Los investigadores proponen R3Con, un arnés que operacionaliza los principios de la teoría cognitiva para construir representaciones efectivas de contextos muy grandes. El sistema aborda el desafío de ensamblar información interdependiente dispersa en fuentes vastas más allá de los límites de contexto estándar del modelo.

  • Evaluado contra nueve líneas base en dos benchmarks para razonamiento sobre grandes corpus de documentos.
  • Supera a la línea base más fuerte por 20 y 8,4 puntos porcentuales respectivamente.
  • Permite que modelos más pequeños superen a los más grandes: R3Con con modelos de 4B y 9B supera todas las líneas base evaluadas de 35B.
  • R3Con con un modelo de 35B-A3B supera a Claude Code con Claude-Sonnet-5 a un costo 3,7 veces menor.

Los resultados indican que las representaciones de contexto que siguen estos enfoques fundamentados pueden reducir la dependencia del tamaño del modelo, apuntando hacia un rendimiento de vanguardia impulsado por modelos más pequeños.