# La verificación autocentrada reduce el sesgo de acuerdo en modelos multimodales

> Investigadores presentan SGV, un método de dos pasos que ayuda a los modelos multimodales a detectar acciones incorrectas con mayor fiabilidad y mejora hasta 25 puntos porcentuales el rendimiento en tareas posteriores.

Oossa · 2026-11-13 · https://oossa.com/es/self-grounded-verification-reduces-agreement-bias-in-multimodal-llms

Moises Andrade y sus colegas presentan SGV, una técnica de verificación para modelos multimodales que primero les pide enumerar cómo sería una conducta correcta y luego evaluar una acción concreta con respecto a esa lista. El estudio muestra que el método reduce la tendencia de los modelos a aprobar acciones en exceso —el llamado sesgo de acuerdo— y aumenta hasta 25 puntos porcentuales la detección de fallos y 14 puntos porcentuales la precisión general. Al aplicarse a un sistema especializado en interfaces gráficas en OSWorld, una política de difusión en RoboMimic y un agente ReAct en VisualWebArena, los verificadores mejoran la tasa de finalización de tareas en unos 20 puntos porcentuales frente a los mejores resultados anteriores.

## Los hechos

- SGV mejora la detección de fallos hasta en 25 puntos porcentuales
- La tasa de finalización de tareas aumenta unos 20 puntos porcentuales en OSWorld, RoboMimic y VisualWebArena

## Por qué importa

Una mejor verificación ayuda a los agentes de IA a evitar la falsa confianza y ofrece un rendimiento más fiable a quienes usan herramientas de web visual y robótica.

## Fuentes y referencias

1. [Let's Think in Two Steps: Mitigating Agreement Bias in MLLMs with Self-Grounded Verification](https://arxiv.org/abs/2507.11662) – arXiv cs.MA, 2026-11-13

Última actualización: 2026-11-13