Un nuevo paradigma en la inteligencia artificial propone el 'pensamiento cero o T', un sistema donde un modelo de IA decide si responder desde el pensamiento implícito de un solo paso hacia adelante (sin coste en tokens) o realizar un razonamiento autoregresivo completo con un coste fijo de T tokens. Esta decisión se gestiona mediante un 'bloque de autoenrutamiento' ligero que estima el valor del pensamiento, es decir, la utilidad que añade el modo lento sobre el rápido, basándose en la salida ya generada. El bloque activa el modo lento solo cuando este valor supera un precio λ establecido por solicitud.
Para entrenar este mecanismo en tareas agénticas episódicas donde no existen etiquetas de decisión individuales, los autores introdujeron la 'Optimización de Política de Decisión Calibrada' (CDPO), un método de aprendizaje por refuerzo que entrena el bloque desde las recompensas a nivel de episodio. La implementación se realiza en un 'modelo de decisión híbrdo' (HDM), donde un esqueleto congelado sirve para ambos modos y el bloque de autoenrutamiento elige entre ellos.
La evaluación del HDM en benchmarks como JevBench y MiniWoB demuestra su eficacia. En JevBench, el modelo HDM-4B alcanzó una puntuación de 0.857 frente a 0.851 de Jev, reduciendo el tiempo medio de respuesta de 0,652 a 0,179 segundos. En el entorno agéntico MiniWoB, el modelo HDM-27B redujo el coste de tokens en un 80,1%. Este enfoque permite mejorar la eficiencia y la calidad de las respuestas en tareas complejas sin sacrificar la capacidad de razonamiento explícito cuando es necesario.
