Un equipo investigador internacional liderado por la URV ha analizado las capacidades de siete modelos de inteligencia artificial (IA) en la comprensi\u00f3n del lenguaje y las ha comparado con las de los humanos. Los resultados muestran que, a pesar de su \u00e9xito en algunas tareas espec\u00edficas, los modelos no alcanzan un nivel comparable al de las personas en pruebas sencillas de comprensi\u00f3n de textos. \u00abLa capacidad de los modelos para llevar a cabo tareas complejas no garantiza que sean competentes en tareas sencillas\u00bb avisan.<\/p>\n
Los modelos extensos de lenguaje (MEL) son redes neuronales dise\u00f1adas para generar textos de manera aut\u00f3noma a partir de un requerimiento del usuario. Est\u00e1n especializados en tareas como la generaci\u00f3n de respuestas a consultas generales, la traducci\u00f3n de textos, la resoluci\u00f3n de problemas o la s\u00edntesis de contenidos. Se afirma a menudo que estos modelos tienen capacidades similares a las humanas, en t\u00e9rminos de comprensi\u00f3n y razonamiento, pero los resultados de la investigaci\u00f3n liderada por Vittoria Dentella, investigadora del Grupo de Investigaci\u00f3n en Lengua y Ling\u00fc\u00edstica de la URV, evidencian sus limitaciones: \u00abLos MEL no comprenden realmente el lenguaje; simplemente aprovechan los patrones estad\u00edsticos presentes en sus datos de entrenamiento.\u00bb<\/p>\n