Resolvendo uma Tarefa de LLM de Um Milhão de Passos com Zero Erros

Solving a Million-Step LLM Task with Zero Errors

November 12, 2025

Autores: Elliot Meyerson, Giuseppe Paolo, Roberto Dailey, Hormoz Shahrzad, Olivier Francon, Conor F. Hayes, Xin Qiu, Babak Hodjat, Risto Miikkulainen

cs.AI

Resumo

Os LLMs alcançaram avanços notáveis em raciocínio, percepção e uso de ferramentas, mas a combinação dessas capacidades em processos estendidos na escala daqueles rotineiramente executados por humanos, organizações e sociedades permaneceu fora de alcance. Os modelos apresentam uma taxa de erro persistente que impede a escalabilidade: por exemplo, experimentos recentes no domínio de referência das Torres de Hanói mostraram que o processo inevitavelmente descarrila após, no máximo, algumas centenas de passos. Assim, embora a pesquisa com LLMs ainda seja frequentemente avaliada em tarefas com relativamente poucos passos lógicos dependentes, há uma atenção crescente na capacidade (ou incapacidade) dos LLMs de executar tarefas de longo alcance. Este artigo descreve o MAKER, o primeiro sistema que resolve com sucesso uma tarefa com mais de um milhão de passos de LLM sem erros e que, em princípio, escala muito além desse nível. A abordagem baseia-se numa decomposição extrema de uma tarefa em subtarefas, cada uma das quais pode ser resolvida por microagentes especializados. O alto nível de modularidade resultante da decomposição permite que a correção de erros seja aplicada a cada passo através de um esquema eficiente de votação multiagente. Esta combinação de decomposição extrema e correção de erros torna a escalabilidade possível. Desta forma, os resultados sugerem que, em vez de depender da melhoria contínua dos LLMs atuais, os processos agentivos massivamente decompostos (MDAPs) podem fornecer uma forma de resolver problemas eficientemente ao nível de organizações e sociedades.

English

LLMs have achieved remarkable breakthroughs in reasoning, insights, and tool use, but chaining these abilities into extended processes at the scale of those routinely executed by humans, organizations, and societies has remained out of reach. The models have a persistent error rate that prevents scale-up: for instance, recent experiments in the Towers of Hanoi benchmark domain showed that the process inevitably becomes derailed after at most a few hundred steps. Thus, although LLM research is often still benchmarked on tasks with relatively few dependent logical steps, there is increasing attention on the ability (or inability) of LLMs to perform long range tasks. This paper describes MAKER, the first system that successfully solves a task with over one million LLM steps with zero errors, and, in principle, scales far beyond this level. The approach relies on an extreme decomposition of a task into subtasks, each of which can be tackled by focused microagents. The high level of modularity resulting from the decomposition allows error correction to be applied at each step through an efficient multi-agent voting scheme. This combination of extreme decomposition and error correction makes scaling possible. Thus, the results suggest that instead of relying on continual improvement of current LLMs, massively decomposed agentic processes (MDAPs) may provide a way to efficiently solve problems at the level of organizations and societies.