Google Research lança o PaperOrchestra: 5 agentes de IA escrevem um artigo científico a partir de rascunhos
Há a ideia e os registros dos experimentos, mas ainda não há artigo: faltam o plano, a revisão de trabalhos alheios, os gráficos e a diagramação. O Google Research lançou o PaperOrchestra, um conjunto de cinco agentes de IA que montam, a partir de rascunhos, um manuscrito em LaTeX no formato usado por conferências científicas. Um agente cria o plano, outro busca a literatura, e os demais escrevem as seções, revisam o texto e desenham os gráficos. O repositório acumulou 306 estrelas em um dia, mas ainda não há métricas de qualidade.
Processado por IA de GitHub Trending AI; editado por Hamidun News
Imagine um doutorando cujos experimentos já foram executados: há anotações de texto com a ideia e tabelas com os resultados das execuções. Até um artigo pronto, ainda restam semanas de trabalho rotineiro: montar a estrutura, encontrar e resumir trabalhos alheios, desenhar os gráficos e, por fim, adequar tudo às exigências da conferência. O Google Research publicou no GitHub o projeto PaperOrchestra, que busca automatizar justamente essa parte.
Ele usa cinco agentes de IA (instâncias separadas de um modelo de linguagem, cada uma com um papel restrito), e o resultado é um manuscrito em LaTeX, a linguagem de diagramação em que as conferências científicas recebem os artigos. Em um dia, o repositório acumulou 306 estrelas, ou seja, usuários do GitHub o marcaram como interessante, e ele entrou nas tendências.
O que o PaperOrchestra faz
Trata-se de um framework multiagente: em vez de um único modelo grande a quem se pede "escreva um artigo", trabalha uma equipe de especialistas. Segundo a descrição dos autores, há um agente de plano, um agente de revisão da literatura, um agente de redação das seções, um agente de refinamento do texto e um agente de construção dos gráficos.
A entrada são materiais "brutos": uma descrição da ideia e o registro dos experimentos. Não se exige deles uma estrutura rígida. Na saída, obtém-se um manuscrito formatado de acordo com o template da conferência-alvo, com revisão da literatura e ilustrações geradas: gráficos de resultados e diagramas conceituais.
Se decompusermos o trabalho do doutorando por papéis, chega-se exatamente a esse esquema. O primeiro agente esboça a estrutura do artigo. O segundo busca trabalhos relevantes, seleciona os mais importantes e os integra ao texto. O terceiro redige as seções. O quarto relê o texto e o aprimora. O quinto monta os gráficos a partir do código.
Como executar
O projeto é instalado em um ambiente Conda separado com Python 3.11, e as dependências vêm do requirements.txt. São necessárias chaves para os modelos que você pretende usar. Para o Gemini, é preciso um projeto e uma região do Vertex AI ou a variável GEMINI_API_KEY; para os modelos da OpenAI, a OPENAI_API_KEY. Além disso, indica-se a chave da Semantic Scholar, necessária para a busca de literatura. Se quiser que a demonstração envie o resultado por e-mail, acrescentam-se mais dois campos.
A execução acontece pelo script paper_writing_cli.py. São dois parâmetros obrigatórios: a pasta com os materiais de origem e a pasta com o template LaTeX. A pasta de saída pode ser omitida, caso em que é criado um diretório com carimbo de data e hora. Há uma chave para ativar o agente de gráficos e uma escolha separada de modelo para os agentes que redigem e pesquisam a literatura e para os agentes revisores, que verificam e reformulam o rascunho. Para quem não quer lidar com o console, há uma demonstração interativa em Streamlit.
O repositório contém os scripts de avaliação automática, a lógica principal dos agentes e do pipeline, funções auxiliares para chamadas de API e para trabalhar com PDF, além dos templates de conferências. Um template próprio pode ser adicionado criando-se uma subpasta.
Limitações e o que fazer com elas
É importante avaliar com sobriedade o que o material não traz. Não há números sobre a qualidade: não se sabe com que frequência os artigos gerados passam pela revisão por pares nem o quanto as referências bibliográficas são precisas. O conjunto de dados usado para validar o projeto ainda não foi publicado, e os autores prometem divulgá-lo mais tarde. O trabalho é descrito no preprint arXiv:2604.05018 (Yiwen Song, Yale Song, Tomas Pfister, Jinsung Yoon). O repositório está marcado explicitamente como um produto não oficial do Google, por isso não se deve esperar suporte nem garantias.
Há também uma questão ética que o código não resolve. A montagem automática de um manuscrito a partir de registros pode facilmente se transformar em uma enxurrada de artigos fracos, e muitas conferências têm regras sobre o uso de IA na redação. A responsabilidade pela veracidade dos fatos, pela correção das referências e pela descrição honesta dos experimentos continua com o autor.
A conclusão prática para desenvolvedores de agentes: o PaperOrchestra é um exemplo claro de arquitetura em que a tarefa é dividida em papéis estreitos e, após a redação, há uma etapa separada de autoverificação. Esse padrão pode ser aplicado a outros documentos longos, como relatórios técnicos, documentação e notas analíticas. Para pesquisadores, é uma forma de obter rapidamente um primeiro rascunho e uma base para revisões, mas não substitui o trabalho próprio. Enquanto o conjunto de dados e as avaliações independentes não forem publicados, o projeto deve ser visto como um material interessante em estágio inicial, e não como uma ferramenta pronta para submeter artigos.
- 21 de nov. de 2026Rede neural MIRA desenha Rocket League a 20 quadros por segundo, mas o ping chega a 460 ms
- 21 de nov. de 2026Google criou uma cópia fechada da internet com bancos falsos para treinar agentes de IA do Chrome
- 21 de nov. de 2026No MLPerf Training, pela primeira vez, aparecem Nvidia Rubin e TPU Ironwood: 153 sistemas
- 21 de nov. de 2026Google abre pré-venda de óculos inteligentes com Gemini a partir de US$ 395 — vendas começam em 10 de dezembro
Perguntas frequentes sobre a notícia
O que o PaperOrchestra faz?
Trata-se de um framework multiagente: em vez de um único modelo grande a quem se pede "escreva um artigo", trabalha uma equipe de especialistas. Segundo a descrição dos autores, há um agente de plano, um agente de revisão da literatura, um agente de redação das seções, um agente de refinamento do texto e um agente de construção dos gráficos. A entrada são materiais "brutos": uma descrição da ideia e o registro dos experimentos. Não se exige deles uma estrutura rígida.
Como executar?
O projeto é instalado em um ambiente Conda separado com Python 3.11, e as dependências vêm do requirements.txt. São necessárias chaves para os modelos que você pretende usar. Para o Gemini, é preciso um projeto e uma região do Vertex AI ou a variável GEMINI_API_KEY; para os modelos da OpenAI, a OPENAI_API_KEY. Além disso, indica-se a chave da Semantic Scholar, necessária para a busca de literatura. Se quiser que a demonstração envie o resultado por e-mail, acrescentam-se mais dois campos.
O que se sabe sobre Limitações e o que fazer com elas?
É importante avaliar com sobriedade o que o material não traz. Não há números sobre a qualidade: não se sabe com que frequência os artigos gerados passam pela revisão por pares nem o quanto as referências bibliográficas são precisas. O conjunto de dados usado para validar o projeto ainda não foi publicado, e os autores prometem divulgá-lo mais tarde. O trabalho é descrito no preprint arXiv:2604.05018 (Yiwen Song, Yale Song, Tomas Pfister, Jinsung Yoon).
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.