Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Chain-of-thought

El chain-of-thought (CoT, cadena de pensamiento) es un método de prompting en el que un modelo de lenguaje escribe pasos de razonamiento intermedios antes de su respuesta final, lo que suele mejorar los resultados en matemáticas, lógica y otros problemas de varios pasos.

También llamado: CoT, chain-of-thought prompting, Zero-shot-CoT

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

En lugar de pedir a un modelo la respuesta directamente, un prompt de chain-of-thought hace que resuelva el problema por pasos. Cada paso se convierte en texto sobre el que el modelo puede construir, igual que una persona que escribe un cálculo.

De dónde viene

El artículo de 2022 de Wei y sus colegas mostró que dar a un modelo unos pocos ejemplos con el razonamiento resuelto, una forma de few-shot prompting, mejoraba a los modelos grandes en tareas de aritmética, sentido común y razonamiento simbólico. Un artículo posterior de Kojima y sus colegas comprobó que basta con añadir "Let's think step by step" (pensemos paso a paso) para lograr un efecto parecido sin ejemplos, un enfoque que llamaron Zero-shot-CoT (consulta zero-shot).

Ejemplo

Ante la pregunta "Una tienda vende bolígrafos a 3 por 2 dólares. ¿Cuánto cuestan 12 bolígrafos?", un modelo al que se pide chain-of-thought podría escribir: 12 bolígrafos son 4 grupos de 3, cada grupo cuesta 2 dólares, así que el total es 8 dólares. Ver los pasos también facilita detectar errores.

Relación con los modelos de razonamiento

Los modelos de razonamiento están entrenados para producir un razonamiento largo antes de responder, así que ya no hace falta pedirlo en el prompt. Es una forma de cómputo en tiempo de prueba: gastar más tokens al responder para obtener mejores resultados.

Límites

Los pasos de razonamiento añaden tokens de salida, lo que sube el coste y la latencia. Los pasos escritos no son un registro garantizado de cómo llegó el modelo a su respuesta, y una cadena segura de sí misma puede acabar igualmente en un resultado erróneo. Para consultas sencillas o clasificaciones cortas, a menudo añade coste sin mucha ganancia.

Términos relacionados

Modelo de razonamiento
Un modelo de razonamiento (reasoning model) es un modelo de lenguaje entrenado para resolver un problema mediante un flujo de tokens de razonamiento intermedios antes de dar su respuesta final, lo que suele ayudar en matemáticas, programación y tareas de varios pasos.
Prompt engineering
El prompt engineering (ingeniería de prompts) es la práctica de escribir, estructurar y probar las instrucciones y los ejemplos que se dan a un modelo de lenguaje para que produzca la salida que necesita una aplicación, sin cambiar los pesos del modelo.
Few-shot prompting
El few-shot prompting (prompting con pocos ejemplos) consiste en dar a un modelo de lenguaje unos pocos ejemplos resueltos de una tarea dentro del prompt, para que pueda copiar el patrón con una entrada nueva sin ningún reentrenamiento.
Zero-shot
Zero-shot significa pedir a un modelo que haga una tarea solo con una instrucción, sin ejemplos resueltos en el prompt ni entrenamiento específico para la tarea. El modelo se basa únicamente en lo que ya aprendió.
Test-time compute
El test-time compute (cómputo en tiempo de inferencia) es la cantidad de cálculo que gasta un modelo al responder una petición, y no durante el entrenamiento. Dejar que un modelo piense más tiempo o pruebe varias respuestas puede mejorar los resultados en problemas difíciles.

Fuentes