Este artículo explora teóricamente los beneficios de los modelos de lenguaje basados en herramientas (p. ej., recuperación externa, memoria y API). Específicamente, demostramos la superioridad del aprendizaje basado en herramientas (recuperación externa) sobre el aprendizaje ponderado (memorización) en términos de representación de información factual. Si bien el número de parámetros del modelo limita fundamentalmente el número de hechos que se pueden memorizar, demostramos que el aprendizaje basado en herramientas permite una representación de hechos infinita mediante circuitos simples y eficientes. Experimentos controlados demuestran que los modelos basados en herramientas superan a los modelos de memorización, lo que demuestra que enseñar aprendizaje basado en herramientas y reglas generales es más efectivo que memorizar hechos en un modelo de lenguaje preentrenado a gran escala. En conclusión, demostramos, mediante evidencia teórica y experimental, que los flujos de trabajo basados en herramientas no solo son prácticos, sino también teóricamente superiores en términos de escalabilidad.
