What have we learned about human reasoning from large reasoning models? Response to de Varda et al.

Respuesta crítica a de Varda et al. (2025) sobre la alineación entre modelos de razonamiento grandes (LRM) y razonamiento humano. Los autores originales reportaron correlaciones entre tiempos de respuesta humanos y tokens generados por LRM en siete tareas, sugiriendo una alineación fuerte. Bowers, Vankov y Adolfi reexaminan los hallazgos de de Varda et al. (2026a)—que presentó estudios de simulación para defender su posición—y concluyen que estos análisis no tienen implicaciones válidas para comprender el razonamiento humano. El preprint identifica la reinterpretación de alineación fuerte como un argumento de «motte and bailey» común en neurociencia computacional y modelos de IA.

Puntos clave

• Los estudios de simulación de de Varda et al. (2026a) no establecen que la correlación entre tokens de LRM y tiempos humanos implique similitud en mecanismos de razonamiento.
• La redefinición posterior de alineación fuerte representa una estrategia argumentativa que cambia el estándar inicial sin reconocer la modificación sustantiva de la afirmación.
• Las correlaciones observadas entre variables de modelos grandes y humanas pueden surgir de artefactos estadísticos sin reflejar procesos cognitivos compartidos.

Para quién: Investigadores en inteligencia artificial, psicología cognitiva y neurociencia computacional que evalúan las semejanzas entre modelos de lenguaje grandes y cognición humana.