Investigadores de Duke, UIUC e Harvard criam modelo de raciocínio 345 vezes mais eficiente
Uma equipa de investigadores da Duke University, University of Illinois Urbana-Champaign e Harvard publicou um novo tipo de modelo de raciocínio, os "Energy-Based Reasoners" (EBR), que usa até 345 vezes menos computação de inferência do que o melhor modelo rival em testes de puzzles lógicos.
Os autores — William Chen e Zeyu Li (Duke), Alexi Gladstone e Heng Ji (UIUC) e Yilun Du (Harvard) — descrevem no paper (arXiv:2611.08977) um modelo que aprende uma função de energia sobre estados de raciocínio latentes, em vez de depender de um verificador externo. O modelo, com apenas 1,8 milhões de parâmetros, atinge 99,4% de precisão numa única tentativa no benchmark Sudoku-Extreme (99,9% com cinco amostras), 87,4% no Maze-Hard e 100% no N-Queens em tabuleiros 8x8.
A grande novidade é a eficiência: comparado com o modelo rival mais próximo (EqR), o EBR usa 345 vezes menos computação de inferência para o mesmo nível de precisão no Sudoku-Extreme, e a paragem adaptativa por si só reduz as operações de ponto flutuante em 10,9 vezes mantendo 99,9% de precisão. Em testes de escalamento no momento da inferência, o EBR iguala a melhor precisão do EqR usando sete vezes menos iterações e 43 vezes menos amostras.
O código e os modelos estão publicamente disponíveis no GitHub, reforçando a tendência de investigação que privilegia eficiência computacional em vez de apenas escala de parâmetros — um contraponto direto à corrida aos modelos cada vez maiores dominante na indústria.
Fontes
- arXiv (paper) arxiv.org
- Página do projeto energy-based-reasoners.github.io
Resumo editorial em português feito com apoio de inteligência artificial a partir das fontes indicadas. Como fazemos o Boletim IA.