Andamiaje de contexto en inferencia sobre modelos de lenguaje de caja negra: mitigación de la regresión a la media y la complacencia (sycophancy) sin modificación de pesos
Dani Collada
Collada, D. (2026). Andamiaje de contexto en inferencia sobre modelos de lenguaje de caja negra: mitigación de la regresión a la media y la complacencia (sycophancy) sin modificación de pesos. Zenodo. https://doi.org/10.5281/zenodo.20705077
Resumen
Documento de trabajo que describe el diseño y la puesta a prueba inicial de un andamiaje de contexto en tiempo de inferencia sobre un modelo de lenguaje de caja negra. El método busca mitigar tres fallos de producción de los sistemas autorregresivos —regresión estocástica a la media, saturación atencional (context bloat) y sesgo de complacencia heredado del RLHF (sycophancy)— operando exclusivamente en la capa de contexto (context scaffolding), sin modificación de pesos (zero fine-tuning) y sin recuperación externa.
El andamiaje se articula en tres componentes: un kernel de enrutamiento asimétrico que ajusta el esfuerzo de razonamiento al coste del error; un manifiesto de Vía Negativa que poda la distribución de salida por exclusión explícita; y un Ledger de inyección de estado continuo que persiste decisiones, axiomas y anti-patrones para contener la deriva de identidad.
Se documentan dos pruebas de comportamiento de carácter exploratorio (n=2), reproducibles bajo red teaming pero no concluyentes: no constituyen validación estadística ni evidencia agregada, sino ilustraciones de la intercepción del fallo en casos concretos. La generalización del efecto queda como hipótesis abierta, pendiente de un protocolo de medición cuantitativo.
Documento de trabajo, sin revisión por pares. No se reclama modificación de la arquitectura ni de la naturaleza probabilística del modelo: únicamente dirección fiable de su distribución de salida mediante contexto.
Documento de trabajo, no revisado por pares. Licencia CC BY 4.0.
ORCID del autor: 0009-0000-5026-6673