A Meta fez um modelo de 8 mil milhões de parâmetros igualar o Claude Opus 4.5

Investigadores da Meta AI e da Universidade do Illinois em Urbana-Champaign (UIUC) apresentaram o EvoHarness-RL, um método de treino por reforço para agentes de inteligência artificial. Segundo uma notícia publicada a 29 de agosto pelo AI Times, a equipa aplicou o método ao Qwen3-8B, um modelo aberto com apenas 8 mil milhões de parâmetros, e alcançou 96,9% de sucesso no ALFWorld, um teste de referência de tarefas domésticas sequenciais em várias etapas. Este resultado supera os 96,4% obtidos pelo modelo principal da Anthropic, o Claude Opus 4.5, com o método ReAct clássico, e representa um salto de 49,0 pontos percentuais face à base ReAct do próprio Qwen3-8B (47,9%). O jornal norte-americano VentureBeat noticiou a mesma investigação separadamente a 28 de agosto, referindo que o GPT-4.1 e o GPT-5, da OpenAI, também melhoraram 22,1 e 25,7 pontos percentuais, respetivamente, quando o método foi aplicado apenas no momento da inferência, sem novo treino.

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

No centro do EvoHarness-RL está uma abstração de estado a que os investigadores chamam BPE — Belief, Progress, Experience (crença, progresso, experiência). A crença representa aquilo que o agente sabe, em cada momento, sobre o seu ambiente; o progresso regista os subobjetivos cumpridos e o trabalho por fazer; a experiência guarda competências, falhas anteriores e prioridades de pesquisa acumuladas em tarefas passadas. Para gerir estes três estados, o agente dispõe apenas de quatro meta-ações: seguir (verificar o estado atual), confirmar (registar o progresso), recordar (recuperar experiência passada) e anotar (registar informação nova). Os investigadores explicam que, enquanto os sistemas anteriores de memória externa e utilização de ferramentas seguiam regras fixadas à partida por humanos, o BPE treina o agente a decidir por si próprio quando anotar algo e quando recuperar uma experiência passada.

Duas fases de treino: afinação supervisionada e depois aprendizagem por reforço

O treino decorre em duas fases. Na primeira, a afinação fina supervisionada (SFT), o Qwen3-8B aprende primeiro o significado do BPE e a utilização das quatro meta-ações. Na segunda, de aprendizagem por reforço, a equipa aplica o que designa por «otimização de política relativa de grupo sensível ao custo» (cost-aware GRPO), treinando o modelo a avaliar por si mesmo se recorrer ao harness contribui realmente para concluir a tarefa. Segundo a VentureBeat, a coautora Xuying Ning afirmou que «o harness ideal muda muitas vezes consoante o modelo» e que «uma memória que apenas acrescenta informação parte do princípio de que mais contexto é sempre útil, o que não é necessariamente verdade». Quando os investigadores retiraram a componente Experiência num teste de ablação, a taxa média de sucesso caiu para 48,6% — a maior quebra das três componentes.

• ReAct básico: 47,9%
• BPE aplicado apenas na inferência (sem novo treino): 56,4%
• Com afinação supervisionada (SFT): 68,6%
• Com SFT e aprendizagem 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%

Manteve-se também em ambientes desconhecidos, com um fenómeno de «recozimento do harness»

Os investigadores testaram ainda o modelo em novas tarefas do ALFWorld nunca vistas durante o treino. O Qwen3-8B básico ficou-se pelos 50,0%; a adição do BPE apenas na inferência elevou este valor para 77,6%; e a versão totalmente treinada com EvoHarness-RL atingiu 86,6%. Durante o treino, os investigadores observaram um fenómeno a que chamam «recozimento do harness» (harness annealing): no início, o agente recorria ao harness externo em quase todos os passos, mas, à medida que o treino avançava, os padrões de tarefas repetidas foram interiorizados, o recurso ao harness caiu de forma acentuada e estabilizou-se, em média, numa chamada por episódio. O repositório de experiência evoluiu do mesmo modo: acumula rapidamente, no início, competências variadas e erros, e depois consolida informação redundante e descarta competências pouco úteis, mantendo apenas o essencial em vez de crescer sem limite. Num exemplo citado pelos investigadores, um agente à procura de uma chaleira verificou que a sua memória da localização da bancada já não correspondia ao ambiente real, e corrigiu-se a si próprio anotando que a informação anterior estava errada.

Do desenvolvimento de software ao cumprimento financeiro

Os investigadores defendem que esta 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 dos seus componentes, o progresso às tarefas, testes e dependências concluídas, e a experiência a correções passadas e casos de erro. Nas finanças e no cumprimento normativo, a crença abrangeria as regras aplicáveis e as evidências, o progresso as verificações concluídas e as exceções em aberto, e a experiência os problemas recorrentes e a forma como foram resolvidos anteriormente. Graças ao que a equipa designa por «adaptadores de ambiente», cada organização pode manter as suas próprias ferramentas internas e gestão de estado, acrescentando o BPE como uma camada de coordenação treinável, sem substituir as ferramentas já existentes. A investigação foi publicada no servidor de pré-publicação arXiv (arXiv:2608.05446v1).

Este resultado interessa diretamente às empresas portuguesas que desenvolvem agentes de IA. Até agora, tratar de forma fiável tarefas complexas em várias etapas parecia exigir pagar o acesso a um modelo de fronteira dispendioso, da Anthropic ou da OpenAI. A demonstração de que um modelo aberto com 8 mil milhões de parâmetros, bem equipado ao nível da memória e da gestão de ferramentas, pode igualar esses modelos abre caminho a implementações mais baratas, incluindo alojadas em infraestrutura própria em vez de dependerem de uma API de terceiros. O resultado, ainda assim, limita-se a um único teste de referência, o ALFWorld, e terá de ser confirmado em casos de uso reais antes de se tirarem conclusões definitivas para produção.