Hexo Labs abre o código do SIA, um agente de IA que aprende com os próprios erros

Um agente autoaperfeiçoável já não significa apenas um prompt melhor

Até agora, o desenvolvimento de agentes de IA tem seguido duas vias principais. Numa delas, um programador ou meta-agente melhora o sistema a partir do exterior: prompts, escolha de ferramentas, lógica de repetição e estratégia de pesquisa. Na outra, uma equipa afina o próprio modelo com base no retorno das tarefas. O SIA combina estas duas abordagens num único ciclo.

O termo central é afinação interna do modelo, ou seja, a alteração dos parâmetros da rede neuronal durante o treino. De forma mais simples, o agente não recebe apenas instruções melhores. O próprio modelo aprende com erros repetidos e com resultados. É isso que distingue o SIA dos agentes que apenas reescrevem um prompt ou acrescentam mais uma etapa ao fluxo de trabalho.

Três agentes conduzem o ciclo de melhoria

Segundo a descrição oficial no GitHub, o SIA funciona através de três componentes principais. O Meta Agent lê a descrição da tarefa e cria o primeiro agente-alvo. O Task Specific Agent resolve a tarefa e regista as suas acções e resultados. O Feedback Agent revê os registos, identifica fragilidades e decide se deve melhorar a estrutura do agente ou activar a afinação interna do modelo.

Esta distinção tem importância técnica. A estrutura do agente define como o sistema procura uma solução, usa ferramentas e verifica resultados. A afinação interna do modelo deve acrescentar juízo de domínio que nenhum prompt consegue simplesmente escrever no modelo. No artigo publicado no arXiv, os autores do SIA afirmam que o uso conjunto destes dois mecanismos superou a melhoria apenas da estrutura nos três domínios testados.

Os resultados parecem fortes, mas exigem medição prudente

O artigo técnico sobre o SIA avaliou a framework em três tarefas muito diferentes: classificação de acusações a partir de textos jurídicos chineses, optimização de kernels GPU de baixo nível e remoção de ruído em dados de RNA de célula única. Esta escolha dá ao sistema um teste mais amplo do que uma referência-padrão para chatbots, porque as tarefas exigem diferentes tipos de precisão, experimentação e resultados mensuráveis.

No papel, os resultados são expressivos. Segundo os autores, o SIA combinou a melhoria da estrutura do agente com a afinação interna do modelo e superou o anterior estado da arte em 25,1% no LawBench. O kernel GPU correu 12,4% mais depressa do que o anterior estado da arte, enquanto a remoção de ruído em dados de RNA melhorou 20,4%. O repositório no GitHub também indica 70,1% de exactidão Top 1 no LawBench, uma aceleração de 14 vezes para o kernel TriMul face à base de referência e uma pontuação MSE_norm de 0,289 na tarefa de sequenciação de RNA de célula única.

A alegação das “350 vezes” é uma frase de comunicado, não um veredicto independente

A Hexo Labs afirma no seu comunicado de imprensa que o SIA acelera em 350 vezes o caminho para a superinteligência. A frase exige cautela. A empresa associa a alegação ao MLE bench da OpenAI, mas isso não equivale a prova independente de que o SIA conduz efectivamente a IA rumo à superinteligência. O material público mostra, por agora, algo mais concreto: o SIA oferece uma framework experimental forte para tarefas de desenvolvimento mensuráveis.

A OpenAI descreve o MLE bench como uma referência para testar se agentes de IA conseguem executar trabalho de engenharia de aprendizagem automática: treinar modelos, preparar dados e correr experiências. Inclui 75 competições de aprendizagem automática do Kaggle e dá aos agentes um objectivo muito mais prático do que as referências comuns de perguntas e respostas.

Vista da Europa, a transparência é o ponto mais importante

Para programadores e instituições de investigação europeias, o principal valor do SIA está na abertura. O repositório no GitHub mostra que a framework usa uma licença MIT, é escrita em Python e pode ser utilizada com tarefas personalizadas nas quais os dados públicos de entrada, os dados ocultos de avaliação e o avaliador são definidos separadamente. Isto ajuda os investigadores a repetir experiências e a verificar o que o agente realmente altera.

Ao mesmo tempo, a afinação interna do modelo traz maior responsabilidade. Quando um agente consegue alterar o seu comportamento de forma mais profunda, a framework de avaliação também tem de detectar se o sistema está a tornar-se melhor de forma geral ou apenas a aprender a explorar uma métrica específica. Por esse motivo, o SIA ajusta-se actualmente melhor a tarefas científicas e de engenharia com medidas claras, não à tomada de decisões autónoma com objectivos em aberto.

Resumo técnico

O SIA combina melhoria da estrutura do agente e afinação interna do modelo num único ciclo de autoaperfeiçoamento.

O sistema usa um Meta Agent, um Task Specific Agent e um Feedback Agent.

Os testes abrangeram textos jurídicos, optimização de kernels GPU e remoção de ruído em dados de RNA de célula única.

Segundo o repositório no GitHub, o SIA é de código aberto, tem licença MIT e foi desenvolvido para Python 3.11+.

A grande alegação das “350 vezes” vem do comunicado de imprensa da Hexo Labs, não de uma auditoria independente.

O SIA pode não ser um atalho para a superinteligência. O que oferece é mais prático e, por agora, mais útil: uma forma de levar agentes de IA a mostrar o seu trabalho, aprender com ele e enfrentar o teste seguinte com algo mais do que um discurso motivacional afinado.