¿Alguna vez has notado que, luego de una conversación larga con un asistente de Inteligencia Artificial Generativa (IAGen), este olvida lo que le dijiste inicialmente o responde cosas sin sentido? Mantener el hilo de una conversación puede parecer sencillo para una persona, pero para una IA representa un reto.
Intentar resolver ese problema fue el desafío que llevó a un equipo de la Universidad Nacional Autónoma de México (UNAM) a destacar en SemEval, en el marco de la Reunión Anual de la Asociación de Lingüística Computacional (ACL) 2026.
SemEval es una serie de talleres internacionales sobre Procesamiento de Lenguaje Natural (PLN). En esta edición, uno de ellos fue el Task 8: Evaluating Multi-Turn RAG Conversations (MTRAGEval), que consistió en conseguir que una IA pudiera mantener el contexto de una conversación y aprovechar lo que ya se había dicho para responder de manera precisa, sin obligar al usuario a repetir la información una y otra vez.
El equipo de la UNAM desarrolló una propuesta que trabaja en tres aspectos principales de estos sistemas: encontrar la información relevante, generar respuestas a partir de esa información y combinar ambas capacidades de principio a fin.
De acuerdo con la doctora Helena M. Gómez Adorno, supervisora del trabajo, para conseguirlo, primero utilizaron una estrategia que permite reformular automáticamente las preguntas tomando en cuenta lo que se ha dicho previamente en la conversación. De esta manera, la IAGen puede entender mejor a qué se refiere cada pregunta, incluso cuando el usuario no repite todo el contexto.
Después combinaron dos formas de buscar información: una basada en la identificación de términos y conceptos relevantes y, otra que busca información de acuerdo con el significado de las palabras.
Pero encontrar información no siempre significa que exista suficiente evidencia para que la IA pueda responder. Por ello, el equipo incorporó un mecanismo de generación condicionada por la respondibilidad. Es decir, determinar si la información recuperada permite elaborar una respuesta completa, si solo alcanza a responder parcialmente o si es mejor reconocer que no hay información suficiente para dar una respuesta confiable. Con ello, no solo se busca que la IA encuentre información, sino que también sepa cuándo es mejor no inventar una respuesta.
De este trabajo derivó el artículo IIMAS-RAG at SemEval-2026 Task 8: Hybrid Sparse-Dense Retrieval and Answerability-Conditioned Generation for Multi-Turn RAG, el cual obtuvo el Best System Paper Award por su contribución al mejoramiento de la recuperación de información y generación de respuestas en conversaciones de múltiples turnos.
Además, el equipo obtuvo el cuarto lugar entre 38 participantes en la primera tarea (recuperación de información) y alcanzó la mejor evaluación humana en fidelidad, pertinencia, naturalidad y completitud de las respuestas.
El proyecto estuvo encabezado por la doctora Helena M. Gómez Adorno, jefa del Departamento de Ingeniería de Sistemas Computacionales y Automatización del Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas (IIMAS), y contó con la participación de los alumnos Vania Raya Ríos y Erick José Fabián Sandoval como parte de la representación del IIMAS; así como Leon Hecht, Pedro Vázquez Osorio, y Jesús Vázquez Osorio, del Posgrado en Ciencia e Ingeniería de la Computación; y Diego Hernández-Bustamante, de la Facultad de Estudios Superiores Aragón.
“Este premio es relevante porque reconoce internacionalmente el trabajo de investigación desarrollado por nuestro equipo y contribuye a dar visibilidad a las capacidades de la UNAM en procesamiento del lenguaje natural, recuperación de información e inteligencia artificial generativa”, concluyó la doctora Gómez Adorno.