23 · El día de competencia
Nivel 4 — Nivel IOAI · Ruta de Aprendizaje
Una idea puede ser buena y aun así no ser la mejor siguiente decisión. Quizá requiera una hora de preparación, mientras otra permite comprobar una hipótesis con los vectores que ya calculaste. Competir reúne lo aprendido en la ruta: entender el problema, obtener evidencia y decidir qué merece el tiempo restante.
Tres tareas comparten el mismo reloj
En el Individual 2026, cada jornada tenía tres tareas y seis horas; el resultado individual sumaba las dos jornadas. Esa es la referencia de este capítulo, no una promesa sobre ediciones futuras. Los detalles están en Formato IOAI y estrategia y en las reglas oficiales de 2026, §2.1.
Repartir seis horas en tres partes iguales supone que las tareas ofrecen las mismas oportunidades, algo que todavía no sabemos al abrir los enunciados. Leer las tres permite descubrir qué datos, modelos y evaluadores hay disponibles. Ejecutar un baseline revela otra cosa: si entendemos el recorrido desde las entradas hasta una entrega válida.
Después, cada resultado cambia el reparto. Un experimento barato puede mostrar que falta una feature importante; otro puede revelar que el modelo propuesto no cabe. La estrategia se adapta a esa información: el reparto puede cambiar durante toda la jornada.
Entender qué conducta se premia
La métrica, las entradas y el formato de entrega describen el problema que hay que resolver. Una historia parecida puede esconder contratos muy distintos:
| Detalle del contrato | Qué cambia en la solución |
|---|---|
| En Potato, acertar en los turnos 1–10 vale lo mismo | Reducir una victoria de ocho a cinco turnos no mejora ese score; evitar un fallo sí puede hacerlo |
| Robot Chasing promedia accuracies por robot | Mejorar el grupo más grande no implica mejorar más el promedio final |
| Una región de IOAI Field puntúa dispersión con dropout | Una salida determinista puede ajustar bien otras regiones y perder esa parte de la tarea |
Field recibe solution.ipynb y custom_model.py, y la ejecución produce model.pt | Entregar pesos y entregar el programa que los produce son operaciones diferentes |
Calcular un ejemplo pequeño de la métrica suele aclarar mejor una decisión que leerla como una fórmula aislada. El módulo 04 ofrece ese método; el 15 conecta la solución con sus límites de ejecución y memoria.
También importa cómo se generaron las observaciones. Si varias filas pertenecen al mismo episodio, una partición aleatoria puede hacer que el modelo reconozca ese episodio en lugar de aprender a actuar en uno nuevo. El split del módulo 05 forma parte de la solución, incluso cuando el reloj aprieta.
Elegir el siguiente experimento
El costo relevante es lo que falta por hacer: preparar datos, implementar, entrenar, evaluar y comprobar la entrega. El tiempo que ya gastaste no hace más prometedora una idea. Si el modelo sigue fallando en los mismos ejemplos y no hay una hipótesis nueva, otra tarea puede ofrecer una mejor oportunidad.
Este ejemplo es inventado para mostrar la decisión. Supón que puedes conservar la versión anterior si el experimento falla:
| Alternativa | Mejora si funciona | Probabilidad estimada de funcionar | Costo adicional estimado |
|---|---|---|---|
| Una feature sugerida por los errores | 6 puntos | 80% | 20 minutos |
| Adaptar un encoder más complejo | 20 puntos | 30% | 60 minutos |
Una cuenta aproximada da 0.8 × 6 = 4.8 puntos esperados para la primera y
0.3 × 20 = 6 para la segunda. Dividir por el tiempo favorece la primera:
0.24 frente a 0.10 puntos por minuto. No sabemos esas probabilidades con
precisión; la cuenta obliga a exponer qué estamos suponiendo. Cerca del cierre,
además, importa cuánto tarda la comprobación final y si queda tiempo para
recuperarse de un fallo.
Las alternativas tampoco son independientes: extraer embeddings ahora puede abaratar varios experimentos posteriores. Y una prueba que no mejora el score puede descartar una hipótesis costosa. El cociente ayuda a comparar, pero no reemplaza entender qué información aporta cada intento.
Del score bruto a los puntos
Los puntos normalizados se suman. Tres mejoras de 5 puntos aportan 15; una mejora de 60 aporta más. Explorar las tres tareas ayuda a conocer las opciones, pero no garantiza que repartir tiempo por igual sea mejor que concentrarlo.
