Ya tienes vectores de texto y quieres incorporar los de otro equipo. Ambos usan similitud coseno y, por casualidad, tienen la misma longitud. Parece que solo falta importarlos en un mismo índice.
Pero antes hay que responder: ¿los números de ambos lados describen el mismo espacio?
Las coordenadas de un modelo vectorial se aprenden. La dimensión 17 de un modelo no corresponde de forma natural a la dimensión 17 de otro. Aunque entiendan de manera muy parecida los mismos textos, pueden escribir sus coordenadas de formas distintas.
NAC (Nested Anchor Coordinates, coordenadas de anclajes anidados), investigado por ToWow, parte de ahí: cada participante observa un conjunto de referencias comunes con su propio modelo y después intercambia esas observaciones. Primero veremos una operación calculable a mano y luego su aplicación al descubrimiento de colaboradores.
Un giro basta para invalidar la comparación directa
Imaginemos un modelo A bidimensional que representa un texto como x = (1, 0). El modelo B representa el mismo texto como x′ = (0, 1). La similitud coseno directa entre ambas secuencias es 0.
Sin embargo, en este ejemplo didáctico B solo gira todo el espacio de A 90 grados en sentido antihorario. Conserva todos los ángulos entre textos. Los resultados de búsqueda internos pueden ser idénticos, mientras que la comparación entre modelos acaba de tratar el mismo texto como una dirección ortogonal.
Añadamos dos referencias comunes, a y b. En A están en (1, 0) y (0, 1); tras el giro, en B están en (0, 1) y (-1, 0).
Pedimos a cada modelo dos respuestas: ¿cuánto se parece el texto a a? ¿Y a b?
| Modelo | Coordenadas originales del texto | Similitud coseno con a | Similitud coseno con b |
|---|---|---|---|
| A | (1, 0) |
1 | 0 |
| B | (0, 1) |
1 | 0 |
Las coordenadas originales difieren, pero las respuestas respecto de las referencias son [1, 0] en ambos casos. Compararlas permite reconocer la concordancia del ejemplo.
Gira el espacio y compara los números
Solo se simula una rotación rígida. Las relaciones aprendidas por modelos reales requieren mediciones independientes.
No hemos aprendido una matriz para devolver B a A. Cada parte calcula similitudes válidas dentro de su espacio y escribe los resultados en el mismo orden. Intercambia una descripción de relaciones con los mismos objetos.
Cómo se convierten las referencias públicas en coordenadas
En NAC, una referencia puede ser un texto fijo o un ejemplo accesible para todos. El protocolo determina primero el conjunto y su orden. Cada participante usa su codificador E para codificar el contenido local x y las referencias a₁…aₘ, y genera:
c_E(x) = [cos(E(x), E(a₁)), …, cos(E(x), E(aₘ))]
La primera posición significa «relación con la primera referencia» y la segunda, «relación con la segunda». El vector nativo de A puede tener 384 dimensiones y el de B, 1,024; si calculan las mismas m referencias, ambos producen m valores relacionales.
Las representaciones relativas tienen antecedentes de investigación precisos. En Relative Representations, presentado en ICLR 2023, Moschella y colaboradores construyen representaciones con similitudes entre muestras y anclajes y estudian comparación de espacios latentes y ensamblaje de componentes de modelos. NAC adopta esta idea de coordenadas y estudia además transmisión por tramos, dirección de las relaciones y evolución de versiones para redes abiertas de agentes.
Las referencias comunes eliminan la ambigüedad sobre qué significa cada posición. La semántica conservada depende de las propiedades reales de modelos y referencias. El giro funciona tan bien porque conserva ángulos; los modelos reales también pueden aprender distinciones diferentes.
Uno puede distinguir mucho entre «equipo disponible para préstamo» y «buscando comprar equipo», mientras otro sitúa ambas expresiones cerca del tema equipamiento. Las referencias hacen visible el desacuerdo en una superficie comparable; todavía hay que determinar si perjudica la búsqueda.
De una tabla de relaciones al descubrimiento de colaboración
Pensemos en un ejemplo de diseño: un equipo pequeño prueba control de calidad por imagen térmica y necesita dos horas de equipo y orientación presencial. Un laboratorio cercano tiene horarios libres; otra ingeniera también está buscando una cámara del mismo tipo.
Los textos de quienes buscan quizá sean los más similares: comparten nombres de equipos, objetivos y vocabulario técnico. El laboratorio puede describirse mediante «plataforma instrumental», «acceso breve» y «apoyo operativo», expresiones más alejadas de la solicitud.
