🔬 Un equipo de Pathway presentó BDH-CQ, un modelo de IA basado en vectores que logró casi un 30 % en ARC-AGI-1 con 150 millones de parámetros. El paper, alojado en arXiv, afirma que su coste relativo por tokens fue cerca de 11 veces menor que el de GPT 5.6 Luna (Low), pese a una precisión algo inferior.
ARC-AGI-1 plantea acertijos de razonamiento no verbal, como completar series de figuras. BDH-CQ resolvió el equivalente a tres de cada diez problemas en dos intentos o menos. El estudio señala que GPT 5.6 Luna (Low) obtuvo una puntuación algo mayor, pero con un coste relativo por tokens cercano a once veces el de BDH-CQ.
Los autores sustituyen los historiales de texto por matrices numéricas que representan reglas y relaciones entre fragmentos de un problema. Su motor interno repite bucles para ajustar una respuesta; según el paper, aumentar esos bucles elevaría el tiempo de cálculo, pero no el uso proporcional de memoria ni de potencia. El enfoque se aleja de los transformadores, que generan texto token a token.
✅ Si se adopta a mayor escala, esta arquitectura podría reducir el coste de desplegar sistemas de IA para tareas complejas. Pero BDH-CQ quedó por debajo de otros modelos en ARC-AGI-1 y el resultado procede de un preprint del propio equipo. Pathway aún planea probar el sistema en ARC-AGI-2, ARC-AGI-3 y un modelo de lenguaje completo.
