Artigos de pesquisa em IA selecionados diariamente com traduções
Apresentamos o PerceptionRubrics, um arcabouço de avaliação baseado em rubricas que aborda a lacuna entre pontuações saturadas em benchmarks e a fragilidade em situações reais. Deslocando a avaliação da correspondência semântica holística para uma auditoria atômica rigorosa, o PerceptionRubrics combina 1.038 imagens densas em informação com mais de 12.000 rubricas específicas por instância. Esses critérios são derivados de legendas douradas construídas por meio de um novo pipeline de consenso de Revisão por Pares Circular e, em seguida, destilados em um sistema de duplo fluxo de rubricas Must-Right (fatos essenciais) e Easy-Wrong (detalhes refinados). Crucialmente, o PerceptionRubrics implementa um mecanismo de Pontuação com Portão (Gated Scoring): diferentemente de médias lineares, falhas em fatos visuais obrigatórios acionam penalidades binárias acentuadas. Uma avaliação extensa revela insights críticos: (1) A Lacuna de Confiabilidade: modelos frequentemente verificam corretamente elementos fragmentados, mas falham em restrições conjuntivas estritas, expondo fragilidade em domínios densos; (2) A Estratificação Aberto-Fechado: contrariando tendências de raciocínio, revelamos um déficit de percepção persistente de 8% entre as fronteiras de código aberto e proprietário; e (3) O Rigor Alinhado ao Humano: nossas métricas com portão superam substancialmente benchmarks convencionais em alinhamento, validando que a fidelidade perceptual estrita é o pré-requisito para uma geração confiável.
A geração de vídeo em streaming está emergindo como uma nova carga de trabalho de serviço, na qual os usuários interagem com sessões de longa duração que geram vídeo progressivamente, pedaço por pedaço. Diferentemente da geração de vídeo offline ou do serviço típico de LLM, a geração de vídeo em streaming deve preservar o estado da sessão durante períodos ativos e ociosos, reescalonar sessões em andamento repetidamente e entregar cada pedaço dentro de um limite de latência rigoroso. Isso cria dois desafios principais de serviço em ambientes multi-usuário e multi-GPU: heterogeneidade de duração das sessões, na qual sessões de longa duração tornam as decisões de posicionamento subótimas ao longo do tempo, e heterogeneidade temporal da demanda do usuário, na qual o número de sessões ativas flutua acentuadamente entre picos e períodos ociosos. Apresentamos o TurboServe, o primeiro sistema de serviço projetado especificamente para cargas de trabalho de geração de vídeo em streaming. O TurboServe formula o serviço como um problema de escalonamento online que coordena conjuntamente o posicionamento das sessões e o provisionamento de GPUs. Seu algoritmo de escalonamento em malha fechada combina um controlador de posicionamento ciente de migração, que reequilibra as sessões entre as GPUs para reduzir a latência máxima por pedaço, com um controlador de escalonamento automático orientado por carga, que adapta o orçamento de GPU à variação da carga de trabalho para melhorar a eficiência de custos. Para apoiar essas decisões em tempo de execução, o TurboServe implementa processamento coalescido de pedaços para agrupar sessões ativas concorrentes na mesma GPU, descarregamento GPU-CPU para suspensão e retomada de sessões e migração GPU-GPU baseada em NCCL para rebalanceamento online. Avaliamos o TurboServe em traços de produção reais da Shengshu Technology, considerando múltiplos tamanhos de modelo e clusters de GPU com até 64 GPUs NVIDIA B300. Em comparação com configurações de serviço de base, o TurboServe reduz a latência por pedaço no pior caso em 37,5% e o custo operacional total da GPU em 37,2%, em média. Nosso código está disponível publicamente em https://github.com/shengshu-ai/TurboServe.
