Better tools. Better news.
martes, 1 de septiembre de 2026 · UTC
799 de 2232 en esta edición
IA

Google Study: Frontier Models Recall 65% of Facts via Extended Thinking

Google Research shows frontier LLMs can recover up to 65% of forgotten facts by using inference-time thinking.

TruthFoundry News Desk
Compartir en X
Se apoya en 8 fuentes verificadas de 2 editores.
Researchers at Google Research and Technion published a study demonstrating that frontier large language models often fail to recall facts they have already encoded in their parameters. [1] Researchers addressed the challenge of detecting whether modern Korean poetry is human-authored or generated by Large Language Models (LLMs). [2] Experiments showed that frontier models like GPT-5 and Gemini-3 encode 95-98% of tested facts, indicating that recall rather than encoding is the primary bottleneck for factual accuracy. [3] Scaling the Gemma3 model from 1 billion to 27 billion parameters decreased encoding failures from 85% to 23%, but simultaneously increased the share of recall failures to 40% without thinking. [4] The study found that providing models with extra computational effort, such as inference-time thinking, successfully retrieves 40-65% of the encoded facts that models initially fail to directly recall. [5] Expert evaluation on GPT-5.2 preferred feature-guided poems over the unconstrained baseline for generation tasks. [6] The classifier attained an average AUC-ROC of 83.60 in zero-shot out-of-distribution detection across seven unseen LLMs. [7] This performance represented an absolute gain of 7.76 AUC points and a 10.23% relative improvement over KatFishNet, the strongest baseline in the comparison. [8]
En qué se apoya
  1. Researchers at Google Research and Technion published a study demonstrating that frontier large language models often fail to recall facts they have already encoded in their parameters. · venturebeat.com
  2. Researchers addressed the challenge of detecting whether modern Korean poetry is human-authored or generated by Large Language Models (LLMs). · arXiv.org
  3. Experiments showed that frontier models like GPT-5 and Gemini-3 encode 95-98% of tested facts, indicating that recall rather than encoding is the primary bottleneck for factual accuracy. · venturebeat.com
  4. Scaling the Gemma3 model from 1 billion to 27 billion parameters decreased encoding failures from 85% to 23%, but simultaneously increased the share of recall failures to 40% without thinking. · venturebeat.com
  5. The study found that providing models with extra computational effort, such as inference-time thinking, successfully retrieves 40-65% of the encoded facts that models initially fail to directly recall. · venturebeat.com
  6. Expert evaluation on GPT-5.2 preferred feature-guided poems over the unconstrained baseline for generation tasks. · arXiv.org
  7. The classifier attained an average AUC-ROC of 83.60 in zero-shot out-of-distribution detection across seven unseen LLMs. · arXiv.org
  8. This performance represented an absolute gain of 7.76 AUC points and a 10.23% relative improvement over KatFishNet, the strongest baseline in the comparison. · arXiv.org
No pudimos ubicar a ninguno por su dirección. Ninguno es un organismo oficial: esa parte se apoya en el reporte, no en el documento o la transcripción subyacente.
Procedencia del artículo · 8 fuentes · v 001worldrecordwritingfiling

Cómo se hizo esta pieza: escrita por TruthFoundry News Desk, una persona de IA declarada, en la mesa de redacción el Tuesday, September 1, 2026. Sus fuentes las colocó la redacción, nunca se dan por supuestas. Abra cada paso para ver más; cada hash dice qué cubre.

1 · El mundo2 editores informaron de los hechos
Lo que declararon es la lista numerada de fuentes de arriba.
Por qué estas fuentes y no otras
Cómo las eligió la redacción
No elegimos editores. La redacción lee el registro de hechos del suceso, agrupa los reportes que llevan la misma afirmación y escribe a partir de ese grupo. Dentro de él, lo que sube es una puntuación de interés: cuánta atención atrae una afirmación en el registro, y qué tan reciente es. Eso mide el INTERÉS, no la verdad ni la autoridad, y una afirmación muy difundida no es más verdadera. Una pieza se retiene salvo que al menos 2 orígenes INDEPENDIENTES la lleven, donde los medios que publican el mismo teletipo cuentan como un solo origen, no muchos. Por ahora no ingerimos transcripciones, expedientes ni comunicados directamente, así que salvo que un organismo oficial aparezca en la lista de arriba, esta pieza se apoya en el reporte sobre el documento y no en el documento mismo.
Desde dónde publican
No pudimos ubicar a ninguno por su dirección. Ninguno es un organismo oficial: esa parte se apoya en el reporte, no en el documento o la transcripción subyacente.
2 · El registroextrajo esos informes en filas de hechos firmadas
IA · búsqueda semántica
Los hechos en que se apoya esta pieza fueron seleccionados por búsqueda semántica sobre el registro: representaciones de IA emparejan la consulta de cada sección con filas de hechos por significado, no por palabras clave.
Esta redacción leyó los hechos por la puerta pública del registro, y la puerta firmó la lectura. El recibo de lectura no se capturó para esta revisión temprana.
3 · La redacciónescrita como TruthFoundry News Desk por un gran modelo de lenguaje
IA · generación de noticias
La línea automática escribió esto como TruthFoundry News Desk usando un gran modelo de lenguaje a las 2026-09-02T22:11Z.
Los prompts, literales
Instrucción del sistema (las reglas de anclaje)

El encargo: contrato de voz de la persona + las instrucciones permanentes de esta redacción + los hechos numerados
4 · El archivoescrita en el registro permanente
Una vez publicada, la pieza se escribe en el registro permanente. Su recibo - la prueba de que no ha cambiado desde entonces - está en Integridad, abajo, y el botón de allí la vuelve a comprobar en su propio navegador.
Integridad
Hash del contenido (SHA-256)b4d1c163bd02951c6b11778e6ca236b8fe69cd02ee8d9e625c145d48f069ec59
Base del hashtitular + bajada + texto + el JSON canónico de las citas, exactamente como se archivó
Reciboesta revisión es anterior al registro de recibos; la fila archivada vive en el registro
Legible por máquinala prueba completa, JSON
Verificar

Una firma prueba quién archivó esto y que no ha cambiado desde entonces. Nunca hace verdadera una afirmación.

A continuación en esta ediciónBT poised for £2bn windfall selling copper amid AI boom