En esta sesión, avanzamos más allá de la invocación básica para comprender el motor matemático del razonamiento. Exploramos cómo Pensamiento en Cadena (CoT) transforma los modelos de lenguaje grandes de simples tablas de búsqueda en motores de razonamiento secuencial, aprovechando la ventana de contexto del transformador como una memoria de trabajo externa.
1. De la asignación directa a la probabilidad secuencial
En la invocación estándar, el modelo calcula la probabilidad de una respuesta basándose únicamente en la pregunta—$P(Respuesta | Pregunta)$. Para lógica compleja, este único "salto" suele ser demasiado grande. El Pensamiento en Cadena lo descompone en una secuencia: $P(y | x, z_1, z_2, \dots, z_n)$, donde cada $z$ es un paso intermedio de razonamiento que restringe al modelo hacia una conclusión más precisa.
2. Transparencia lógica y cómputo
El CoT es esencialmente un método de "desacelerar" el modelo. Al obligar a generar tokens intermedios, obligamos al modelo a asignar más ciclos computacionales a un problema. Esto crea una "huella verificable", convirtiendo el procesamiento interno del modelo en una ruta visible que puede auditarse, corregirse y estructurarse.
You must define a specific structure in the prompt, such as "Identify Constants -> Define Variables -> Perform Operations -> State Result," which forces the model to externalize each dependency before the final prediction.