📖 Cómo leer un paper de IA

Leer un paper no es leer un texto de principio a fin. Es un interrogatorio: entras con preguntas, buscas dónde se responden y decides si la respuesta te convence.

Esta guía enseña qué preguntarle a un paper. El método en 5 pasadas enseña en qué orden hacerlo.

🧱 Anatomía de un paper y qué esconde cada parte

Sección	Qué dice	Qué NO dice	Trampa habitual
Título	La consigna del trabajo	No es un teorema	Attention Is All You Need no significa que baste la atención
Abstract	La versión más optimista	Las condiciones	Los resultados aparecen sin su línea base
Introducción	El problema y la promesa	Los fracasos previos de los autores	Presenta como nuevo lo que ya existía
Trabajo relacionado	Genealogía según los autores	Lo que ignoraron	Se citan a sí mismos con generosidad
Método	Lo que hay que reproducir	Los trucos no documentados	Un hiperparámetro decisivo en una nota al pie
Experimentos	Evidencia	Los experimentos que no salieron	Comparar contra una línea base débil
Ablaciones	Qué componente aporta qué	—	La sección más honesta; se salta casi siempre
Limitaciones	Los límites que los autores admiten	Los que no vieron	Puede faltar por completo
Apéndice	Los detalles que importan	—	Ahí vive lo que hace falta para reproducir

💡 Consejo

Si tienes 10 minutos, léete el abstract, mira las figuras y ve directo a las ablaciones. Ese recorrido te dice más que leer las 4 primeras páginas seguidas.

❓ Las siete preguntas

Ninguna es sobre «qué dice el paper». Todas son sobre qué demuestra.

¿Qué se hacía antes y por qué no bastaba? Si no puedes responderla, no entiendes el paper: entiendes su solución fuera de contexto.
¿Cuál es la afirmación central, en una frase? Escríbela sin usar el vocabulario del paper. Si no puedes, aún no la entendiste.
¿Qué evidencia la sostiene? Tarea, dataset, métrica, línea base, número de ejecuciones, semillas, cómputo. Faltar cualquiera de estos seis es una debilidad, no un descuido de formato.
¿Contra qué se compara? Una mejora sobre una línea base mal ajustada no es una mejora. Comprueba si la línea base recibió el mismo esfuerzo de ajuste que el método propuesto.
¿Qué se rompe si quito una pieza? Es la pregunta de las ablaciones. Si no hay ablaciones, no sabes qué componente explica el resultado — y probablemente los autores tampoco.
¿Qué NO demuestra? Lo más valioso que puedes escribir sobre un paper. Casi siempre queda fuera del abstract.
¿Qué haría falta para refutarlo? Si no existe ningún resultado imaginable que lo contradiga, no es una afirmación empírica.

🚩 Señales de alarma

Métricas sin línea base. «Alcanzamos 92 % de exactitud» no significa nada solo.
Una sola ejecución. Sin varianza ni semillas, la diferencia puede ser ruido.
Benchmark contaminado. Si el test pudo estar en el corpus de preentrenamiento, la métrica mide memorización, no capacidad.
Comparación entre desiguales. Distinto cómputo, distintos datos, distinto ajuste.
Cherry-picking cualitativo. Cinco ejemplos preciosos elegidos entre mil.
Ausencia de sección de limitaciones. No significa que no las haya.
El código no existe, o existe y no reproduce las tablas.
Un número que solo aparece en el abstract y no se puede rastrear a ninguna tabla.

🕰️ El error específico de leer papers históricos

Es el error que más penaliza este eje: atribuir a un paper ideas que llegaron después.

Se dice…	Pero en realidad…
«La LSTM tiene puerta de olvido desde 1997»	La añadieron Gers, Schmidhuber y Cummins en 1999/2000
«Rumelhart inventó la retropropagación»	La popularizó para redes; la diferenciación en modo reverso es de Linnainmaa (1970) y Werbos (1974)
«AlexNet inventó las CNN»	LeNet es de 1998; AlexNet demostró que escalaban
«El Transformer eliminó todo menos la atención»	También usa FFN, residuales, layer norm y codificación posicional
«GPT-3 aprende de los ejemplos del prompt»	Se condiciona; no hay actualización de pesos

Un paper se lee con la información que existía cuando se escribió. La narrativa retrospectiva —«ya se veía venir»— es cómoda y casi siempre falsa.

🧪 Tres categorías que hay que separar siempre

Al escribir sobre un paper, cada frase pertenece a una de estas cajas. Etiquétalas:

Categoría	Ejemplo
Hecho documentado	«El paper reporta la configuración base con N=6 capas y h=8 cabezas (sección 3).»
Simplificación didáctica	«Q es lo que preguntas, K la etiqueta y V el contenido.»
Inferencia propia	«Probablemente la escala √d_k importa más al crecer d_k.» ← verificable, pero mía
Práctica moderna posterior	«Hoy se usa RMSNorm y pre-norm en vez de post-norm.» ← no está en el paper

Mezclarlas es lo que convierte un resumen en desinformación con buena intención.

📐 Cómo leer la matemática sin bloquearse

Identifica los símbolos antes que las operaciones. ¿Qué es un vector, qué una matriz, qué un escalar, qué un índice?
Comprueba las dimensiones. Si las formas no cuadran, has entendido mal algo. Es el depurador más rápido que existe.
Evalúa el caso trivial. ¿Qué pasa con n=1? ¿Con d=1? ¿Si el peso es 0? ¿Si es 1?
Busca el caso límite. ¿Qué ocurre cuando la secuencia es muy larga, la dimensión muy grande o la probabilidad se acerca a 0?
Implementa la versión de 10 líneas. La ecuación se entiende cuando corre.

Ese paso 5 es exactamente lo que hacen los notebooks de este eje.

✍️ Producto mínimo de una lectura

No has leído un paper hasta que puedes producir esto, sin volver a abrirlo:

[ ] El problema anterior, en dos frases.
[ ] La propuesta, en una.
[ ] La ecuación o el diagrama central, dibujado de memoria.
[ ] Una evidencia concreta con su tabla o figura de origen.
[ ] Una limitación que el paper admite.
[ ] Una limitación que el paper no admite.
[ ] Una idea que hoy se le atribuye y llegó después.
[ ] El hito siguiente que este paper hizo posible.

Esa lista es, literalmente, el esqueleto de la plantilla de ficha.

Referencia externa recomendada: S. Keshav, How to Read a Paper (ACM SIGCOMM CCR, 2007), origen del método de tres pasadas que este eje extiende a cinco. DOI

⬅️ Eje de papers · 🔁 Método en 5 pasadas · 🌐 Fuentes y venues · 📚 Glosario