Universidades de Zhejiang e Pequim propõem o SPADER para QA com múltiplas respostas

Pesquisadores das universidades de Zhejiang e Pequim publicaram o SPADER, um método de aprendizado por reforço para perguntas que têm mais de uma resposta correta. O trabalho foi aceito na programação principal do EMNLP 2026. O anúncio do Jiqizhixin ainda não traz benchmarks nem tabelas, então só dá para avaliar a ideia e a formulação do problema. O ganho declarado em números terá de ser verificado no próprio artigo.

O problema: o modelo só cita o óbvio

No multi-answer QA, é preciso devolver o conjunto completo de respostas: todos os filmes de um diretor, todos os países que atendem a uma condição, todos os medicamentos de determinada classe. As métricas costumam ser calculadas sobre o conjunto inteiro, e a cobertura importa tanto quanto a precisão. O pipeline padrão de RL, com recompensa por correção, empurra o modelo para uma estratégia segura. Ele cita duas ou três das respostas mais frequentes, recebe a recompensa e para de procurar. As respostas raras da "cauda longa" ficam de fora.

Foi justamente esse viés que os autores levaram para o título: SPADER significa Step-wise Peer Advantage with Diversity-Aware Exploration Rewards. O nome já embute duas técnicas.

O que há dentro do SPADER

O GRPO (Group Relative Policy Optimization) dispensa um modelo crítico separado. Para cada pergunta, o método gera um grupo de respostas e calcula a vantagem de cada uma em relação às demais do grupo. Pelo nome e pelo título do anúncio, o SPADER torna esse cálculo passo a passo: a comparação entre "pares" (peer advantage) vale não só para o resultado final, mas também para as etapas do raciocínio ou da busca. Em uma cadeia longa, isso gera um sinal mais denso. O modelo percebe em que passo encontrou uma resposta nova e em qual ficou andando em círculos.

O segundo componente é uma recompensa que leva a diversidade em conta (diversity-aware exploration reward). Ela premia achados diferentes dos já encontrados e, com isso, empurra a política a explorar a cauda da distribuição. A fórmula exata, a maneira de medir a diversidade e o peso dessa recompensa não foram divulgados no anúncio.

O que se sabe até agora

• Autores: equipes da Universidade de Zhejiang e da Universidade de Pequim
• Evento: EMNLP 2026, Main Conference
• Tarefa: sistemas de perguntas e respostas com várias respostas corretas
• Algoritmo: GRPO com cálculo passo a passo da vantagem entre trajetórias "vizinhas"
• Recompensa: bônus pela diversidade das respostas encontradas
• Métricas, modelos de base e tamanho do ganho não são informados no trecho disponível

Onde isso pode ser útil

Tarefas com múltiplas respostas aparecem em busca corporativa, na coleta de fatos para análises, em consultas jurídicas e médicas e em sistemas de RAG, nos quais uma lista incompleta é pior que um honesto "não sei". Se o SPADER entrega um ganho expressivo de cobertura sem perda de precisão, o método interessa a equipes que refinam modelos com RL em dados próprios. O GRPO já virou ferramenta de trabalho para esse tipo de ajuste, e o esquema passo a passo não exige um crítico separado.

Antes de adotar qualquer coisa, vale checar no artigo quatro pontos. Primeiro: em quais datasets e com quais modelos o resultado foi obtido. Segundo: como muda o equilíbrio entre cobertura e precisão, já que uma recompensa por diversidade facilmente incentiva o modelo a inventar respostas extras. Terceiro: quantas vezes o custo de treinamento aumenta por causa do cálculo passo a passo. Quarto: se o código é aberto. Enquanto esses dados não estiverem à mão, o SPADER continua sendo uma ideia de pesquisa interessante, e não uma receita pronta.