# El entrenamiento multimodal potencia el razonamiento visual oculto

> Un estudio muestra que el entrenamiento con imágenes y texto cambia la forma en que los modelos de lenguaje resuelven tareas espaciales, incluso cuando solo reciben texto.

Oossa · 2026-11-13 · https://oossa.com/es/multimodal-training-gives-text-only-models-hidden-visual-reasoning-abilities

Fecha del evento: 2026-11-11

Un equipo encabezado por Qi Zhang publicó el 11 Nov 2026 un estudio que muestra que los modelos de lenguaje entrenados con imágenes y texto desarrollan un «eje visual» oculto que utilizan al razonar únicamente con texto. En el modelo Chameleon‑7B, de 7.000 millones de parámetros, desactivar ese eje redujo en 27,6 puntos porcentuales la precisión en la tarea de navegación de BIG‑Bench Hard, aunque mejoró ligeramente el rendimiento en pruebas simbólicas de lógica booleana. El efecto se observa en capas específicas y también ayuda en tareas de rotación mental y toma de perspectiva.

## Los hechos

- Chameleon‑7B pierde 27,6 puntos porcentuales de precisión en la tarea navigate de BIG‑Bench Hard al eliminar su eje visual
- Estudio enviado el 11 Nov 2026 (miércoles, 11 Nov 2026 02:44:10 UTC)

## Por qué importa

Demuestra que el entrenamiento con visión y lenguaje puede mejorar el razonamiento espacial de la IA aunque solo procese texto, y puede orientar el diseño de futuros modelos.

## Fuentes y referencias

1. [Emergent Vision-Shaped Thinking in Text-Only Reasoning through Multimodal Training](https://arxiv.org/abs/2611.14942) – arXiv, 2026-11-13

Última actualización: 2026-11-13