El mundo de la inteligencia artificial se encuentra en constante evolución, y los Modelos de Lenguaje a Gran Escala (LLM por sus siglas en inglés) lideran el cambio en el procesamiento del lenguaje natural. En este contexto, surge BELL, una técnica de evaluación estandarizada que se centra en fiscalizar la explicabilidad de estos modelos, clave para incrementar la confianza, rendimiento y ética de sus aplicaciones.

Con el progreso rápido de los LLMs, se han adoptado para tareas que van desde la traducción hasta la redacción de artículos, y se manifiestan en campos tan diversos como el desarrollo de software y la educación. Sin embargo, la falta de claridad sobre cómo llegan a sus respuestas ha suscitado discusiones sobre su credibilidad. Es aquí donde entra BELL, diseñado para evaluar su transparencia e interpretabilidad a través de técnicas pensadas para estimular procesos de razonamiento.

Entre las estrategias aplicadas están la Cadena de Pensamientos (CoT), el Hilo de Pensamientos (ThoT) y el Gráfico de Pensamientos (GoT), entre otros. Todas estas técnicas se someten a evaluación utilizando el conjunto de datos Open-Orca, midiendo la calidad de las explicaciones bajo métricas como la coherencia y la similitud coseno.

El estudio resalta la efectividad del modelo GPT-4, que ha mostrado un desempeño superior en tareas de razonamiento comparado con modelos más pequeños, como Llama-3.2 1B. Las puntuaciones de coherencia y otros parámetros como la verificación (CoVe) refuerzan su dominio. Por otro lado, modelos más pequeños experimentaron dificultades, especialmente en el control de “alucinaciones”, donde se generan respuestas que parecen correctas pero no lo son.

La investigación concluye que aunque los modelos de menor tamaño aún presentan limitaciones, el camino está trazado para futuras mejoras que permitan un acceso más generalizado a explicaciones claras y justificables. Esto es fundamental para un uso ético y efectivo de la inteligencia artificial en cada rincón del ámbito profesional.