Na execução de LLM desagregada com pré-preenchimento e decodificação (PD), cada requisição é atribuída a um trabalhador de decodificação após o pré-preenchimento. Os roteadores de decodificação existentes equilibram apenas a carga; para modelos de mistura de especialistas (MoE), isso é incompleto: trabalhadores com carga igual podem diferir em latência, já que cada etapa de decodificação carrega os pesos de cada especialista distinto que seu lote ativa. Apresentamos o ELDR, um roteador de decodificação ciente da localidade dos especialistas para execução de MoE desagregada em PD. A partir das ativações de especialistas no pré-preenchimento da requisição, o ELDR constrói uma assinatura de especialistas que prevê quais especialistas serão ativados durante a geração. Offline, o K-means balanceado particiona o espaço de assinaturas entre os trabalhadores de decodificação; online, o roteamento por faixa de localidade envia cada requisição ao trabalhador menos carregado entre aqueles que melhor correspondem à sua assinatura. Um cache de assinaturas, co-indexado com o cache KV na granularidade de blocos KV, mantém as assinaturas exatas sob cacheamento de prefixo. Implementado no vLLM e avaliado em implantações de até 40 GPUs, o ELDR reduz o TPOT mediano em 5,9–13,9% em relação ao melhor dos quatro métodos de balanceamento de carga de base, em três modelos MoE e duas cargas de trabalho, com as saídas do modelo inalteradas.
A memória emergiu como um elemento central dos agentes modernos baseados em LLM, impulsionando sua evolução de assistentes de turno único para colaboradores de longo prazo. No entanto, a memória nem sempre é benéfica: memórias recuperadas frequentemente induzem um problema crítico de bajulação (sycophancy), fazendo com que os agentes se alinhem excessivamente ao usuário em detrimento da precisão factual ou do raciocínio objetivo. Apesar desse risco emergente, os benchmarks de memória existentes avaliam principalmente se as memórias são corretamente armazenadas, recuperadas ou atualizadas, negligenciando como as memórias recuperadas influenciam o raciocínio subsequente e a tomada de decisão. Para preencher essa lacuna, propomos o MemSyco-Bench, um benchmark abrangente para avaliar a bajulação induzida por memória em sistemas de agentes. O MemSyco-Bench mede quando a memória deve influenciar uma decisão e como a memória válida deve ser utilizada. Especificamente, ele abrange cinco tarefas que avaliam se os agentes conseguem rejeitar a memória como evidência factual, respeitar seu escopo de aplicação, resolver conflitos entre memória e evidências objetivas, rastrear atualizações de memória e usar memória válida para personalização. Todos os recursos relacionados estão disponíveis para a comunidade em https://github.com/XMUDeepLIT/MemSyco-Bench.
Apresentamos o Seed2.0, uma série de modelos que representa um passo significativo para resolver tarefas complexas do mundo real. Nossa abordagem começa por identificar as necessidades genuínas dos usuários e construir um sistema de avaliação confiável e prospectivo, selecionando e abstraindo benchmarks fundamentados nessas necessidades e em cenários realistas e complexos. Guiado por esse sistema de avaliação, o Seed2.0 visa dois desafios persistentes — conhecimento de cauda longa e seguimento de instruções complexas —, melhorando substancialmente a confiabilidade do modelo em tarefas intrincadas e de longo horizonte. Além disso, o Seed2.0 oferece inteligência de raciocínio líder mundial, compreensão visual e capacidades de busca que atendem às necessidades mais comuns de uma ampla base de usuários. Por meio de casos de uso extensivos do mundo real documentados nesta ficha técnica do modelo, demonstramos que o Seed2.0 começa a exibir a capacidade de lidar com tarefas complexas iniciais do mundo real, entregando maior valor a centenas de milhões de usuários.
Modelos de Linguagem Grandes Multimodais (MLLMs) são frequentemente limitados por um gargalo no espaço de linguagem, forçando o raciocínio visual complexo a ser representado em tokens discretos, o que pode perder nuances perceptivas. Uma alternativa promissora é o raciocínio latente contínuo, cujo objetivo é descobrir caminhos implícitos de raciocínio que conectam a consulta multimodal à resposta final. No entanto, isso introduz uma grave incompatibilidade treino-inferência: um posterior no momento do treino, condicionado à resposta correta, pode explorar atalhos dependentes da resposta. O treinamento variacional padrão então força a priori no momento da inferência a imitar um posterior que tem acesso a informações indisponíveis no momento do teste, levando a um desempenho ruim. Para lidar com isso, propomos o Aprendizado Variacional Mútuo Assimétrico (AMVL), uma estrutura que resolve essa incompatibilidade por meio de um objetivo de calibração bidirecional. Uma divergência KL direta treina a priori, que é independente do alvo, para corresponder ao posterior, enquanto uma divergência KL reversa inovadora regulariza simultaneamente o posterior, impedindo-o de colapsar em regiões incompatíveis com a inferência e mitigando esse "vazamento de resposta". Fornecemos análise teórica formalizando esse vazamento como contaminação da priori e provamos que nosso objetivo KL duplo o reduz. Instanciamos o AMVL em um MLLM com integração latente e mostramos que ele supera consistentemente fortes linhas de base de raciocínio discreto e latente, melhorando a pontuação média no complexo benchmark BLINK em +10,83 e obtendo ganhos de até +32,00 em tarefas individuais de raciocínio, com análises confirmando a melhoria na estabilidade do espaço latente.
