El cableado del cerebro de una mosca no mejora a un modelo de lenguaje, y lo demuestra su propio autor

Qué se ha construido exactamente

El sistema acopla el conectoma MaleCNS v1.0 retenido —166.700 nodos y 25.582.938 conexiones dirigidas— a un backbone congelado (modelo base preentrenado cuyos pesos no se modifican) LFM2.5-1.2B-Instruct de Liquid AI. Participan todos los nodos y todas las aristas del grafo, sin poda.

El montaje es un reservoir computer (computación de reservorio: una red fija y no entrenada cuyos estados internos se leen con un clasificador pequeño) acoplado a un modelo de lenguaje. El grafo, el backbone y las proyecciones aleatorias de entrada y salida están fijos. Lo único que se entrena es un readout (capa de lectura) de 278.528 parámetros, el 0,0238% de los 1.170.340.608 parámetros del modelo base.

En cada token, una proyección gaussiana fija comprime el embedding de 2.048 dimensiones a 128 canales, y cada nodo del reservorio recibe un canal con signo aleatorio. El grafo se actualiza entero con x = tanh(W(0,6x + 0,4Bc)), donde W guarda recuentos anatómicos de contacto normalizados por entrada. Los estados se agrupan en 128 bins, pasan por dos matrices entrenadas sin sesgo —U de 128 por 128 y V de 2.048 por 128— y se proyectan a través del vocabulario congelado como un residuo acotado que se suma a los logits del backbone, con un tope de RMS de 0,25 sobre las coordenadas del vocabulario.

Las cifras que importan

La medición se hizo sobre un conjunto congelado de 32 diálogos cotidianos de SmolTalk, con 1.236 tokens objetivo, y tres semillas de ajuste. El backbone solo marca 1,381995 nats por token. Con la lectura de la mosca, 1,359816 ± 0,000110. Con el control de entrada directa, 1,359328 ± 0,000108. Con las etiquetas de nodo permutadas y sin reentrenar, 1,381265 ± 0,000802. Sin aristas, 1,381995, idéntico al backbone.

La lectura de la mosca mejora al modelo base en 0,0222 nats por token, lo que lleva la perplejidad de 3,98 a 3,90. El problema llega con el control: alimentar la misma proyección de 128 canales directamente a un readout idéntico, sin grafo de por medio, rinde 0,000488 nats por token mejor, y lo hace en las tres semillas. El intervalo bootstrap emparejado, de +0,00000502 a +0,00104, no sostiene ninguna ganancia atribuible a la mosca.

Los otros dos controles delimitan qué está pasando. Poner W a cero elimina el residuo de forma exacta y reproduce las pérdidas por token del backbone, lo que confirma que el grafo sí interviene en el cálculo. Y reetiquetar la identidad de los nodos sin reentrenar devuelve la NLL cerca de la línea base: la lectura depende de la alineación aprendida con su interfaz, no de que la topología de la mosca supere a un cableado aleatorio.

El conectoma no aporta memoria

El informe también demuestra que la recurrencia contrae las diferencias de estado inicial en un factor de como mucho 0,6 por token. Tras diez tokens, esa cota queda en 0,00605; tras veinte, en 0,0000366. Dicho de otro modo: el estado del grafo olvida casi de inmediato.

Amontonar 166.700 células no compra memoria de largo alcance. El contexto sigue viniendo del backbone, que es donde reside la competencia lingüística. El diseño congelado, de hecho, está pensado para que esa atribución sea verificable y no se confunda con lo que aporta el grafo.

Renuncia explícita a la primicia

El informe cita un prototipo previo, ngxson/fly-hf, que empleaba un subconjunto de 49.393 células del cerebro central de MaleCNS como reservorio, entrenado sobre TinyStories y sin modelo base preentrenado. Sobre esa base, el documento declara sin rodeos que no reclama ser el primer modelo de lenguaje basado en conectoma, y prescinde de la etiqueta GPF (Generative Pre-trained Fly).

Lo que sí reivindica es la escala —el grafo retenido completo— y el diseño de backbone congelado, que mantiene identificable de dónde procede la capacidad lingüística. Es una reivindicación de método, no de resultado.

El código es MIT y se ejecuta en local con Python 3.12 sobre macOS o Linux, con MPS, CUDA o CPU y sin clave de API; los pesos del backbone conservan su propia licencia. El propio proyecto advierte, no obstante, de un límite importante: los artefactos del estudio permanecen privados, de modo que los resultados todavía no son reproducibles de forma independiente.