Kevin Chen-Chuan Chang — A quién leer sobre IA

A mediados de 2023, el número de artículos de «los LLM pueden razonar» superaba la capacidad de cualquier lector individual para mantenerse al día: cadena de razonamiento, descomposición, planificación, autoconsistencia, in-context learning, cada uno con múltiples variantes y afirmaciones contrapuestas. La revisión "Towards Reasoning in LLMs" de Chang (2023, con Jie Huang) dio al campo su primer mapa razonablemente completo del territorio, organizando técnicas por mecanismo, paradigma de evaluación y hallazgos empíricos sobre qué se transfiere y qué no entre tareas. Leer la revisión es la forma más limpia de adquirir un vocabulario compartido con la literatura sin tener que reconstruirlo a partir de cien resúmenes de artículos individuales.

Vale la pena seguirlo cuando: se necesita ponerse al día rápidamente en investigación sobre razonamiento en LLM y se quiere un mapa estructurado que haya pasado revisión por pares, no una lista de lecturas curada.
Temas: metodología de revisión para subcampos que se mueven rápido; taxonomía de técnicas de razonamiento en LLM; la estructura de la literatura sobre razonamiento en LLM.
Obras clave: "Towards Reasoning in Large Language Models: A Survey" (2023, con Huang); trayectoria extensa en minería de datos, búsqueda en la deep web y NLP+IR desde UIUC.