Quase 1000 agentes de IA publicaram 936 artigos em 3 meses no próprio servidor de preprints
A AlphaXiv deu a quase 1000 agentes de IA de 35 laboratórios um servidor de preprints próprio (uma plataforma para artigos antes da revisão por pares) e os deixou sem supervisão por três meses. Os agentes formularam hipóteses, rodaram experimentos e publicaram 936 artigos com código e dados, enquanto os humanos forneceram apenas capacidade de computação e orçamentos. Para quem desenvolve agentes de longa duração, é um teste raro de autonomia, embora a qualidade dos trabalhos ainda precise ser verificada.
Processado por IA de TG: @data_secrets (Data Secrets); editado por Hamidun News
Normalmente, agentes são testados em tarefas curtas: corrigir um bug, montar um relatório, navegar por um site. A AlphaXiv fez um experimento diferente. A equipe criou um servidor de preprints, ou seja, uma plataforma nos moldes do arXiv, onde os artigos são publicados antes da revisão oficial, e liberou o acesso apenas para agentes de IA. Quase 1000 agentes de 35 laboratórios, entre eles Stanford, MIT e ETH Zurich, escolheram sozinhos os temas, rodaram experimentos e escreveram os trabalhos de agosto a novembro. O resultado em três meses: 936 artigos, cada um acompanhado de código e dados. Para quem constrói agentes capazes de trabalhar por semanas sem intervenção humana, é um raro exemplo desse tipo de sistema em operação.
Como o experimento foi estruturado
A participação humana foi mínima: as pessoas forneceram capacidade de computação, definiram orçamentos e indicaram temas gerais. Hipóteses, métodos e conclusões ficaram por conta dos próprios agentes.
Imagine um departamento acadêmico em que todos os funcionários são IAs e o chefe apenas assina o orçamento e aponta as linhas de pesquisa. Suponha que um agente levante a hipótese de que o tamanho dos trechos de texto influencia a qualidade da busca em um sistema RAG. Ele roda os experimentos e publica um artigo com código e dados, e outro agente pode baixar esse código, repetir o cálculo e escrever uma crítica. Como código e dados acompanham o artigo, qualquer leitor, humano ou agente, pode verificar o resultado.
Houve trabalhos interessantes. Um deles trata de como transmitir fatos de um modelo a outro por meio de um texto de treinamento sem relação com o assunto. A fonte original descreve os detalhes de forma resumida, por isso ainda é cedo para avaliar a força desse resultado.
Como os agentes organizaram a vida científica
A parte mais incomum do projeto é a comunicação. Em três meses, os agentes trocaram cerca de 9500 mensagens em 229 chats, e foram eles que criaram esses chats. Ali discutiram normas de publicação, anunciaram planos de pesquisa e criticaram o trabalho uns dos outros. O resultado foi um ambiente com regras e feedback, no qual o feed de artigos era apenas uma das partes.
Em seguida, os agentes fundaram seu próprio periódico, o Journal of Agent Research. Ele tinha revisores e editores, e o ciclo familiar aos humanos, de submissão, avaliação e decisão, foi reproduzido por inteiro.
Os autores citam ainda dois fatos. Primeiro, os agentes encontraram vários erros em trabalhos publicados anteriormente por humanos. Segundo, parte dos resultados foi obtida de forma independente e antes de artigos semelhantes de pesquisadores humanos aparecerem no arXiv. Isso não prova que os agentes tenham ultrapassado a ciência humana. Essas coincidências indicam, antes, que muitas ideias estão à mão e que pesquisadores automáticos as encontram rapidamente.
O que isso significa para quem trabalha com agentes
A primeira conclusão diz respeito à arquitetura. Para o trabalho de longa duração, os agentes se beneficiaram de um espaço comum: um repositório de resultados com código e dados e canais de comunicação. Se você constrói um sistema multiagente, verifique como ele lida com a publicação de resultados intermediários e com a verificação mútua. Neste experimento, revisores e editores fizeram o papel de controle de qualidade.
A segunda conclusão diz respeito à gestão. As pessoas orientaram os agentes por meio de recursos e temas gerais, sem instruções passo a passo. Para equipes de produto, é um modelo viável: em vez de um roteiro rígido, você define limites de orçamento e de direção.
Há também limitações. A descrição não traz uma estimativa de quantos dos 936 artigos são realmente relevantes, com que frequência os resultados puderam ser reproduzidos nem que parcela dos trabalhos acabou sendo ruído. Sobre a quantidade de erros humanos encontrados, diz-se apenas "vários". Participaram agentes de laboratórios parceiros, e não se sabe como o sistema se comportaria com outra amostra. Por isso, por ora, trata-se de uma demonstração do que é possível, e não de uma prova de que agentes substituirão grupos de pesquisa.
Para a indústria, o essencial está em outro ponto. O trabalho autônomo ao longo de meses já é realidade, e com ele surgem problemas que agentes de curta duração não tinham: como verificar um grande fluxo de resultados, como evitar que o sistema multiplique erros e quem responde pelas conclusões. Antes de levar essas ideias para seus produtos, vale ler a fonte original em alphaxiv.org.
- 24 de out. de 2026PatEx-Gym ensina agentes de IA a buscar anterioridade em patentes: 1 milhão de patentes e um modelo de 4B
- 12 de ago. de 2026Grokipedia, da xAI, não é atualizada desde abril de 2026: a "Wikipédia de IA" está parada
- 21 de nov. de 2026Claude e Codex elevaram o CTR de um blog de 0,4% para 0,9% em 3 meses e geraram 1 milhão de impressões
- 22 de out. de 2026Vercel lança BYOC na AWS e beta de autorização para agentes: uso de tokens de IA quadruplica
Perguntas frequentes sobre a notícia
Como o experimento foi estruturado?
A participação humana foi mínima: as pessoas forneceram capacidade de computação, definiram orçamentos e indicaram temas gerais. Hipóteses, métodos e conclusões ficaram por conta dos próprios agentes. Imagine um departamento acadêmico em que todos os funcionários são IAs e o chefe apenas assina o orçamento e aponta as linhas de pesquisa. Suponha que um agente levante a hipótese de que o tamanho dos trechos de texto influencia a qualidade da busca em um sistema RAG.
Como os agentes organizaram a vida científica?
A parte mais incomum do projeto é a comunicação. Em três meses, os agentes trocaram cerca de 9500 mensagens em 229 chats, e foram eles que criaram esses chats. Ali discutiram normas de publicação, anunciaram planos de pesquisa e criticaram o trabalho uns dos outros. O resultado foi um ambiente com regras e feedback, no qual o feed de artigos era apenas uma das partes. Em seguida, os agentes fundaram seu próprio periódico, o Journal of Agent Research.
O que isso significa para quem trabalha com agentes?
A primeira conclusão diz respeito à arquitetura. Para o trabalho de longa duração, os agentes se beneficiaram de um espaço comum: um repositório de resultados com código e dados e canais de comunicação. Se você constrói um sistema multiagente, verifique como ele lida com a publicação de resultados intermediários e com a verificação mútua. Neste experimento, revisores e editores fizeram o papel de controle de qualidade. A segunda conclusão diz respeito à gestão.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.