SIFT: classificador de documentos que aprende sozinho e se retreina sem intervenção humana

Pesquisadores apresentaram o SIFT (Self-Improving, Frozen-gate Training), um serviço de classificação de documentos que se aprimora sozinho com o tráfego real e se retreina sem participação humana. O preprint foi publicado no arXiv em julho de 2026.

Como funciona o pipeline barato

O SIFT faz a classificação de propósito com um pipeline barato, em CPU: o encoder esparso SPLADE fornece as features para um modelo LightGBM, e apenas a minoria de páginas com baixa confiança segue para o LLM-juiz, mais caro. A maior parte dos documentos é rotulada pelo sistema sem recorrer ao modelo de linguagem grande, e daí vem o baixo custo na inferência.

• Arquitetura: SPLADE (sparse encoder) → cabeça LightGBM, inteiramente em CPU
• Apenas a minoria de páginas com baixa confiança é escalonada para o LLM-juiz
• Onboarding de um novo tipo de documento por meio de um bundle declarativo: espaço de rótulos, frases-âncora (anchor phrases) e glossário do juiz
• Retreinamento uma vez por mês, automático, sem humanos
• O custo marginal de rotulagem tende a zero

Por que a precisão cresce com o tempo

A precisão do SIFT é cumulativa porque os veredictos do LLM-juiz são gravados de volta no corpus rotulado: o modelo caro ensina continuamente o barato. À medida que o corpus cresce, a taxa de escalonamentos para o LLM cai, e o próprio corpus é alimentado pelo tráfego de produção, e não por um caro projeto de rotulagem no início. O bloqueio clássico da classificação corporativa, a necessidade de primeiro rotular milhares de documentos manualmente, desaparece aqui: o corpus se monta sozinho, e a precisão aumenta conforme o uso.

Como evitar a degradação silenciosa

O principal risco de um classificador que se retreina automaticamente é a degradação silenciosa: o modelo pode piorar sem que ninguém perceba depois de um retreinamento autônomo. O SIFT cobre esse risco com um promote-gate em duas partes. O primeiro gate verifica a regressão de F1 nos rótulos críticos; o segundo usa um conjunto de regressão "ouro" congelado (frozen golden regression set), no qual o modelo nunca é treinado. Qualquer um dos dois funciona como veto à publicação da nova versão.

"Isso transforma 'retreinar uma vez por mês sem humano' de imprudência

em rotina", diz o preprint do SIFT no arXiv.

O que isso significa

O SIFT propõe uma receita corporativa em que uma LLM cara atua como professora de um classificador barato em CPU, e dois gates de proteção permitem confiar o retreinamento à automação. Se a abordagem for reproduzida, as empresas deixarão de precisar de um grande projeto de rotulagem antes de colocar o classificador no ar: dados e precisão se acumulam sozinhos ao longo da operação.

Perguntas frequentes

O que é o SIFT?

O SIFT (Self-Improving, Frozen-gate Training) é um serviço de classificação dinâmica de documentos que se aprimora sozinho com o tráfego de produção: o pipeline barato SPLADE + LightGBM rotula a maior parte das páginas, e o LLM-juiz analisa os casos duvidosos e alimenta o corpus de treinamento.

É preciso rotular documentos manualmente?

Não. Em vez de um projeto prévio de rotulagem para um novo tipo de documento, basta um bundle declarativo: espaço de rótulos, frases-âncora e glossário para o LLM-juiz. Depois disso, o corpus cresce sozinho a partir do tráfego real.

Como o SIFT se protege da degradação no retreinamento automático?

Com dois gates: a verificação de regressão de F1 nos rótulos críticos e um conjunto "ouro" congelado, no qual o modelo nunca é treinado. Se pelo menos um dos gates falhar, a nova versão não é publicada.