Por ello, la señal debe indicar también el papel de su contenido en la relación. NAC permite dividir una descripción local en fragmentos de dirección diferente: búsqueda, oferta y contexto. «Busco equipo» se compara primero con «ofrezco equipo» del laboratorio. La otra persona que busca aún podría aportar experiencia o una presentación, pero sería otra razón para colaborar.
La generación de una señal se puede concretar así:
- El agente local selecciona contenido pertinente para la necesidad y autorizado para participar en el descubrimiento.
- Calcula con el modelo local sus relaciones con las referencias públicas.
- Añade la dirección «búsqueda», la versión de referencias y el período de validez.
- El receptor forma comparaciones de candidatos con los fragmentos de «oferta» correspondientes.
La red recibe una descripción relacional con dirección semántica. La coincidencia de horarios y la idoneidad del equipo se pueden completar en conversaciones posteriores.
Desplegar coordenadas según el presupuesto de transmisión
Una red de descubrimiento puede necesitar primero un filtro barato y después dedicar cómputo a pocos candidatos. NAC ordena por ello las referencias de manera estable: la señal puede enviar un prefijo corto y ampliarlo cuando haga falta.
Por ejemplo, una primera ronda intercambia 32 valores relacionales y, si un candidato merece más atención, los amplía a 128. Son longitudes ilustrativas. Una configuración útil debe medirse en tareas: cuántos objetos valiosos pierde el prefijo corto, cuántos recupera la ampliación y cuánto cálculo y transmisión cuesta.
Ese orden requiere cuidado. Si las primeras 32 referencias describen compras industriales parecidas, quizá distingan poco la colaboración artística o docente. Un vector largo puede funcionar bien y tener un comienzo malo. Poder truncarlo y conservar utilidad al truncarlo son problemas separados.
Así se entiende la relación con Matryoshka Representation Learning. Este método entrena representaciones útiles a distintas longitudes; NAC sitúa el orden segmentable en referencias externas para que cada participante conserve su codificador. Esa libertad abre una pregunta experimental: ¿cómo elegir y ordenar referencias que produzcan señales útiles con cada presupuesto de transmisión?
También cambian los modelos y las referencias
Intercambiar un arreglo de números flotantes no basta. El receptor necesita saber qué versión de referencias se usó, qué longitud de prefijo recibió y cuándo se generó la información. Dos arreglos igual de largos podrían responder a preguntas distintas.
NAC transporta la versión junto con la dirección y las coordenadas. Si cambia el modelo local, el agente puede volver a los materiales originales y recalcular. Si cambia el conjunto de referencias, hace falta una transición: generar ambas versiones durante un tiempo o comparar solo nodos que declaren la misma versión.
La elección interesante consiste en desplazar la dependencia compartida desde «todos instalan el mismo modelo» hacia «todos pueden obtener e interpretar las mismas referencias». Cada parte mantiene su modelo; la calidad y evolución de las referencias pasan a ser un asunto común.
Cuándo merece la pena adoptarlo
Si todo el contenido puede codificarse en un único servicio, un codificador compartido suele ser un inicio directo: sus vectores pertenecen al mismo espacio y la integración y búsqueda se simplifican. Para reutilizar vectores existentes entre espacios también se pueden aprender transformaciones; vec2vec estudia la traducción aprendida a partir de distribuciones de embeddings.
NAC merece investigación cuando los participantes quieren conservar modelos locales y necesitan una representación de intercambio interpretable en común y ampliable gradualmente. La elección debe considerar calidad de búsqueda, cómputo de referencias, volumen transmitido y mantenimiento después de cambiar modelos.
ToWow dispone actualmente de un diseño de señal y una implementación de referencia; la efectividad del descubrimiento entre modelos sigue pendiente de validación. Diagnósticos locales anteriores incluyeron coordenadas de anclajes y otras representaciones, pero no completaron una evaluación suficiente de esta propuesta entre proveedores. Este artículo explica el mecanismo y sus motivos de diseño.
El codificador compartido, el mapeo aprendido y las referencias públicas sitúan el mantenimiento en lugares diferentes. NAC deja los modelos a cargo de cada parte y comparte la calidad y el orden de las referencias. Su idoneidad depende de cuánta comparación útil entre modelos se obtiene a cambio de ese coste.
Materiales: expediente del mecanismo NAC y estado actual de Discovery Front; ubicaciones locales en SOURCE-NOTES.md del paquete. Las coordenadas bidimensionales, el escenario de equipos y los prefijos 32/128 son explicativos, no resultados experimentales de modelos.