arxiv arXiv cs.AI · há 14 h · research

Raciocínio meta-agêntico escala a inferência através de controle explícito

Traduzido do English → Português (BR)

Os autores introduzem o raciocínio meta-agêntico, um mecanismo de tempo de inferência que estrutura escolhas de execução para tarefas de longo horizonte. Um controlador gerencia o processo consolidando o progresso e despachando trabalho com base em uma conta de execução compacta em vez do histórico completo.

No ProgramBench, o raciocínio meta-alcança 71.5% com GPT-5.5 contra 58.0% para Codex, e 67.2% com Opus 4.8 contra 65.5% para Claude Code. Através de raciocínio abstrato, raciocínio de longo horizonte multi-domínio e benchmarks de geração de provas, ele ganha entre 3.6 e 4.2 pontos sobre o controle direto. A análise do grafo de artefatos mostra maior reuso do trabalho anterior e maior cobertura de soluções corretas.

Os resultados indicam que gastar computação em controle estruturado se torna cada vez mais importante à medida que os agentes escalam para execuções mais longas.

Importância 2/3 Novo ambiente de avaliação com diferenciais arXiv cs.AI AI agents Research paper

Benchmarks

Benchmark	Modelo	Pontuação
SWE-Lancer	GPT-5.5	71.5%
SWE-Lancer	Claude Opus 4.8	67.2%

Ler original

Framework GRASP melhora o planejamento estratégico com IA agêntica em múltipso estágios

Pesquisadores apresentam o GRASP, um framework de planejamento multiestágio consciente da estratégia, projetado para gerar planos executáveis de linguagem natural de alta qualidade para tarefas complexas, desacoplando o pipeline em módulos especializados. O sistema pré-compila diretrizes macro globais por meio do GenPlan, explora estratégias localizadas através do RevPlan e avalia trajetórias usando um discriminador multicritério chamado VerPlan.

arxiv arXiv cs.AI · há 6 d · 6 visualizações

GRASP introduz planejamento multiestágio consciente de estratégia para melhorar a confiabilidade de LLMs

Pesquisadores apresentam o GRASP, um framework de planejamento multiestágio e consciente de estratégia, projetado para gerar planos executáveis em linguagem natural de alta qualidade para tarefas complexas nas quais os Grandes Modelos de Linguagem (LLMs) padrão normalmente têm sua confiabilidade degradada. O sistema desacopla o pipeline de planejamento em módulos especializados: GenPlan para diretrizes macro globais, RevPlan para explorar estratégias localizadas e VerPlan para avaliação independente de trajetória.

lab Anthropic News · há 7 d · 40 visualizações

Claude da Anthropic descobre novo sistema de enzima ART em bacteriófagos

A Anthropic anunciou a criação de um novo grupo de pesquisa em ciências da vida dedicado a usar o Claude para identificar famílias de proteínas não caracterizadas e testar hipóteses por meio de experimentos laboratoriais. Nos resultados iniciais, a IA descobriu autonomamente um novo sistema enzimático chamado transcriptases reversas associadas a arrays (ART), encontrado em bacteriófagos.

arxiv arXiv cs.AI · há 8 d · 25 visualizações

AIDE^2 permite autoaperfeiçoamento recursivo de agentes de pesquisa com IA

Pesquisadores apresentam o AIDE^2, um sistema que implementa um ciclo de autoaperfeiçoamento recursivo para um agente de pesquisa com IA ao otimizar seu próprio código. O sistema propõe alterações em sua lógica interna, avalia versões modificadas em tarefas de P&D de IA e retém apenas as melhorias que obtêm o melhor desempenho em avaliações ocultas.

arxiv arXiv cs.AI · há 8 d · 26 visualizações

Growing Harness transforma o controle recorrente de agentes em código reutilizável por meio de treinamento guiado por falhas

Os autores apresentam o Growing Harness, um paradigma de treinamento que aprende a estrutura de controle de um agente a partir do feedback da tarefa, em vez de depender de harnesses padrão com grande carga contextual. Ao converter decisões de controle recorrentes em código executável e reservar chamadas de LLM para raciocínio semântico, o método visa criar agentes especialistas reutilizáveis.