En NLI se le da al sistema una premisa y una hipótesis, y debe decidir si la primera implica la segunda (entailment), la contradice o ninguna de las dos (neutral) (Devlin et al., 2019, p. 4184). Conjuntos grandes como SNLI (570.152 pares; Bowman et al., 2015) y MultiNLI la volvieron un banco de pruebas central de la «comprensión»: MNLI integra el benchmark GLUE, y sus pares se usan además para entrenar embeddings por aprendizaje contrastivo (Alammar y Grootendorst, 2024, pp. 296–297).
Ejemplo mínimo (de las instrucciones de SNLI). Premisa: «Dos perros corren por un campo». «Hay animales al aire libre»: implicación. «Unos cachorros corren para atrapar un palo»: neutral. «Las mascotas están sentadas en un sillón»: contradicción.
Por qué la diferencia le importa a un lógico. La «implicación» de NLI no es consecuencia lógica. La definición fundacional es deliberadamente informal: T implica H si, típicamente, un humano que lee T inferiría que H es muy probablemente verdadera, apoyándose en conocimiento de fondo (Dagan et al., 2006). Eso admite inferencias derrotables y cargadas de saber del mundo, y deja afuera casi todas las consecuencias lógicas que a ningún anotador se le ocurrirían. Las etiquetas son juicios de trabajadores de plataformas (anotación de datos), no teoremas. Y las contradicciones dependen de convenciones de correferencia: «un barco se hundió en el Pacífico» y «un barco se hundió en el Atlántico» solo se contradicen si hablan del mismo suceso; pero si se supone siempre que sí, «Ruth Bader Ginsburg fue nombrada en la Corte Suprema» contradiría «almorcé un sándwich» (Bowman et al., 2015, p. 633). Hasta el ejemplo de manual de Alammar y Grootendorst, «Está en el cine viendo Coco» frente a «Está en casa viendo Frozen», es contradicción solo si el pronombre y el momento son los mismos (2024, p. 296).
Los modelos que puntúan alto suelen aprender atajos. Entrenado en MNLI, BERT tiende a suponer que una premisa implica toda hipótesis armada con sus mismas palabras, como «The doctor was paid by the actor» → «The doctor paid the actor» (McCoy et al., 2019, p. 3429); los modelos fallan también en inferencias por monotonía, sobre todo en contextos descendentes (Yanaka et al., 2019). Para medir consecuencia lógica en sentido estricto hacen falta otros conjuntos, como los pares de fórmulas proposicionales de Evans et al. (2018). Contra los atajos, los conjuntos adversariales se escriben con personas que buscan hacer fallar al modelo (ANLI, Nie et al., 2020, pp. 4885–4886).
¿Y en castellano? Casi todo está en inglés. XNLI llevó el conjunto a quince lenguas traduciéndolo, y sus autores advierten que la traducción no capta las diferencias culturales (Conneau et al., 2018, p. 2477). InferES se escribió directamente en español peninsular (Kovatchev y Taulé, 2022); ESPANLI, todavía en diseño, propone un conjunto adversarial rioplatense (Santelli et al., 2026). Y ojo con la terminología: en aprendizaje automático, inferencia suele significar simplemente ejecutar un modelo.