LATIDIA · Investigación

¿Cuándo un resultado de escalado justifica una asignación diferente? Una revisión crítica de la evidencia de asignación de recursos para los sistemas de IA

arXiv:2609.14500v1 Tipo de anuncio: nuevo Resumen: los estudios de escalado de IA evalúan cada vez más los sistemas que combinan un modelo preentrenado con recuperación, búsqueda, verificación, herramientas e interacción. Sin embargo, una puntuación más alta bajo una la

La noticia

arXiv:2609.14500v1 Announce Type: new Abstract: AI scaling studies increasingly evaluate systems that combine a pretrained model with retrieval, search, verification, tools, and interaction. Yet a higher score under a larger budget does not by itself show where additional resources are best spent. This critical integrative review asks when a reported scaling result supports a resource-allocation decision. It compares evidence across pretraining, test-time computation, retrieval, and agent evaluation, distinguishing the performance of a tested procedure from the best performance achievable under a resource limit. The synthesis shows that three mismatches recur across this evidence: success counted before an answer is chosen, information a deployed system will not have, and costs left