IBM lançou Mellea 0.4.0 e Granite Libraries para pipelines de AI verificáveis

A IBM Research lançou Mellea 0.4.0 e apresentou simultaneamente três Granite Libraries — conjuntos de adaptadores especializados para modelos Granite. O lançamento é direcionado para quem constrói não apenas chatbots, mas pipelines de IA gerenciados com verificação de estrutura, verificação de fatos e conformidade com regras.

O que foi atualizado

Mellea é uma biblioteca Python open-source para "programas generativos": em vez de prompting frágil, ela oferece a construção de fluxos LLM a partir de etapas previsíveis. A IBM a posiciona como uma alternativa a orquestradores de propósito geral, onde o comportamento do modelo geralmente permanece probabilístico e pouco reproduzível. O framework é necessário onde a saída do modelo se torna parte de um processo comercial, relatório, formulário ou cadeia de ações de agentes. A versão 0.4.0 desenvolve ideias da versão 0.3.0 e expande o kit de ferramentas de blocos de construção para tais cenários.

A nova versão introduz uma camada de integração nativa com Granite Libraries através de uma API padronizada. O foco principal é constrained decoding, para que as respostas se conformem a um schema determinado em vez de apenas "parecerem" JSON correto. Outro padrão importante é instruct-validate-repair: o sistema primeiro gera uma resposta, depois a valida e, se necessário, inicia uma correção. De acordo com as notas de lançamento, Mellea também recebeu suporte a hooks e plugins, exportação de logs via OTLP, métricas para Prometheus e OpenTelemetry, bem como rastreamento de consumo de tokens e eventos em nível de pipeline.

O que entrou em Granite Libraries

Granite Libraries não é mais um modelo universal grande, mas um conjunto de adaptadores LoRA para granite-4.0-micro. Cada adaptador é treinado em uma operação estreita dentro da cadeia: reescrever uma consulta, verificar o cumprimento de requisitos, avaliar a fidelidade aos fatos, adicionar citações ou rastrear violações de políticas. Essa abordagem permite fortalecer etapas individuais do pipeline sem retreinar completamente o modelo base. A IBM enfatiza particularmente que isso oferece ganhos de precisão com custo de parâmetros moderado e sem quebrar as capacidades essenciais do Granite.

• granitelib-core-r1.0 — adaptadores para verificação de requisitos, avaliação de confiança de resposta e explicabilidade através de atribuição de contexto.
• granitelib-rag-r1.0 — ferramentas para RAG agentic: reescrita de consulta, esclarecimento de consulta, verificação de relevância de contexto, avaliação de respondibilidade, detecção de alucinações e geração de citações.
• granitelib-guardian-r1.0 — módulos para segurança, fidelidade aos fatos e conformidade com políticas, incluindo correção de fidelidade e guardrails separados.
• Todas as bibliotecas funcionam no topo de granite-4.0-micro, e o conjunto RAG é publicado como um pacote compacto em aproximadamente 14,4 milhões de parâmetros.

Na prática, isso significa que um desenvolvedor não precisa forçar um modelo a fazer tudo igualmente bem. Em vez disso, Mellea orquestra "plugs" especializados nos lugares certos: antes da recuperação, antes da geração, após a geração e na verificação final. Para cenários corporativos, isso é especialmente útil onde você precisa seguir provadamente um schema, não responder uma pergunta insolúvel, retornar citações para cada afirmação, ou mostrar quais fragmentos de contexto o sistema realmente utilizou.

Por que o lançamento é importante

A ideia principal do lançamento é uma mudança de "modelo inteligente com um prompt grande" para arquitetura modular, onde a qualidade é controlada em cada etapa. Isso se alinha bem com tarefas reais de produto: copilots internos, busca RAG em documentos, assistentes com tool calling, verificações de conformidade e qualquer cenário onde um erro não deveria apenas ser notado pelo usuário, mas capturado automaticamente pelo sistema. Para indústrias auditadas como finanças, medicina ou gestão de documentos corporativos, essa abordagem é especialmente pragmática.

A observabilidade se destaca separadamente. Se uma pilha LLM tem callbacks, telemetria, métricas OpenTelemetry e exportação para Prometheus, uma equipe já pode gerenciá-la como um serviço de produção comum: ver onde os tokens são perdidos, em qual etapa a validação falha, quais adaptadores acionam um ciclo de reparo com mais frequência. Isso simplifica não apenas a depuração, mas a operação: funções de IA começam a parecer um serviço mensurável, não uma caixa preta com boas demos. Para equipes convertendo pilotos em produção, isso costuma ser mais importante do que o próximo ganho de benchmark.

Outro movimento forte da IBM é apostar em adaptadores especializados em vez de inchar o modelo base para cada tarefa. Core tem avaliação de incerteza e verificação de requisitos, RAG tem manipulação de consultas, relevância e citação, Guardian tem verificações de segurança, fidelidade aos fatos e conformidade com políticas. Juntos, isso transforma Granite não apenas em um modelo, mas em um conjunto de primitivos aplicados para construir sistemas de IA controlados. De fato, parte do QA manual e ajuste de prompt é movida aqui para componentes separados e verificáveis.

O que significa

A IBM está apostando não em "mais um chat", mas em infraestrutura para processos de IA verificáveis. Se a abordagem Mellea e Granite Libraries pegar, o mercado se afastará mais rapidamente da engenharia de prompt manual para uma forma mais orientada a engenharia, modular e auditável de construir produtos LLM, onde o que importa não é apenas a qualidade da resposta, mas também a capacidade de explicar, verificar e, se necessário, corrigir automaticamente antes de entregar ao usuário.