Prompt Engineering para Posiciones Espaciales en LLMs

Es muy común que los modelos de lenguaje fallen al interpretar instrucciones espaciales, especialmente cuando se trata de describir posiciones físicas. Si le pides a un modelo que dibuje o genere una imagen con una postura específica, como alguien acostado sobre la cama, es probable que el modelo asuma la orientación más predecible: acostarse longitudinalmente. Este artículo explora cómo superar esas alucinaciones espaciales y lograr que los modelos entiendan coordenadas complejas.

El Problema de la Orientación

La frustración principal surge cuando el modelo ignora las instrucciones direccionales y fuerza una postura estándar. En lugar de seguir el comando, el modelo simplemente alucina que el cuerpo está alineado con el eje largo del objeto.

Las Primeras Intentos: Demasiado Abstracto

Inicialmente, se intentó describir la posición usando términos relativos como «across the short width» o «perpendicular to its long axis». El problema con este enfoque es que es demasiado abstracto para los modelos de lenguaje. Al dejar el concepto espacial en manos del modelo, estos tienden a interpretar las instrucciones de una manera que favorece su entrenamiento estándar, terminando por ignorar la restricción y acostar al sujeto en la dirección normal.

Escalando a la Precisión Geométrica

Para evitar que el modelo interprete mal la postura, se tuvo que abandonar las descripciones abstractas en favor de una geometría explícita. En lugar de hablar solo del «lado corto», se empezaron a definir coordenadas espaciales concretas: situando la cabeza cerca del borde izquierdo y las piernas extendiéndose hacia el borde derecho.

Decodificando la Geometría

El punto clave para lograr que el modelo entienda esta postura es separar visualmente la orientación del torso de la de los brazos. Se debe instruir explícitamente al modelo para que el cuerpo principal forme un ángulo de 90 grados con el eje de la cama, atravesándola de izquierda a derecha.

Al mismo tiempo, se instruye que los extremos superiores (los brazos) sigan el eje largo. Esta distinción es vital: si el torso y los brazos están alineados en la misma dirección, el modelo volverá a interpretar una postura longitudinal. Solo al contrastar estas dos orientaciones opuestas dentro del mismo prompt se logra que el modelo entienda y renderice correctamente la geometría solicitada.