Algoritmo de decodificación
Sinónimos: Decoding algorithm · Estrategia de decodificación
Definición ampliada
El algoritmo de decodificación, o estrategia de decodificación, es el procedimiento que convierte la distribución de probabilidad calculada en cada paso en un token concreto. El modelo produce la distribución; la estrategia decide qué se hace con ella.
Las familias principales son:
- Búsqueda voraz (greedy): en cada paso se toma el token más probable. Es determinista y rápida, y tiende a repetirse.
- Búsqueda por haces (beam search): mantiene varias secuencias candidatas en paralelo y se queda con la más probable en conjunto. Cuesta más cómputo y favorece salidas convencionales.
- Muestreo: se extrae un token al azar según la distribución, normalmente recortada antes con muestreo top-k o muestreo top-p y reescalada con la temperatura.
No debe confundirse con el decodificador de la arquitectura transformer. Ese decodificador es un bloque de la red, hecho de capas de atención; el algoritmo de decodificación es un procedimiento externo al modelo, que se configura sin tocar sus pesos [1].
Contexto histórico
La búsqueda voraz y la búsqueda por haces vienen de la traducción automática estadística y pasaron a la neuronal, donde fueron durante años la opción por defecto. El giro llegó con la generación de texto abierto: en 2020, Holtzman y colaboradores mostraron que maximizar la probabilidad produce texto repetitivo y poco natural, y propusieron el muestreo por núcleo como alternativa [2]. En 2018, Fan, Lewis y Dauphin ya habían empleado el recorte a los k tokens más probables con este mismo fin [3].
Importancia actual
A fecha de septiembre de 2026, es una de las palancas de configuración con más efecto sobre lo que un usuario ve, y una de las menos declaradas. Song y colaboradores documentaron en 2025 que la decodificación voraz supera al muestreo en la mayoría de las tareas que evaluaron, y que ignorar la estrategia al comparar modelos introduce variabilidad no controlada [4]. Dos evaluaciones del «mismo modelo» con estrategias distintas no son comparables.
Aplicaciones
Generales
- Ajustar el equilibrio entre salidas repetitivas y salidas variadas.
- Fijar una configuración reproducible para evaluar un sistema.
- Generar varias alternativas de un mismo texto para compararlas.
Sanitarias
Es parte de la configuración que debe registrarse al evaluar una herramienta sobre tareas clínicas, junto al modelo, la versión y el prompt. Sin ese dato, una evaluación no se puede repetir ni comparar con otra [4]. También conviene separar dos preguntas que la estrategia mezcla: si el sistema produce siempre la misma salida y si esa salida es correcta. La estrategia puede modificar la frecuencia de los errores sin cambiar los pesos del modelo, pero no garantiza veracidad ni sustituye a la validación: un error puede repetirse de forma perfectamente estable.
Limitaciones
- Maximizar la probabilidad no maximiza la calidad: la búsqueda voraz y la de haces tienden a texto repetitivo y genérico [2].
- El muestreo introduce variabilidad entre ejecuciones, que hay que declarar al informar de resultados.
- Ninguna estrategia modifica los pesos del modelo ni añade conocimiento, pero sí puede alterar la frecuencia de los errores: la revisión de Ji y colaboradores recoge la decodificación entre las causas de alucinación y asocia el aumento de diversidad con más contenido alucinado [5].
- La estrategia óptima depende de la tarea y del protocolo de evaluación [4].
Ejemplos
Ejemplo hipotético: un servicio evalúa un modelo en resumen de informes de alta y obtiene mejores cifras que en una prueba anterior. Antes de atribuirlo al modelo, hay que comprobar si cambió la estrategia de decodificación: pasar de muestreo a búsqueda voraz puede explicar la diferencia sin que el modelo haya cambiado.
Relacionados
Referencias
En el Atlas visual: Cómo elige la siguiente palabra