Para traducir una mejora bruta a puntos hacen falta los parámetros de la normalización. En el tramo lineal y con extremos fijos:
mejora_en_puntos = mejora_bruta × 100 / (Max − Baseline)
Por ejemplo, una mejora bruta de 0.01 equivale a unos 7.69 puntos si el intervalo
es 0.13, y a 1.92 si es 0.52. Un intervalo estrecho amplifica la misma mejora;
no nos dice qué tan difícil será conseguirla. Max tampoco es simplemente el
score del Comité: depende de la regla de esa edición.
Si faltan esos valores para el mismo split y grader, es más honesto comparar scores brutos y costos que inventar una conversión. Protocolo de simulacro explica cuándo una reconstrucción histórica está justificada.
Cuando validación y leaderboard discrepan
En 2026 se permitían 60 envíos por tarea. Son consultas repetidas al mismo conjunto público de evaluación A, no 60 muestras independientes del futuro. El resultado final se calculaba sobre B. Elegir repetidamente pequeñas mejoras en A puede adaptar nuestras decisiones a sus peculiaridades.
Imagina que una modificación sube A, pero empeora varios splits locales. Puede ser ruido de una muestra pequeña, una diferencia de distribución o un error en la validación. También puede haber un desorden de filas en el envío. Ningún número tiene razón por su procedencia: interesa explicar la discrepancia.
Revisar errores por grupo puede distinguir causas. Si una mejora desaparece al separar episodios completos, podría indicar fuga o que predecir episodios nuevos exige otras señales. Si el comportamiento cambia según la longitud del texto y A contiene textos más largos, una diferencia de distribución es una hipótesis que merece examinarse. Cuando las entradas de A son ocultas, esa última comparación puede no estar disponible: queda incertidumbre.
La validación local también se desgasta si elegimos muchas variantes sobre ella. Un conjunto reservado o nuevas particiones permiten comprobar si la mejora resiste fuera del conjunto que guio la búsqueda.
Cerrar forma parte de resolver
Una solución incluye su ejecución y sus archivos. El notebook que funciona solo después de correr una celda a mano no describe todavía lo que recibirá el juez. Una ejecución desde un kernel nuevo permite descubrir esas dependencias, así como rutas ausentes, consumo de memoria o tiempos que habían quedado ocultos.
Conservar una versión válida permite comparar y volver atrás. La confirmación de recepción distingue «preparé los archivos» de «la plataforma recibió el envío». El tiempo necesario para completar ese recorrido se conoce ensayándolo; no existe un margen de cierre que sirva para todas las soluciones.
Una nota breve junto al experimento puede bastar: «pooling con máscara, mismo split, mejoró sobre todo en textos cortos». Lo útil es poder recuperar la razón del cambio y el archivo correspondiente. Las pausas y la comida también tienen lugar en una jornada larga; su organización puede adaptarse a la persona y a las reglas del concurso.
Qué cuenta el ranking, y qué deja abierto
La tabla individual de IOAI 2026 contiene 440 concursantes. Los mínimos observados de oro, plata y bronce fueron 222.51, 104.64 y 42.83 de 600. Cuatro de las seis tareas tuvieron mediana cero. Esos resultados describen esa cohorte: no distinguen tareas no intentadas, fallos técnicos y soluciones que no superaron el baseline, ni predicen medallas en otra edición.
Tampoco corresponde comparar una jornada con la mitad de un corte histórico de dos días. Cambian las tareas, las normalizaciones y el conjunto de participantes. El ranking aporta contexto; la evidencia sobre tu solución viene de ejecutarla y examinar dónde funciona y dónde falla.
Para explorar una jornada
Find the Order, Robot Chasing y Potato forman una jornada real de 2026. Si ya trabajaste esas tareas, combinarlas permite estudiar cómo cambian las decisiones cuando comparten reloj. Es práctica de consolidación: reaplicar ideas conocidas en un recorrido completo.
Una tarea no vista permite estudiar transferencia: usar lo aprendido cuando el enunciado y sus detalles son nuevos. Consultar una solución antes del intento cambia lo que observamos, aunque siga siendo una forma válida de aprender. El Protocolo de simulacro ofrece un formato para quien quiera reproducir las condiciones de una jornada.
¿Qué experimento elegirías si verificar el envío tardara el doble de lo previsto? ¿Qué conservarías de tu estrategia si una de las tres tareas usara una modalidad que todavía no conoces? Estas variaciones permiten revisar la decisión sin necesitar otra jornada completa.
← 22 - Interactivos · Ruta de Aprendizaje · 24 - Entrenar con tareas IOAI →