🔬 Un equipo de Multiverse Computing probó un modelo híbrido que combina Llama 3.1 8B con bloques cuánticos ejecutados en IBM Quantum System Two. En un preprint del 7 de mayo, el sistema redujo la perplejidad 1,4 % y contestó bien preguntas que el modelo base falló.
La perplejidad, o PPL, mide qué tan bien un sistema predice la siguiente palabra. Un PPL bajo indica mejores predicciones; uno alto se asocia con salidas más erráticas. Los modelos grandes suelen bajar ese valor con más datos, ajuste fino o más parámetros, lo que exige más memoria e infraestructura.
El equipo insertó adaptadores unitarios de Cayley en una capa del modelo. Los parámetros originales quedaron congelados; los nuevos se entrenaron en un computador clásico y luego el sistema híbrido corrió en una unidad cuántica superconductora de 156 cúbits de IBM. Con solo 6 000 parámetros añadidos, un aumento de 0,000075 %, Llama 3.1 8B bajó su perplejidad 1,4 %.
En las pruebas citadas, el modelo base falló una pregunta de astronomía sobre anillos en planetas jovianos y otra de biología sobre flujo génico. La versión con CUA respondió ambas de forma correcta. Borja Aizpurua, primer autor del estudio, lo describe como una prueba de concepto para seguir desarrollando IA híbrida cuántica-clásica.
✅ El resultado sugiere que los circuitos cuánticos podrían mejorar modelos ya desplegados sin multiplicar sus parámetros. El límite es claro: es un preprint pendiente de revisión por pares, el avance en perplejidad es pequeño y el propio equipo señala que el ruido cuántico sigue siendo el obstáculo principal.
Fuente: livescience.com
