PhAI Labs lança o RSI-Anything: um modelo de mundo conduz a autoevolução de IA em 5 tarefas

Pesquisadores da PhAI Labs publicaram o RSI-Anything, um framework de autoaperfeiçoamento recursivo (RSI) testado de uma só vez em cinco tarefas heterogêneas: correção de bugs, controle de computador, planejamento de operações de laboratório, otimização de reações químicas e pesquisa sobre o sistema imunológico. O experimento mais revelador é o de código. A equipe não substituiu o modelo que escreve as alterações e não aumentou o orçamento de testes online. Apenas acrescentou um modelo de mundo, que prevê as consequências das mudanças e seleciona as melhores.

Ideia: primeiro prever, depois alterar

A maioria dos sistemas de autoaperfeiçoamento segue o esquema "gerar, executar, olhar o resultado". É um esquema caro. Cada verificação de um candidato exige uma execução real: testes, simulação, um experimento em laboratório. Quanto mais complexo o ambiente, mais rápido esse processo de tentativa e erro esbarra no orçamento.

O RSI-Anything leva parte desse trabalho para dentro do modelo de mundo. Ele estima aonde a alteração proposta vai levar antes da verificação cara. Só os candidatos que o modelo considera promissores chegam ao ambiente real. A tarefa do executor continua a mesma: escrever código, clicar em botões, montar um protocolo. A seleção e a direção da melhoria ficam a cargo de uma camada separada.

A escolha dos domínios parece deliberadamente variada. Um bug em um repositório, a interface de um sistema operacional, um protocolo de laboratório, uma reação em um frasco e o sistema imunológico têm algo em comum: cada um tem um ambiente com feedback, e a verificação nele é cara ou lenta. É justamente aí que prever o resultado pode economizar mais.

O que os experimentos mostraram

A descrição disponível detalha apenas o caso de programação. As condições do experimento foram fixadas com rigor:

• o modelo que gera o código continuou o mesmo;
• o orçamento de testes online não foi aumentado;
• a única mudança: o modelo de mundo participa da previsão do resultado e da escolha das alterações;
• a comparação foi feita com o mesmo executor sem essa camada.

Esse desenho elimina as explicações mais comuns para um ganho: um modelo-base mais forte e mais tentativas. Se a melhoria for confirmada, a origem dela será a qualidade da seleção. Os materiais disponíveis não trazem resultados numéricos, nomes de benchmarks nem o tamanho do ganho, então ainda é cedo para avaliar a escala do efeito. Os detalhes dos outros quatro domínios também ainda não foram divulgados.

A cautela é justificada por dois motivos. O modelo de mundo pode errar de forma previsível, e então a seleção vai consolidar o erro sistemático em vez de corrigi-lo. Além disso, a transferência da abordagem entre domínios precisa ser verificada em cada um separadamente: uma reação química e um patch de código funcionam de maneiras diferentes, e um framework comum não garante o mesmo benefício.

O que as equipes devem verificar na prática

Para quem desenvolve agentes, o texto traz uma referência concreta. Se a verificação de candidatos no seu ambiente é cara (CI que leva horas, bancada física, rodada de laboratório), vale avaliar se dá para treinar um previsor de resultados com os logs já acumulados. Isso sai mais barato do que aumentar o número de tentativas ou trocar o modelo-base.

Ao avaliar trabalhos desse tipo, vale observar quatro pontos:

• se o orçamento de verificações reais está fixado e se é igual nas variantes comparadas;
• como o modelo de mundo se comporta em tarefas fora da distribuição de treinamento;
• qual é a fatia de alterações selecionadas por engano e o que acontece com elas depois;
• se o resultado se reproduz em benchmarks públicos, e não apenas em conjuntos internos.

Por ora, o RSI-Anything continua sendo uma proposta de caminho geral para o autoaperfeiçoamento por meio da previsão. Ele ganhará credibilidade quando os autores publicarem as tabelas completas e o código, e quando grupos independentes repetirem os experimentos em pelo menos dois dos cinco domínios.