Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarX: @HowToPrompt__→ original

Agente da Microsoft escreveu os pesos de uma rede neural à mão e atingiu 100% de acurácia em 13 tarefas

Normalmente, uma rede neural é treinada por gradiente descendente, e só depois se tenta adivinhar como ela funciona por dentro. A Microsoft pediu a um agente de programação que escrevesse, em Python, os pesos de uma rede como uma hipótese, que ele verificasse essa hipótese com testes e a reescrevesse. Nas 13 tarefas, como ordenação e cálculo do máximo divisor comum, ele atingiu 100% de acurácia, e os modelos ficaram 29 vezes menores, com mediana de 166 parâmetros. Se o resultado pode ser lido, um erro nos dados aparece logo, e não depois da publicação.

Processado por IA de X: @HowToPrompt__; editado por Hamidun News
Agente da Microsoft escreveu os pesos de uma rede neural à mão e atingiu 100% de acurácia em 13 tarefas
Fonte: X: @HowToPrompt__. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalX: @HowToPrompt__ ↗
Editor-chefe
Dado-chave #1No fMRI do córtex visual, o modelo superou todas as abordagens interpretáveis conhecidas
Dado-chave #2Os atributos auditivos melhoraram a previsão dos sinais em 126 dos 166 eletrodos
Dado-chave #3O salto da pontuação de 0,067 para 0,104 se revelou um bug do conjunto de dados, e não um significado

Nas redes sociais, o novo artigo da Microsoft está sendo chamado de "o fim da retropropagação". A manchete é chamativa, mas a essência é mais modesta e mais útil. Normalmente, uma rede neural é treinada assim: seus números, os pesos, são ajustados milhões de vezes por gradiente descendente, até que as respostas fiquem precisas.

O resultado é uma caixa-preta: funciona, mas não se sabe por quê. Os pesquisadores da Microsoft propuseram o método iWSP (Interpretable Weight-Space Programming, "programação no espaço de pesos com resultado interpretável"). Um agente de programação escreve os pesos de uma pequena rede diretamente em código Python comum, como um cientista que registra uma hipótese na forma de uma fórmula.

Sem gradiente descendente e sem pesos pré-treinados, ele resolveu 13 tarefas algorítmicas com 100% de acerto, e o tamanho dos modelos ficou, na mediana, em apenas 166 parâmetros. Para quem constrói agentes e trabalha com dados, isso é um exemplo claro de como obter artefatos verificáveis em vez de caixas-pretas.

Como o agente escreve os pesos em vez de treinar

O ciclo lembra o trabalho habitual de um pesquisador. O agente formula uma ideia matemática sobre como resolver a tarefa e a registra diretamente nos pesos do modelo. Em seguida, um avaliador fixo executa o modelo nos testes e devolve a pontuação. O agente observa o número, corrige o código e repete o ciclo.

Uma rede neural comum se parece com um cozinheiro que, por tentativa e erro, chegou a uma receita e não consegue explicar por que ela funciona. Aqui, quem escreve a receita é o próprio autor, e cada linha pode ser lida, questionada e corrigida.

Primeiro, o método foi testado em 13 tarefas algorítmicas: ordenação, multiplicação, distância de edição (quantas edições separam uma string de outra) e máximo divisor comum. Segundo o relato, o agente obteve 100% de acurácia em todas. Os modelos ficaram 29 vezes mais compactos que os convencionais, com tamanho mediano de 166 parâmetros. Se essa mesma rede for descrita em menos de 200 palavras, outro modelo de IA "recente" consegue reconstruí-la do zero, também com 100% de acurácia. A rede é tão transparente que pode ser explicada em palavras.

Cérebro, Whisper e a armadilha nos dados

Depois, o método foi aplicado à neurociência. Redes profundas preveem bem como o cérebro reage a imagens, fala e histórias, mas não explicam o mecanismo. Nos dados de fMRI (imagens da atividade cerebral enquanto as pessoas olham figuras), o modelo escrito à mão superou todas as abordagens interpretáveis existentes e funcionou com pessoas novas e imagens novas.

