Un equipo conjunto formado por el Instituto Coreano de Ciencia y Tecnología (KAIST), el Instituto Mila de Aprendizaje Algorítmico de Montreal y la Universidad de Nueva York —incluyendo a los ganadores del Premio Turing Yoshua Bengio y Sungjin Ahn— publicó el 19 de mayo en arXiv un artículo en el que presentan los Modelos Generativos de Razonamiento Recursivo (GRAM, Generative Recursive reAsoning Models). Los modelos de razonamiento recursivo existentes, como HRM, TRM y los Transformers recurrentes, son modelos deterministas: ante la misma entrada, generan siempre el mismo camino de razonamiento, lo que reduce todo el espacio de soluciones válidas a un único punto de atracción. GRAM transforma el propio proceso recursivo en trayectorias aleatorias dentro de un espacio latente, optimizadas mediante inferencia variacional amortizada; esto permite al modelo muestrear múltiples caminos hipotéticos de forma paralela para una misma entrada, ampliando así la escalabilidad computacional durante el razonamiento desde la ‘profundidad’ hasta la ‘amplitud’. Lo más destacado es que este marco también admite tanto el razonamiento condicional (p(y|x)) como funciona de manera natural como modelo generativo no condicionado (p(x)), permitiendo muestrear independientemente la distribución de problemas de razonamiento.
Con tan solo 10 millones de parámetros, GRAM supera claramente a modelos de tamaño similar en diversas pruebas exigentes: alcanza un 97,0 % de precisión en Sudoku-Extreme (frente al 87,4 % de TRM en el mismo escenario), supera el 90 % de cobertura en el problema de las N Reinas, obtiene 52,0 puntos en ARC-AGI-1 y 11,1 puntos en ARC-AGI-2, resultados que resultan competitivos incluso frente a modelos lingüísticos mucho más grandes. Según se indica en el artículo, este trabajo se presentó previamente en marzo de 2026 en forma de póster en el Taller RSI sobre Razonamiento Recursivo y Estructurado de la conferencia ICLR 2026; la versión completa ahora publicada en arXiv es una actualización integral. Paralelamente, esta semana se lanzó también HRM-Text, un modelo preentrenado con 1 mil millón de parámetros basado en la misma arquitectura recursiva; ambos trabajos aportan evidencia empírica clave para el desarrollo dual de la investigación sobre razonamiento recursivo, tanto en escenarios de razonamiento discreto con pocos parámetros como en el ámbito de los modelos lingüísticos de gran escala.