Este artículo se centra en el problema de regresión intensiva en inferencia (RiR). RiR es el proceso de inferir características numéricas matizadas a partir de un texto. A diferencia de las tareas estándar de regresión lingüística, como el análisis de sentimientos o la medición de similitud, RiR suele aparecer en problemas ad hoc, como la puntuación basada en rúbricas o la recuperación específica de dominio. Su característica única es que requiere un análisis de texto exhaustivo en situaciones donde se dispone de datos de entrenamiento y recursos computacionales limitados. Definimos tres problemas prácticos como tareas RiR, establecemos una línea base y comprobamos la hipótesis de que el ajuste fino de un modelo de lenguaje grande (LLM) fijo y un codificador Transformer sería complejo en RiR. Para abordar esto, proponemos MENTAT, un método ligero que combina la optimización de indicadores con reconocimiento de lotes y el aprendizaje por conjuntos de redes neuronales. Demostramos que MENTAT logra una mejora del rendimiento de hasta un 65 % con respecto a los modelos de línea base. Sin embargo, concluimos que aún existe un margen de mejora significativo en el campo de RiR.
