# Periscope permite buscar con eficiencia en textos extensos

> Un nuevo método sin entrenamiento, llamado Periscope, permite que un modelo congelado encuentre respuestas en documentos de millones de tokens usando mucha menos memoria GPU.

Oossa · 2026-10-06 · https://oossa.com/es/periscope-lets-frozen-language-models-scan-longer-texts-efficiently

Investigadores presentaron Periscope, un método que permite a un modelo de lenguaje congelado buscar en textos muy extensos sin volver a entrenarlo. La técnica divide un documento en fragmentos, los organiza en una cuadrícula y pide al modelo que evalúe dos tipos de segmentos: grupos locales de fragmentos consecutivos y grupos espaciados que toman muestras de todo el texto. Al combinar las puntuaciones de esos segmentos, Periscope crea un «mapa de evidencia» que señala el fragmento con más probabilidades de contener la respuesta. Cada sondeo requiere apenas unos √(s·c) tokens, donde s es la longitud del documento y c el tamaño de los fragmentos, en lugar de leer todo el texto de una sola vez.

## ¿Qué tan bien funciona?

En el benchmark LongBench v2, el mapa de Periscope obtuvo la clasificación más alta leyendo solo 9 000 tokens, igualando el mejor rendimiento de lectura por ventanas del mismo modelo con ventanas de entre 32 000 y 1 000 000 tokens. En InfiniteBench, donde los documentos tienen una mediana de unos 150 000 tokens, el método superó por cinco puntos a la mejor lectura por ventanas. También logró la puntuación NDCG@10 más alta entre seis métodos en los corpus de documentos extensos de BRIGHT.

## Por qué les importa a los usuarios

Periscope permite que un modelo de 27 000 millones de parámetros procese contextos de 4,5 millones de tokens en una sola GPU de 80 GB. Antes, una sola pasada sobre tanto texto habría requerido alrededor de 296 GB de memoria GPU solo para almacenar en caché los tokens. Esto permite a los usuarios hacer consultas sobre documentos muy extensos con hardware más económico, ya que la GPU solo necesita almacenar el modelo, no todo el texto.

## Los hechos

- Periscope organiza N fragmentos en una cuadrícula K×K, donde K = ⌈√N⌉.
- Cada sondeo lee unos √(s·c) tokens, lo que supone un coste de s^{1.5} para una ventana de W tokens.
- En LongBench v2, Periscope igualó el mejor resultado de lectura por ventanas leyendo solo 9 000 tokens, frente a ventanas de entre 32 k y 1 M tokens.
- En InfiniteBench, Periscope superó por 5 puntos a la mejor lectura por ventanas.
- Con Periscope, un modelo de 27 B puede procesar un contexto de 4,5 M de tokens en una GPU de 80 GB, frente a los 296 GB necesarios para una pasada completa.

## Por qué importa

Para desarrolladores e investigadores, Periscope reduce el coste de hardware de trabajar con documentos muy extensos y permite analizar contextos más largos en GPU convencionales. Para los usuarios, esto podría traducirse en servicios más rápidos y económicos para buscar o resumir textos enormes, como archivos jurídicos o publicaciones científicas. Aún falta una validación independiente más allá de los benchmarks del artículo.

## Fuentes y referencias

1. [Periscope: Extending Frozen Language Models Beyond Their Context Window](https://arxiv.org/abs/2610.04047) – arXiv cs.IR, 2026-10-06

Última actualización: 2026-10-06