Meta faz modelo de 8 bilhões de parâmetros igualar o Claude Opus 4.5

Pesquisadores da Meta AI e da Universidade de Illinois em Urbana-Champaign (UIUC) apresentaram o EvoHarness-RL, um método de treinamento por reforço para agentes de inteligência artificial. Segundo reportagem publicada em 29 de agosto pelo AI Times, a equipe aplicou o método ao Qwen3-8B, modelo aberto de apenas 8 bilhões de parâmetros, e alcançou 96,9% de sucesso no ALFWorld, benchmark de tarefas domésticas sequenciais em várias etapas. O resultado supera os 96,4% obtidos pelo modelo principal da Anthropic, Claude Opus 4.5, usando o método ReAct clássico, e representa um salto de 49,0 pontos percentuais em relação à própria base ReAct do Qwen3-8B (47,9%). O veículo americano VentureBeat cobriu a mesma pesquisa separadamente em 28 de agosto, informando que GPT-4.1 e GPT-5, da OpenAI, também melhoraram 22,1 e 25,7 pontos percentuais, respectivamente, quando o método foi aplicado apenas no momento da inferência, sem retreinamento.

BPE: dividindo o estado de um agente em crença, progresso e experiência

O núcleo do EvoHarness-RL é uma abstração de estado que os pesquisadores chamam de BPE — Belief, Progress, Experience (crença, progresso, experiência). A crença representa o que o agente sabe atualmente sobre seu ambiente; o progresso registra subobjetivos concluídos e o trabalho restante; a experiência armazena habilidades, falhas passadas e prioridades de busca acumuladas em tarefas anteriores. Para gerenciar esses três estados, o agente conta com apenas quatro meta-ações: rastrear (verificar o estado atual), confirmar (registrar o progresso), recordar (recuperar experiência passada) e anotar (registrar informação nova). Os pesquisadores explicam que, enquanto sistemas anteriores de memória externa e uso de ferramentas seguiam regras predefinidas por humanos, o BPE treina o agente a decidir sozinho quando anotar algo e quando recuperar uma experiência passada.

Dois estágios de treinamento: ajuste supervisionado e depois aprendizado por reforço

O treinamento ocorre em duas etapas. Na primeira, o ajuste fino supervisionado (SFT), o Qwen3-8B aprende primeiro o significado do BPE e o uso das quatro meta-ações. Na segunda, de aprendizado por reforço, a equipe aplica o que chama de «otimização de política relativa de grupo sensível a custo» (cost-aware GRPO), treinando o modelo a julgar por conta própria se recorrer ao harness realmente contribui para completar a tarefa. Segundo a VentureBeat, a coautora Xuying Ning afirmou que «o harness ideal costuma mudar de acordo com o modelo» e que «uma memória que só acrescenta informação presume que mais contexto sempre ajuda, o que não é necessariamente verdade». Quando os pesquisadores removeram o componente Experiência em um teste de ablação, a taxa média de sucesso caiu para 48,6% — a queda mais acentuada entre os três componentes.

• ReAct básico: 47,9%
• BPE aplicado só na inferência (sem retreinamento): 56,4%
• Com ajuste supervisionado (SFT): 68,6%
• Com SFT e aprendizado por reforço (EvoHarness-RL, resultado final): 96,9%
• Claude Opus 4.5 — 96,4% com ReAct básico, 98,5% com BPE (+2,1 pontos)
• GPT-4.1 — de 47,9% para 70,0% com BPE na inferência (+22,1 pontos)
• GPT-5 — de 60,7% para 85,0% com BPE na inferência (+25,7 pontos)
• Sistemas de comparação — SkillRL 89,9%, SkillOS 80,2%

Funcionou até em ambientes desconhecidos, com um fenômeno de 'recozimento do harness'

Os pesquisadores também testaram o modelo em novas tarefas do ALFWorld nunca vistas durante o treinamento. O Qwen3-8B básico ficou em 50,0%; adicionar o BPE apenas na inferência elevou o resultado a 77,6%; e a versão totalmente treinada com EvoHarness-RL chegou a 86,6%. Durante o treinamento, os pesquisadores observaram um fenômeno que chamam de 'recozimento do harness' (harness annealing): no início, o agente recorria ao harness externo em quase todos os passos, mas, à medida que o treinamento avançava, os padrões de tarefas repetidas foram internalizados, o uso do harness caiu bastante e se estabilizou em torno de uma chamada por episódio, em média. O repositório de experiência evoluiu da mesma forma: no começo acumula rapidamente habilidades variadas e erros, depois consolida informações redundantes e descarta habilidades pouco úteis, mantendo apenas o essencial em vez de crescer sem limite. Em um exemplo citado pelos pesquisadores, um agente procurando uma chaleira percebeu que sua lembrança da localização da bancada não correspondia mais ao ambiente real, e se corrigiu sozinho anotando que a informação anterior estava errada.

Do desenvolvimento de software à conformidade financeira

Os pesquisadores argumentam que essa arquitetura vai além de ambientes de jogo e se aplica a tarefas reais. No desenvolvimento de software, a crença corresponderia ao estado atual de uma base de código e seus componentes, o progresso às tarefas, testes e dependências concluídas, e a experiência a correções passadas e casos de erro. Em finanças e conformidade, a crença cobriria as regras aplicáveis e as evidências, o progresso as verificações concluídas e exceções em aberto, e a experiência os problemas recorrentes e como foram resolvidos anteriormente. Graças ao que a equipe chama de 'adaptadores de ambiente', cada organização pode manter suas próprias ferramentas internas e gestão de estado, adicionando o BPE como uma camada de coordenação treinável, sem substituir as ferramentas já existentes. A pesquisa foi publicada no servidor de preprints arXiv (arXiv:2608.05446v1).

Esse resultado interessa diretamente às empresas brasileiras que desenvolvem agentes de IA. Até agora, tratar com confiabilidade tarefas complexas em várias etapas parecia exigir pagar pelo acesso a um modelo de fronteira caro, da Anthropic ou da OpenAI. A demonstração de que um modelo aberto de 8 bilhões de parâmetros, bem equipado com memória e gestão de ferramentas, pode igualar esses modelos abre caminho para implantações mais baratas, inclusive hospedadas em infraestrutura própria em vez de depender de uma API de terceiros. O resultado, porém, está restrito a um único benchmark, o ALFWorld, e precisará ser confirmado em casos de uso reais antes de conclusões definitivas para produção.