Un preprint publicado el 8 de octubre presenta WOVEN, un conjunto de entrenamiento y evaluación para modelos de lenguaje multimodales. La propuesta examina si comprender cómo cambia una escena puede ayudar a resolver problemas espaciales, físicos y temporales que suelen estudiarse por separado.
Sus autores reunieron 36.076 ejemplos a partir de secuencias producidas por modelos generativos de video. Los organizaron en 20 tipos de escenas, cinco clases de acciones y ocho formas de razonamiento. Después evaluaron 38 modelos, incluidos GPT-5.4 y Qwen3-VL-235B-A22B, y observaron dificultades recurrentes entre familias y tamaños, con resultados inferiores a los humanos.
Al entrenar con subconjuntos de 2.000 elementos, reportan mejoras en 22 de 26 pruebas externas, de hasta 27,3 puntos porcentuales. También describen casos donde los datos sustituyeron entre el 30% y el 50% del entrenamiento específico de una tarea con precisión comparable. Estas cifras corresponden a sus experimentos. Las comparaciones sugieren seleccionar ejemplos por la operación de razonamiento que enseñan, más que por la escena representada. WOVEN es un banco de datos y pruebas, no un nuevo chatbot. Sigue siendo un preprint sin revisión por pares confirmada.