¿Pueden los LLMs escribir especificaciones TLA+ correctas?

La reciente investigación sobre la capacidad de los grandes modelos de lenguaje (LLMs) para generar especificaciones TLA+ ha revelado datos sorprendentes. Aunque estos modelos alcanzan hasta un 26,6% de corrección sintáctica, la corrección semántica apenas llega al 8,6%, y solo con estrategias de prompting progresivo. El estudio, que evaluó 30 LLMs en 205 especificaciones, muestra que el tamaño del modelo no es garantía de calidad: por ejemplo, DeepSeek r1:8b superó a su variante de 70B. Esto sugiere que la alineación del razonamiento con lenguajes formales es más importante que la escala. Los modelos especializados en código suelen rendir peor debido a transferencia negativa desde lenguajes de programación convencionales. Estas conclusiones refuerzan la necesidad de supervisión experta y abren oportunidades para combinar IA con validación humana. En Q2BSTUDIO, entendemos que la inteligencia artificial para empresas debe aplicarse con criterio, especialmente cuando se trata de sistemas críticos. Nuestros servicios de software a medida integran soluciones robustas que van desde aplicaciones a medida hasta agentes IA, siempre respaldados por prácticas de ciberseguridad y servicios cloud AWS y Azure. La capacidad de generar especificaciones formales de forma fiable sigue siendo un desafío, pero la combinación de IA con procesos de verificación automatizados —como los que ofrecemos en business intelligence con Power BI— permite a las empresas avanzar con confianza. La investigación subraya que, sin supervisión experta, los LLMs no producen especificaciones TLA+ fiables, lo que nos recuerda la importancia de un enfoque híbrido donde la tecnología actúe como apoyo, no como sustituto.