Google Research halla que el fallo factual de los LLM es de recuperación, no de conocimiento

Análisis Por qué importa

El hallazgo sugiere que mejorar la factualidad de los LLM ya no depende tanto de escalar tamaño o datos, sino de técnicas de post-entrenamiento e inferencia que ayuden a acceder al conocimiento ya almacenado. Esto redefine dónde deben invertir esfuerzos los equipos que buscan reducir alucinaciones en sistemas de IA empresariales.

Quién se ve afectado

Equipos de IA, desarrolladores de LLM y empresas que dependen de la precisión factual en aplicaciones de búsqueda, asistentes y RAG.

Qué puede cambiar

Las estrategias para reducir errores factuales podrían orientarse más hacia prompting, chain-of-thought y técnicas de recuperación en tiempo de inferencia que hacia el simple escalado de modelos.

Análisis generado a partir de la información disponible; no procede de la fuente.