EvoBelief ensina agentes de LLM a testar hipóteses sobre o mundo: 83,3% contra 0% do baseline

Um agente que sabe agir, mas entende errado como o mundo funciona, continua errando. Um novo trabalho no arXiv propõe o EvoBelief, um sistema em que uma LLM congelada constrói e revisa o modelo do ambiente na forma de hipóteses refutáveis. No ALFWorld, sem actor-side transition memory, ele eleva a taxa de sucesso em relação a uma Frozen World Model comparável em 23,9% com Claude Haiku 4.5 e em 31,3% com GPT-5.4. No Reactor Lab, do DiscoveryWorld, o método resolve 83,3% das tarefas do nível Normal e 58,3% do nível Challenge, enquanto cada um dos baselines testados obteve 0%.

A maioria dos agentes self-evolving melhora procedimentos: acumula experiência, faz reflexão e monta bibliotecas de habilidades. Os autores do EvoBelief escolhem outro eixo de automelhoria: as crenças sobre a dinâmica do ambiente. Se o agente acredita que a porta abre com uma chave, mas a regra do ambiente mudou, nenhuma habilidade resolve. Pior: uma crença errada que foi útil em uma tarefa se propaga para outras e prejudica o desempenho nelas.

Como funciona o mecanismo

O conhecimento sobre o ambiente é armazenado como um conjunto de hipóteses com escopo de aplicação limitado. Uma hipótese surge em dois casos: quando o resultado de uma ação é inesperado ou quando o agente esbarra em uma incógnita da qual depende uma decisão.

Depois entra a disciplina de verificação. A regra não chega às previsões e aos planos até ser confirmada de forma independente, por observações posteriores ou por experimentos controlados. A confirmação não pode vir do mesmo episódio que gerou a hipótese. Se aparece um contraexemplo, a regra é restringida ou descartada. Assim, o agente reage a mudanças no ambiente em vez de se agarrar a uma imagem antiga.

Os pesos do modelo de linguagem não são alterados. Muda apenas a base externa de regras, e cada entrada mantém o vínculo com as evidências e com as decisões que ela modificou. Para engenheiros, isso significa que é possível abrir a base e ver por que o agente agiu de um jeito e não de outro.

Resultados em quatro benchmarks

Os testes usaram quatro conjuntos de tarefas, cobrindo dinâmica estática, deriva oculta e descoberta científica. O texto do trabalho traz estes dados:

• ALFWorld sem actor-side transition memory: +23,9% de taxa de sucesso sobre a Frozen World Model com Claude Haiku 4.5.
• ALFWorld, mesma configuração com GPT-5.4: +31,3%.
• MiniGrid: o agente revisa regras desatualizadas e se recupera após mudanças de dinâmica não anunciadas.
• DiscoveryWorld, Reactor Lab, nível Normal: 83,3% das instâncias concluídas.
• DiscoveryWorld, Reactor Lab, nível Challenge: 58,3%.
• Todos os baselines avaliados no Reactor Lab: 0% nos dois níveis.

Vale notar: os percentuais 83,3 e 58,3 lembram 10 de 12 e 7 de 12, ou seja, a amostra por nível provavelmente é pequena. A distância para o zero impressiona, mas a robustez estatística deve ser verificada em conjuntos maiores. A comparação no ALFWorld também está presa a uma configuração específica, sem memória de transições do lado do actor, e em outros cenários o ganho pode ser diferente.

O Reactor Lab merece destaque à parte: o agente não se limita a memorizar, ele descobre e confirma leis quantitativas. Para tarefas de busca científica, isso se aproxima mais do trabalho real do que navegar por cômodos.

O que levar para a prática

Se você constrói agentes para ambientes de longa duração (ferramentas internas, APIs que mudam sem aviso, simulações, automação de laboratório), a ideia vale mesmo sem essa implementação específica. Guarde as suposições sobre o ambiente separadas das habilidades e dos prompts. Atribua a cada regra um escopo de aplicação e um link para as evidências. Não deixe uma regra entrar no planejamento antes de uma verificação independente e, diante de contraexemplos, restrinja-a ou remova-a.

O segundo benefício prático é atualizar o conhecimento sem retreinar o modelo. O modelo do provedor pode mudar, mas a base de regras acumulada permanece e pode ser auditada. A limitação também é clara: experimentos controlados exigem que o ambiente permita testar ações com segurança. Em produção, onde um erro custa dinheiro, serão necessários sandboxes ou restrições sobre quais hipóteses podem ser testadas ativamente.