Resumen Técnico: Composición de Doce Tonos Guiada por Verificador

Planteamiento del Problema

Los Modelos de Lenguaje de Gran Escala (LLM) tienen dificultades para generar música de doce tonos (serial) válida. Aunque pueden producir partituras que parecen superficialmente legales, frecuentemente colapsan en "texturas degeneradas": salidas musicalmente vacías, tales como unos pocos acordes sostenidos, voces colapsadas o compases casi vacíos. Este comportamiento representa una forma de optimización de especificaciones (specification gaming): el modelo satisface la letra de la propiedad booleana local de la regla (p. ej., "no repetir clases de altura") mientras derrota el objetivo musical pretendido (realización serial coherente y no degenerada).

Los enfoques existentes para la generación con restricciones, como la decodificación restringida por gramática o el auto-refinamiento, a menudo fallan al no abordar la tensión específica en la composición de doce tonos: la legalidad es una propiedad booleana local y nítida, mientras que la calidad musical es global. Un modelo que optimiza estrictamente para la legalidad local a menudo sacrifica la coherencia global. Además, la autocorrección estándar depende de las propias afirmaciones del modelo en lugar de una verificación ejecutable, lo que la hace susceptible a los mismos modos de falla.

Metodología

Los autores proponen un arnés neuro-simbólico que envuelve a un proponente LLM en un bucle Generar–Verificar–Reparar–Trazar. Este sistema separa la planificación de alto nivel y las propuestas de notas (gestionadas por el LLM) de la comprobación de restricciones estrictas y la asignación de clases de altura (gestionada por una capa simbólica determinista).

Componentes Principales

1. Representación Simbólica: Las composiciones se representan como multiconjuntos de eventos temporizados con alturas MIDI, etiquetas de voz, etiquetas de forma de serie e índices de serie. El sistema opera sobre el grupo de transformaciones de doce tonos ($D_{12} \times C_2$, orden 48).
2. Restricciones Estrictas (Hard Constraints): El sistema impone un conjunto de predicados ($H$) que incluyen:
   • Consistencia de la Serie ($H_{row}$): Las clases de altura deben coincidir con la sección de la forma de la serie etiquetada.
   • No Repetición Prematura ($H_{agg}$): Ninguna clase de altura se repite dentro de un ciclo de serie antes de que el cursor avance.
   • No Colisión Vertical ($H_{\perp}$): Los eventos simultáneos en diferentes voces no deben compartir clases de altura.
   • Equivalencia de Octava ($H_{8}$): Las clases de altura trazadas deben coincidir con las alturas MIDI módulo 12.
   • Límites de Textura ($H_{tex}$): Restricciones sobre silencios globales e inversiones de registro.
3. La Escalera de Reparación ($\rho$): Cuando un evento candidato viola una restricción, un operador de reparación determinista intenta corregirlo sin alterar el contenido de la clase de altura (preservando la serie). La escalera escala de la siguiente manera:
   • Peldaños 1–3 (Deterministas): Ajuste de la temporización (recorte de colas, cedencia de notas superpuestas, re-temporización dentro de ventanas libres) para resolver colisiones verticales.
   • Peldaños 4–5 (Parches de LLM): Si los ajustes de temporización fallan, se invoca al LLM para editar el evento o reescribir el segmento de la serie.
   • Caída (Drop): Si todas las reparaciones fallan, el evento se descarta y la sección se marca para una replanificación.
4. Traza e Invariantes: El sistema mantiene un "invariante de paso sincronizado" donde el cursor de la serie del verificador nunca va por detrás del generador, incluso cuando se descartan eventos. Cada evento aceptado lleva un certificado de traza, lo que permite al sistema registrar qué posiciones de la serie sobrevivieron a la reparación y cuáles fueron descartadas.
5. Proceso vs. Auditoría: El sistema distingue entre diagnósticos de proceso (comprobación de violaciones acumuladas durante la generación) y una auditoría de liberación final (una comprobación independiente y separada del artefacto retenido). El sistema se abstiene explícitamente de liberar una partitura si la auditoría final falla, en lugar de intentar forzar una liberación.

Contribuciones Clave

1. Formalización de la Composición Serial: Los autores formalizan la composición de doce tonos como la generación de secuencias con restricciones sobre $\mathbb{Z}_{12}$, definiendo un lenguaje central de consistencia de eventos y separando los diagnósticos de proceso de las auditorías del artefacto final.
2. Arnés Generar–Verificar–Reparar: Introducen un arnés que utiliza un operador de reparación que preserva la serie y un invariante de paso sincronizado entre generador y verificador. Esto produce una proyección de serie local al evento y una selección de mejor intento monótona, evitando la pretensión de legalidad incondicional de toda la pieza.
3. Evaluación Empírica: El estudio evalúa seis modelos de lenguaje a través de 40 tareas controladas (variando longitud y textura), incluyendo prompts adversarios de "red-teaming" diseñados para inducir degeneración.

Resultados

A través de 40 tareas y cuatro pares de modelos, el arnés demuestra mejoras significativas respecto a la generación pura:

• Rendimiento de Entrega Auditada: Aumenta del 13.3% (generación pura) al 48.1% con el arnés. El arnés falla explícitamente en lugar de liberar partituras inválidas.
• Colisión y Consistencia: La tasa de paso para una comprobación más estrecha de colisión y consistencia de serialización aumenta del 33.5% al 58.3%.
• Degeneración: El puntaje de degeneración permanece cerca de 0.05 con el arnés, comparado con tasas más altas en la generación pura, incluso bajo prompts adversarios.
• Capacidad de Análisis (Parseability): El arnés logra un 100% de capacidad de análisis (480/480 ejecuciones), mientras que la generación pura produce candidatos analizables en solo el 85.4% de las ejecuciones.
• Evaluación de Expertos: Una evaluación ciega realizada por cinco expertos mostró una fuerte preferencia agregada por los candidatos del arnés sobre la generación pura en cuanto a adherencia (85%), legalidad percibida (85%), coherencia (82%) y calidad general (90%).
• Costo: El arnés es computacionalmente costoso, promediando 638 llamadas a LLM y 823k tokens por ejecución (aproximadamente 157 veces el conteo de tokens de la generación pura), lo que resalta un compromiso entre calidad y eficiencia.

Significancia y Reivindicaciones

El artículo afirma que el arnés ofrece un patrón robusto para la generación neuro-simbólica en dominios donde las proxies automáticas pueden satisfacerse sin producir resultados útiles. Al separar los diagnósticos de proceso de las auditorías del artefacto entregado, el sistema proporciona un registro inspeccionable del material retenido, reparado y descartado.

Los autores son modestos en sus afirmaciones, señalando que:

• El sistema no garantiza la legalidad de toda la pieza debido a la procedencia de cronogramas relajados (los replanes locales pueden no materializarse completamente en el plano maestro final).
• Las ganancias se observan dentro de los modelos y familias de prompts específicos evaluados; no se reclama una generalización más allá de estos.
• El alto costo computacional impide atribuir las ganancias únicamente al mecanismo de reparación sin estudios de ablación adicionales sobre el cómputo.
• La evaluación de expertos, aunque muestra una preferencia agregada, exhibió una baja concordancia entre evaluadores ($\kappa$ variando de -0.20 a 0.20), lo que sugiere que, si bien el arnés mejora las métricas objetivas, la calidad musical subjetiva sigue siendo un desafío complejo y multifacético.

Este trabajo posiciona la composición de doce tonos como un microcosmos limpio para estudiar la tensión entre la aplicación de reglas nítidas y la coherencia musical global, ofreciendo un modelo metodológico para otros generadores estructurados como el código o la planificación.