IA aprende com tarefas que ela mesma cria: nota média sobe de 57,77 para 61,05

Um grupo de pesquisadores publicou o A-RSI (Adaptive Recursive Self-Improvement, ou «autoaprimoramento recursivo adaptativo»). Nesse método, um modelo multimodal, que entende texto e imagens, é ajustado com tarefas criadas por ele mesmo e não usa exemplos de treinamento externos nem respostas escritas por humanos. O número principal: a média do Qwen3-VL-8B-Instruct em onze benchmarks multimodais (conjuntos padronizados de perguntas sobre fotos, gráficos e diagramas) subiu de 57,77 para 61,05. O ponto de partida é o modelo após a configuração inicial em um conjunto básico de tarefas. O ganho veio depois de oito janelas de ajuste e 800 tarefas novas. Os autores trataram dois problemas separadamente: quando oferecer material novo ao modelo e de onde tirar as respostas corretas.

De onde vêm as tarefas e as respostas sem humanos

Muitos métodos de autotreinamento obtêm a resposta de uma tarefa por votação do próprio modelo: ele gera várias soluções, e vence a mais frequente. Assim, o erro do modelo vira a «resposta correta» do passo seguinte de treinamento. O A-RSI contorna isso usando programas.

O esquema funciona assim:

• Uma única vez, antes do início do treinamento, o modelo escreve templates: programas executáveis para tarefas de geometria, gráficos, tabelas e contagem de objetos.
• Cada programa começa escolhendo parâmetros, por exemplo os valores das colunas de um gráfico. Depois desenha a imagem com base neles, formula a pergunta («quanto a coluna A é maior que a coluna B?») e calcula a resposta de referência a partir desses mesmos números.
• O modelo-aluno vê apenas a imagem e a pergunta. Os números ocultos e a resposta ficam com o programa.
• Os candidatos passam por verificações de correção, ambiguidade, novidade e sobreposição com os dados de teste. Dentro desse grupo, já são preparados antecipadamente conjuntos sem interseção para reposição.

Os autores fazem questão de ressalvar que essas verificações não provam que cada tarefa gerada seja impecável. A resposta é tão correta quanto o template e o seu código. Por isso, as respostas também passam por uma auditoria independente.

Como o controlador percebe que o conjunto de tarefas se esgotou

O treinamento usa o método GRPO. Para cada tarefa, o modelo produz um grupo de respostas, que são comparadas entre si. Se parte das respostas está certa e parte está errada, surge um sinal útil. Se todas as respostas estão igualmente certas ou igualmente erradas, o modelo não aprende nada com aquela tarefa.

O controlador do A-RSI calcula duas grandezas a partir dos logs de treinamento:

• quantas tarefas distintas ainda apresentam dispersão de recompensas dentro do grupo;
• qual é a proporção de respostas corretas nas tarefas de treinamento.

Após cada janela, ele compara esses valores com os de algumas janelas anteriores. O conjunto é trocado por inteiro se o número de tarefas «vivas» cair abaixo de um limiar ou se a acurácia subir demais (o modelo passa a conhecer bem demais o conjunto). Há um período mínimo de observação para que as duas medições se refiram ao mesmo conjunto. Os limiares são iguais para todas as etapas e modelos. O controlador não vê as notas de teste nem de validação. Na troca, os pesos do modelo são mantidos, e os templates e as cotas por tipo de tarefa continuam os mesmos.

Os autores destacam que esse é um indicador prático da queda do sinal, e não uma prova de que o conjunto foi «dominado». A dispersão zero também pode ocorrer quando o modelo erra de forma consistente.

O que as medições mostraram e onde os autores limitam as conclusões

• Qwen3-VL-8B: 57,77 → 61,05 em onze benchmarks, com 800 tarefas novas.
• Atualização do conjunto após cada janela: 60,64, mas com 3 200 tarefas gastas, quatro vezes mais. O esquema adaptativo é melhor e mais econômico.
• Na sexta janela, o A-RSI chega a 60,40, enquanto a continuação do treinamento no conjunto antigo chega a 58,35. A estagnação em tarefas repetidas é nítida.
• O MiMo subiu de 59,08 (modelo-base público) para 60,71.

Há também um resultado contraintuitivo. Selecionar tarefas por dificuldade ou pela competência atual do modelo não superou a amostragem aleatória com proporções fixas de tipos de tarefa. Isso vale apenas para os geradores dos autores, para o modelo testado e para as regras de seleção verificadas. Os autores também escrevem de forma direta que as conclusões sobre o momento ideal de troca são limitadas: o ganho vem da própria política de troca do conjunto, e a precisão do momento exato da troca não foi totalmente confirmada.

Uma auditoria separada das respostas distingue duas fontes de aumento da nota. O modelo pode estar resolvendo melhor as tarefas, ou pode estar apenas cabendo com mais frequência no limite de tamanho da resposta. A recompensa no treinamento penaliza a resposta cortada no limite, mesmo que nela já tenha aparecido a resposta destacada em caixa. Por isso, o artigo calcula separadamente quanto do ganho veio de respostas que agora são concluídas e quanto veio de erros corrigidos entre as respostas completas.

Para engenheiros, a conclusão é prática. Se você tem geradores de tarefas com resposta verificável por programa, não é obrigatório rodar o mesmo conjunto até o esgotamento nem renová-lo a cada passo. Basta acompanhar a proporção de tarefas com dispersão de recompensas e trocar o conjunto com base nesse sinal. Isso economiza tarefas e dispensa avaliações de teste. A limitação é clara: o método funciona onde a resposta pode ser calculada por um programa, e essas tarefas por enquanto cobrem geometria, gráficos, tabelas e contagem, mas não todo o espectro de perguntas visuais do mundo real.