LMem: Compresión de Código a Nivel de Token Sin Pérdida Explotando el Acento de IA

Un diccionario de 47 entradas diseñado por un agente de IA (Claude Opus 4.6) comprimió un archivo Python de 489 tokens a 56 tokens, lo que implica una reducción del 88.5%, completamente sin pérdidas. Este documento realiza tres contribuciones principales. Primero, informamos sobre el acento de IA (formalmente: Convergencia Léxica de IA), los patrones de nombrado a los que los modelos de IA convergen a través del entrenamiento para producir "código legible". El acento de IA se observa en tres niveles: nombres de variables, nombres de clases y nombres de archivos, y es responsable del 82% del poder de compresión. El análisis de un corpus de 18 archivos (15,765 tokens) muestra que el vocabulario actual a nivel de palabra cubre el 57.2% de los tokens, y que los elementos de código más allá del vocabulario pueden ser comprimidos mediante la expansión de granularidad del diccionario, como se demuestra con el resultado optimizado de archivo del 88.5%. Segundo, proponemos LMem, un método de compresión de diccionarios que explota el acento de IA: una compresión de código a nivel de token sin pérdidas que reemplaza los patrones de código recurrentes con símbolos Unicode únicos procesados como 1 token BPE, eliminando el costo del diccionario en tiempo de ejecución mediante la internalización de LoRA en los pesos del modelo. Tercero, analizamos la asimetría de seguridad creada por esta técnica: un modelo que ha internalizado LMem puede producir una salida opaca a los humanos, y proponemos métricas de monitoreo. La internalización de LoRA en un modelo de 0.8B (Qwen3.5) logró una precisión de token del 95% (mejorada desde el 86% inicial, con un objetivo del 100%).