Nos registros de ECoG (eletrodos colocados diretamente sobre a superfície do cérebro durante a audição de sons), os atributos acústicos montados pelo agente captaram sinais que o Whisper-large-v3, da OpenAI, deixou passar. A previsão melhorou em 126 dos 166 eletrodos.

O episódio mais revelador aconteceu num conjunto de dados de fMRI de linguagem, em que as pessoas ouviam histórias. A pontuação do agente subiu de repente, de 0,067 para 0,104, e ultrapassou o GPT-2 XL. Com uma caixa-preta, esse salto provavelmente seria comemorado e publicado. Mas o código era legível, e os pesquisadores olharam por dentro. Descobriu-se que o agente havia encontrado um defeito nos dados: ele acompanhava a deriva do sinal no início e no fim da varredura, e não o significado da história. Quando as bordas danificadas das gravações foram cortadas, o agente ainda assim montou atributos semânticos transparentes, e em qualidade eles se igualaram ao GPT-2 XL.

O que isso significa na prática

A principal lição diz respeito à auditoria, e não à rejeição dos gradientes. Um agente que recebe uma métrica otimiza justamente essa métrica e encontra qualquer brecha. Se o resultado é legível, a brecha aparece logo. Isso é útil para quem constrói pipelines de agentes com avaliação automática: erros nos dados ou no avaliador precisam ser detectados antes da publicação.

Há também limitações honestas. Em primeiro lugar, este é o relato de uma publicação no X, e não o próprio artigo, então os números devem ser conferidos na fonte original. Em segundo lugar, tarefas algorítmicas com 166 parâmetros estão muito distantes de modelos de linguagem com bilhões de pesos, e nada indica que essa abordagem vá substituir o pré-treinamento de LLMs grandes. Em terceiro lugar, o próprio agente continua sendo um LLM comum, treinado por retropropagação. Ou seja, a backprop não desapareceu: ela apenas trabalha em outro nível.

Ainda assim, a ideia é interessante. Se um modelo for necessário para explicação científica, auditoria regulatória ou lógica crítica em que é preciso entender a causa de uma resposta, a combinação "agente de programação mais avaliador rigoroso" oferece um caminho para obter um modelo compacto e verificável. Dá para testar agora mesmo: forneça ao agente um conjunto fixo de testes, exija código legível e veja quais padrões ele encontra.

História

Perguntas frequentes sobre a notícia

Como o agente escreve os pesos em vez de treinar?

O ciclo lembra o trabalho habitual de um pesquisador. O agente formula uma ideia matemática sobre como resolver a tarefa e a registra diretamente nos pesos do modelo. Em seguida, um avaliador fixo executa o modelo nos testes e devolve a pontuação. O agente observa o número, corrige o código e repete o ciclo. Uma rede neural comum se parece com um cozinheiro que, por tentativa e erro, chegou a uma receita e não consegue explicar por que ela funciona.

O que se sabe sobre Cérebro, Whisper e a armadilha nos dados?

Depois, o método foi aplicado à neurociência. Redes profundas preveem bem como o cérebro reage a imagens, fala e histórias, mas não explicam o mecanismo. Nos dados de fMRI (imagens da atividade cerebral enquanto as pessoas olham figuras), o modelo escrito à mão superou todas as abordagens interpretáveis existentes e funcionou com pessoas novas e imagens novas.

O que isso significa na prática?

A principal lição diz respeito à auditoria, e não à rejeição dos gradientes. Um agente que recebe uma métrica otimiza justamente essa métrica e encontra qualquer brecha. Se o resultado é legível, a brecha aparece logo. Isso é útil para quem constrói pipelines de agentes com avaliação automática: erros nos dados ou no avaliador precisam ser detectados antes da publicação. Há também limitações honestas.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…