Un paper de estudiantes del ELIAS Lab fue aceptado en Findings of EMNLP 2026
Jeremías Figueiredo Paschmann, Santiago Barron y Francisco Nattero, estudiantes de grado de UdeSA, presentaron en Budapest un método que permite ordenar resultados de búsqueda con modelos de lenguaje usando muchas menos consultas al modelo.
El trabajo «Active Learners as Efficient PRP Rerankers», desarrollado en el ELIAS Lab (Efficient Language Intelligence for Autonomous Systems) del Departamento de Ingeniería de la Universidad de San Andrés, fue aceptado en Findings of EMNLP 2026. Es el volumen que acompaña a la Conference on Empirical Methods in Natural Language Processing (EMNLP), una de las principales conferencias internacionales de procesamiento del lenguaje natural. La edición 2026 se realizó del 24 al 29 de octubre en Budapest, Hungría.
Los autores son Jeremías Figueiredo Paschmann, Juan Kaplan, Francisco Nattero y Santiago Barron, estudiantes de grado de UdeSA, junto con Juan Wisznia, asistente de investigación del lab, y Luciano Del Corro, profesor asociado y director del ELIAS Lab. Figueiredo Paschmann, Barron y Nattero fueron los encargados de presentar el trabajo en la conferencia.
Ordenar sin desperdiciar consultas
Cuando un asistente de inteligencia artificial responde una pregunta a partir de documentos —lo que se conoce como RAG, por retrieval-augmented generation—, primero busca candidatos y después tiene que ordenarlos para quedarse con los más relevantes. Una forma precisa de hacerlo es pedirle a un modelo de lenguaje que compare los documentos de a pares: cuál de los dos responde mejor la consulta. El problema es que cada comparación es una llamada al modelo, con su costo en tiempo y en dinero.
Hasta ahora, esas comparaciones se combinaban con algoritmos clásicos de ordenamiento, pensados para comparaciones exactas. Pero los juicios de un modelo de lenguaje son ruidosos, dependen del orden en que se le presentan los documentos y a veces se contradicen entre sí. Además, esos algoritmos intentan ordenar la lista completa, cuando en la práctica solo importan los primeros resultados.
El trabajo propone tratar el problema como aprendizaje activo: elegir en cada paso qué comparación conviene hacer para encontrar los mejores resultados con la menor cantidad de llamadas posible. También introduce un «oráculo de dirección aleatoria», que hace una sola llamada por par en lugar de dos y convierte el sesgo de posición del modelo en un ruido que se compensa en el promedio.
Menos llamadas, misma calidad
En los benchmarks TREC DL 2019 y 2020, con un presupuesto de 300 llamadas al modelo, el mejor método del trabajo alcanzó un NDCG@10 de 66,1, frente a 56,4 del mejor algoritmo de ordenamiento tradicional. En otras tareas de búsqueda, los métodos activos lograron una calidad comparable con hasta siete veces menos llamadas. Por su parte, la dirección aleatoria redujo un 44% las llamadas necesarias para llegar a la mejor calidad.
El paper se inscribe en la línea de investigación del ELIAS Lab sobre eficiencia en modelos de lenguaje: métodos, sistemas y orquestaciones más chicos, más rápidos y más baratos, para que la inteligencia artificial avanzada sea más accesible y más fácil de desplegar. El código del trabajo está disponible públicamente.
• Código GitHub