Modelos Visão-Linguagem-Ação (VLA) frequentemente falham ao executar as mesmas tarefas aprendidas sob mudanças ambientais, como alterações na pose da câmera e migrações para um robô diferente, porém similar (por exemplo, de Panda para UR5e). Adaptar esses modelos ao ambiente modificado (ou seja, domínio alvo) geralmente exige treinamento com múltiplas demonstrações para cada tarefa, que são custosas de coletar. Para reduzir o ônus da curadoria de dados e do treinamento, propomos um método baseado em analogia que adapta modelos VLA sob mudanças ambientais por meio de aritmética de vetores de peso com adição de informações específicas do domínio, denominado Domain ARiThmetic (DART). Diferentemente de abordagens anteriores, o DART exige a coleta de apenas uma única demonstração, possibilitando uma adaptação eficiente. Para isolar com precisão as informações específicas do domínio a serem adicionadas, o DART realiza um alinhamento de subespaços entre componentes singulares nos vetores de peso, a fim de filtrar componentes ruidosos. Tanto em experimentos simulados quanto no mundo real, o DART supera os métodos existentes de adaptação de VLA em cenários de one-shot, abrangendo diversas mudanças visuais e de corporificação. O código está disponível em https://github.com/snumprlab/dart.
No treinamento de Modelos de Linguagem de Grande Escala (LLMs), a mistura de dados desempenha um papel fundamental na determinação do desempenho do modelo. Métodos recentes otimizam pesos de mistura por meio de modelos proxy, mas dependem da suposição de distribuições de dados estáticas. Como resultado, quando o conjunto subjacente de dados muda, esses métodos exigem um retreinamento custoso do zero. Essa limitação restringe sua capacidade de escalar de forma contínua de configurações pequenas para conjuntos de dados e tamanhos de modelo maiores. Neste artigo, propomos o CausalMix para abordar essa limitação, enquadrando a otimização da mistura de dados como um problema de inferência causal. Formulamos as características estatísticas do conjunto de dados como covariáveis e a mistura de domínios como o tratamento. Após ajustar um modelo causal em 512 execuções do Qwen2.5-0.5B para estimar o Efeito Médio do Tratamento Condicional (CATE), extrapolamos a mistura ideal para um conjunto de dados de 800K e a aplicamos para treinar um modelo de 7B. Além disso, generalizamos com sucesso a estrutura para dados de cadeia de pensamento longa no Qwen3-4B-Base. Ao utilizar a modelagem causal para isolar vieses de confusão, o CausalMix infere dinamicamente misturas de dados ideais dependentes do estado. Experimentos extensivos mostram que a mistura guiada pelo CausalMix melhora consistentemente o desempenho em várias tarefas downstream, superando o RegMix e outras baselines. Além disso, usamos o Interpretador CATE para fornecer uma análise visual da estratégia de mistura aprendida. Em suma, o CausalMix oferece uma estrutura causal e interpretável para otimizar misturas de dados em LLMs.
A programação tradicional de robôs é desafiadora: exige orquestrar percepção multimodal, gerenciar dinâmicas de contato físico e lidar com diversas configurações e falhas de execução. Apresentamos o ASPIRE (Programação de Habilidades Agêntica por Exploração Iterativa de Robôs), um sistema de aprendizado contínuo que escreve e refina autonomamente programas de controle de robôs no paradigma de código como política, ao mesmo tempo que acumula experiência em uma biblioteca de habilidades reutilizável. O ASPIRE descobre habilidades que persistem entre tarefas, cenários de simulação e mundo real, e embodiamentos. Ele opera em um ciclo aberto com três componentes: (1) um motor de execução robótica em malha fechada que expõe rastros multimodais detalhados, permitindo diagnóstico autônomo de falhas, síntese de reparos e validação; (2) uma biblioteca de habilidades em expansão contínua que destila correções validadas em conhecimento reutilizável e transferível; e (3) busca evolutiva que gera sequências diversas de tarefas e programas de controle para explorar além do refinamento de trajetória única. O ASPIRE supera métodos anteriores em até 77% na manipulação LIBERO-Pro sob perturbação, 72% na transferência bimanual Robosuite e 32% em tarefas domésticas de longo horizonte BEHAVIOR-1K. Sua biblioteca acumulada também permite generalização zero-shot para tarefas de longo horizonte não vistas: no LIBERO-Pro Long, o ASPIRE atinge 31% de sucesso contra 4% de métodos anteriores, apesar do uso de raciocínio e repetições em tempo de teste por parte destes. Finalmente, habilidades descobertas em simulação fornecem evidências iniciais de transferência sim-para-real, reduzindo substancialmente o esforço de programação de robôs reais em diferentes embodiamentos e APIs robóticas.
