FormulaSPIN: rede neural escreve fórmulas de planilhas a partir de uma descrição e supera modelos proprietários

Pesquisadores publicaram no arXiv, em julho de 2026, o FormulaSPIN, um framework de treinamento baseado em self-play que gera fórmulas de planilhas a partir de uma descrição em linguagem natural. No benchmark NL2FORMULA, ele alcança 74,9% de correspondência exata e 87,1% de precisão na execução, superando tanto a abordagem supervisionada clássica quanto os principais modelos proprietários.

Como o modelo aprende sozinho

O FormulaSPIN treina sem uma única linha nova de dados rotulados: o modelo joga contra si mesmo. Segundo o resumo no arXiv, o treinamento é estruturado como um jogo de dois jogadores. O jogador principal aprende a preferir as fórmulas de referência (ground-truth) às geradas por sua versão anterior. O retorno da execução das fórmulas ordena as respostas por "granularidade" e monta um currículo adaptativo: primeiro o modelo domina a correção semântica e, depois, o acabamento estilístico da escrita.

A vantagem central da tarefa é a executabilidade binária: a fórmula ou roda e produz um resultado, ou não. Isso gera um controle implícito que separa erros de significado de variantes que apenas estão escritas de outra forma, mas são válidas.

Por que o SPIN convencional falha aqui

O SPIN convencional não funciona na geração de fórmulas porque penaliza da mesma forma qualquer resposta que não coincida literalmente com a referência. De acordo com os autores, uma mesma fórmula, equivalente na execução, é punida como "errada" em um exemplo e serve de referência em outro. Por isso, os gradientes de treinamento se contradizem e o modelo não converge.

O FormulaSPIN resolve essa contradição com a verificação por execução. Se duas expressões de aparência diferente produzem o mesmo resultado, o sistema as considera válidas, e não como erro. Além disso, os autores introduziram o ExecVote, um mecanismo de votação em nível semântico que lida de forma nativa com o caso em que uma mesma tarefa tem várias formulações corretas.

O que mostraram as medições

O FormulaSPIN estabeleceu um novo melhor resultado em vários benchmarks. No NL2FORMULA, foram 74,9% de correspondência exata e 87,1% de acerto na execução, resultado comparável ao de modelos treinados com rotulagem adicional de preferências e superior tanto ao do SFT tradicional quanto ao dos modelos proprietários de ponta.

• 74,9% de exact match no benchmark NL2FORMULA
• 87,1% de precisão na execução (execution accuracy)
• Treinamento sem nenhum exemplo rotulado adicional
• ExecVote: votação em nível semântico para múltiplas fórmulas válidas
• Supera tanto o SFT clássico quanto os modelos proprietários de fronteira

"Esses resultados destacam o potencial do self-play para tarefas com escassez de dados e abrem caminho para sua transferência além dos domínios executáveis", diz o resumo do artigo do

FormulaSPIN no arXiv.

O que isso significa

Escrever fórmulas continua sendo uma barreira para centenas de milhões de usuários de planilhas, e há poucos dados rotulados para treinar esses modelos. O FormulaSPIN mostra que um modelo pode melhorar sozinho, usando a execução como fonte gratuita de verificação, sem rotulagem manual cara. A abordagem se aplica a qualquer tarefa em que o resultado possa ser executado e conferido: código, consultas SQL, cálculos.

Perguntas frequentes

O que é o FormulaSPIN?

O FormulaSPIN é um framework de treinamento self-play para gerar fórmulas de planilhas a partir de texto em linguagem natural. O modelo melhora a si mesmo de forma iterativa, sem dados rotulados adicionais, usando a verificação de executabilidade das fórmulas como fonte de retorno.

Em que o FormulaSPIN difere do fine-tuning convencional?

O fine-tuning supervisionado (SFT) clássico logo esbarra no teto imposto por uma rotulagem limitada. O FormulaSPIN treina no formato de um jogo de dois jogadores e, por meio da execução, separa erros de significado de variantes de escrita válidas. Por isso supera o SFT e não exige dados novos.

Quais resultados o FormulaSPIN obteve?

No benchmark NL2FORMULA, o framework atingiu 74,9% de correspondência exata e 87,1% de precisão na execução. Esse é o nível de modelos treinados com rotulagem adicional de preferências, e superior ao dos principais modelos proprietários.