Este artículo presenta una secuencia de modelos de lenguaje a gran escala que mejora la verificación automatizada de afirmaciones complejas. Los métodos de inferencia guiados por programa existentes presentan limitaciones debido a su dependencia de demostraciones generadas manualmente. Para superar estas limitaciones, proponemos BOOST, un método de bootstrap que refina iterativamente las metarreglas basadas en datos sin intervención humana. BOOST realiza una transición fluida del aprendizaje guiado por programa de cero intentos al de pocos intentos, mejorando la interpretabilidad y la eficiencia. Los resultados experimentales demuestran que BOOST supera a los modelos de referencia de pocos intentos existentes en la verificación de afirmaciones complejas.