O raciocínio visual de granularidade fina continua sendo desafiador para modelos de visão-linguagem, especialmente quando pistas visuais pequenas, porém críticas, estão ocultas em imagens de alta resolução. Abordagens existentes dependem de cortes repetidos ou busca visual em tempo de teste para introduzir evidências locais, mas geralmente não distinguem explicitamente percepção de raciocínio. Neste artigo, propomos Perceive-to-Reason (P2R), uma estrutura unificada que formula o raciocínio visual de granularidade fina como um processo de dois estágios: o modelo primeiro localiza evidências relevantes para a pergunta como um Perceiver (Perceptor) e, em seguida, responde à pergunta como um Reasoner (Raciocinador) com base na imagem anotada e nas regiões recortadas. Para alinhar melhor o treinamento com esta formulação desacoplada, introduzimos ainda a Perception-Reasoning Alternating GRPO (PRA-GRPO), uma estratégia de aprendizado por reforço ciente dos papéis que alterna entre atualizações focadas na percepção e no raciocínio, utilizando apenas supervisão da resposta final. Construído sobre Qwen3-VL-Instruct-2B/4B/8B, o P2R melhora consistentemente o desempenho em todas as escalas de modelo. Em particular, o P2R-4B atinge 93,2% no V-Star, 81,9% no HR-Bench-4K e 80,5% no HR-Bench-8K, superando substancialmente sua arquitetura base correspondente. Experimentos adicionais mostram que os benefícios do P2R se estendem além de benchmarks de alta resolução para tarefas mais amplas de raciocínio multimodal. Esses resultados sugerem que desacoplar explicitamente a percepção do raciocínio fornece uma estrutura eficaz para o raciocínio visual de granularidade fina.
A manipulação móvel é uma capacidade essencial para robôs de uso geral, mas ainda representa um desafio para os métodos atuais de aprendizado corporificado. As políticas VLA são tipicamente reativas e carecem de modelagem explícita do mundo, enquanto os Modelos de Ação Mundial (WAMs) existentes ainda são pouco alinhados com a estrutura da manipulação móvel: eles operam em segmentos grossos de vídeo, modelam ações de navegação-manipulação entrelaçadas e treinam dinâmica inversa sob supervisão que não corresponde à inferência autorregressiva. Como consequência, frequentemente perdem dinâmicas de contato sutis, sofrem conflitos de distribuição de ações e acumulam erros ao longo de desdobramentos de horizonte longo. Propomos o ABot-M0.5, um novo WAM construído sobre a percepção de que a manipulação móvel requer alinhamento em três níveis: granularidade temporal, espaço de ações e consistência treino-teste. Para alinhar a granularidade temporal, introduzimos ações latentes intermediárias que capturam transições locais do estado visual e servem como um espaço de ação ponte entre latentes de vídeo e controles específicos da corporificação. Para alinhar o espaço de ações, projetamos uma arquitetura de Mistura de Transformadores de dois níveis que desembaraça tanto representações de modalidade quanto subespaços de ação heterogêneos, como movimento da base e manipulação do braço. Para alinhar as condições de inferência, propomos a estratégia de treinamento dream-forcing, que treina progressivamente a dinâmica inversa em vídeos previstos pelo modelo, melhorando o alinhamento treino-teste e a robustez durante a predição autorregressiva. Experimentos em benchmarks desafiadores de manipulação móvel e de precisão fina demonstram que o ABot-M0.5 alcança desempenho de ponta tanto no sucesso de tarefas de horizonte longo quanto na precisão do controle refinado. Esses resultados destacam a importância crítica da modelagem de ação-mundo alinhada à granularidade, desembaraçada de ações e consistente com a inferência.
