Modelos de raciocínio pensam 20 vezes mais do que o necessário em 2+3, mas relaxam nos problemas difíceis

Os modelos de linguagem aprenderam a raciocinar antes de responder, e logo surgiu uma pergunta familiar a qualquer engenheiro: quanto tempo dedicar a cada tarefa? Sherlock Holmes lia a biografia de um cliente em suas mãos num relance, mas para um caso intrincado pedia três cachimbos e cinquenta minutos de silêncio. Sua principal habilidade era saber de antemão do que cada problema precisava. Os modelos ainda vão mal nisso.

Pensam demais no simples

Em dezembro de 2024, pesquisadores da Tencent AI Lab fizeram a modelos de raciocínio uma pergunta elementar: «quanto é 2+3?». O QwQ-32B-Preview encontrou a resposta correta em 39 tokens, mas não parou: resolveu o problema mais doze vezes de maneiras diferentes e gastou 901 tokens. Em média, os modelos de nova geração consumiram quase vinte vezes mais tokens que os comuns para chegar ao mesmo resultado.

Não se trata apenas de dinheiro. Um trabalho da Meta e da Universidade Hebraica, apresentado na ICLR 2026, mostrou que a cadeia de raciocínio mais curta de um modelo pode ser 34,5% mais precisa que a mais longa. A precisão cresce com o comprimento até certo limite e depois cai; o gráfico lembra um U invertido. Pesquisadores da Anthropic adicionaram um detalhe distrator a um problema simples de contagem de frutas, e quanto mais o Claude Opus 4 e o DeepSeek R1 pensavam, mais erravam. Às vezes o modelo encontra a resposta certa e depois se convence a abandoná-la.

Pensam de menos no complexo

O problema inverso apareceu quando os desenvolvedores começaram a ensinar os modelos a economizar. Em fevereiro de 2026, a Anthropic tornou o pensamento adaptativo o modo padrão do Claude Opus 4.6: o modelo decide sozinho se pensa em cada passo.

Na primavera, programadores começaram a reclamar que o Claude Code ficou superficial: inventava versões da API do Stripe, hashes de commits e pacotes inexistentes. Boris Cherny, criador do Claude Code, analisou a telemetria e descobriu que nos passos em que o modelo fabricava fatos ele não gastou nenhum token pensando. Onde pensava, acertava.

É o clássico problema do taco e da bola: o sistema rápido dá uma resposta plausível, e o lento não é acionado porque o despachante considerou a verificação desnecessária.

Ensinar um modelo a escolher o modo é difícil. Primeiro, os dados para o modo rápido e o de raciocínio diferem muito, e misturá-los sem cuidado resulta em algo «medíocre nas duas direções», como disse Junyang Lin, da Qwen. Segundo, ao treinar com recompensas, o modelo rapidamente fica preso em um modo que, em média, rende mais recompensa.

O que estão testando

O método Thinkless ensina o modelo a começar a resposta com a palavra «curto» ou «pensar», separando a recompensa pela escolha do modo da recompensa pela qualidade. Em problemas de álgebra, o raciocínio era ativado em um problema a cada quatro, usavam-se 2,6 vezes menos tokens e a precisão caía menos de um por cento. O AdaptThink, de Tsinghua, força respostas sem raciocínio em metade dos exemplos. Um modelo de 1,5 bilhão de parâmetros passou a gastar de 45% a 65% menos tokens e ganhou um pouco de precisão.

A indústria resolveu a escolha de formas diferentes. A Anthropic começou com um orçamento manual no Claude 3.7 Sonnet, passou a um modo adaptativo e, nas versões 5.x, o pensamento não pode ser desativado: resta apenas o nível de esforço. A Alibaba criou o Qwen3 híbrido, abandonou-o e separou Instruct e Thinking, e no Qwen3.5 voltou ao híbrido. A OpenAI colocou no GPT-5 um roteador invisível que quebrou no dia do lançamento e, no outono de 2026, substituiu o Auto por um controle deslizante com níveis de Instant a Extra High. A DeepSeek uniu R1 e V3 em um único modelo com os modos Non-Think, Think High e Think Max.

O que fazer na prática

Se você constrói um produto sobre modelos de raciocínio, não confie cegamente na seleção automática de profundidade. Para tarefas em que o custo do erro é alto (chamadas de API, trabalho com código, fatos), fixe um nível alto de esforço e verifique se o modelo realmente raciocina nos passos críticos. Para consultas simples, ao contrário, use o modo rápido: assim você economiza tokens e tempo e ainda evita dúvidas desnecessárias. E meça os dois desvios, porque o modelo pode errar tanto por excesso de reflexão quanto por falta dela.