guiados para imitar esta forma externa mediante un prompting intensivo, pero el efecto es enteramente dependiente del prompt.

Los autores advierten contra la atribución de este comportamiento a los mismos procesos cognitivos subyacentes que los humanos. Los hallazgos sugieren que, sin la instrucción explícita de comprimir, los LVLMs no desarrollan naturalmente la eficiencia colaborativa vista en los compañeros humanos. Esto implica que los modelos actuales pueden carecer de la capacidad intrínseca de actualizar dinámicamente las perspectivas compartidas para reducir el esfuerzo comunicativo, dependiendo en su lugar de restricciones explícitas para simular dicho comportamiento.

Limitaciones

Los autores señalan varias restricciones:

• El estudio se realizó únicamente en inglés y con objetos no lexicalizados (cestas).
• Utilizó solo dos versiones específicas de LVLM (GPT-5.2/5.5).
• El experimento comparó pares del mismo modelo, lo que puede alinearse más fácilmente que los pares de diferentes modelos o humanos.
• El estudio no evalúa escenarios donde las perspectivas iniciales están desalineadas, requiriendo que los modelos produzcan eficiencia pragmática basada en la retroalimentación del compañero en lugar de instrucciones explícitas.