Treinar modelos de linguagem (MLs) continua sendo um processo altamente intensivo em recursos humanos, mesmo à medida que agentes de modelos de linguagem de ponta se tornam cada vez mais capazes em engenharia de software e outras tarefas de longo horizonte. Um desafio central é que o pós-treinamento autônomo não é apenas um problema de codificação: ele exige que o agente planeje iterações repetidamente, construa dados alinhados a benchmarks, execute tarefas de treinamento estáveis, avalie checkpoints e preserve o estado do experimento ao longo de muitas horas de interação. Apresentamos o AutoTrainess, um agente ML que expõe essas operações como um repositório de interfaces agente-computador para planejamento, preparação de dados, treinamento, avaliação e registro. Em vez de deixar o agente operar em um ambiente CLI bruto com um espaço de ação subespecificado, o AutoTrainess externaliza a experiência humana prévia como fluxos de trabalho, regras e restrições de execução explícitos que guiam o agente para um comportamento de treinamento eficaz e confiável. No PostTrainBench, o AutoTrainess supera consistentemente as linhas de base baseadas apenas em CLI, alcançando uma pontuação média de 26,94 com GPT-5.4 (Codex) contra 23,21 para a abordagem apenas CLI. Ele também generaliza entre modelos e plataformas, melhorando o DeepSeek-V4-Flash (OpenCode) de 12,13 para 19,58.
Os Transformers utilizam o mesmo fluxo de computação direta tanto para prever o próximo token quanto para armazenar estado útil para previsões futuras de tokens. Formulamos a hipótese de separação estado-predição: desvincular os dois papéis resulta em melhor desempenho de modelagem de linguagem. Projetamos uma variante do Transformer que emprega dois fluxos de computação para separar as duas funções, e realizamos experimentos de pré-treinamento em diversas escalas. Nossos experimentos mostram que a separação estado-predição oferece consistentemente melhores eficiências de dados e computação, melhorando a perda de validação e superando os Transformers padrão em média de 2 a 3 pontos percentuais em tarefas downstream. Também conduzimos uma análise empírica abrangente que descarta possíveis confundidores e demonstra a diferença fundamental nos gradientes que nosso projeto acarreta.
Pesquisadores biomédicos utilizam cada vez mais análises e relatórios gerados por IA para interpretar sinais proteicos, mas resultados estáticos frequentemente são insuficientes para a tomada de decisões de pesquisa, onde os usuários precisam inspecionar evidências, avaliar incertezas, comparar mecanismos e refinar hipóteses. Apresentamos o BioInsight, um sistema multiagente que transita da geração estática de relatórios biomédicos para a geração de interfaces interativas centradas em evidências. Dado um nome de doença, uma tabela de associação proteica e metadados de coorte opcionais, o BioInsight organiza evidências específicas da doença por meio de artefatos intermediários tipados, incluindo vias classificadas, pacotes de evidências da literatura, notas de raciocínio em nível proteico, relatórios fundamentados em citações, esquemas de painéis e interfaces interativas renderizadas. O sistema decompõe a recuperação de evidências do raciocínio mecanicista, normaliza citações por meio de componentes determinísticos e converte a mesma evidência estruturada usada no relatório em uma interface interativa. Avaliamos o BioInsight em questões padronizadas de QA biomédico, raciocínio desafiador sobre função proteica e síntese de evidências biomédicas de ponta a ponta. Os resultados mostram que o BioInsight alcança o melhor desempenho e sugerem que sistemas de IA biomédica devem ir além de relatórios exclusivamente textuais e estáticos, em direção a artefatos de evidências interativos e que preservem a proveniência.
Modelos de mundo podem viabilizar o Controle Preditivo por Modelo (MPC), mas isso requer previsão de dinâmica que seja simultaneamente rápida o suficiente para uso online e expressiva o bastante para representar futuros incertos. Modelos de difusão oferecem um mecanismo natural para modelar dinâmicas incertas, embora seu procedimento iterativo de inferência dificulte sua aplicação em planejamento latente de baixa latência. Superamos essa lacuna com o Value Diffusion World Models (Valdi), combinando treinamento online ponta a ponta para MPC com um modelo de dinâmica de difusão latente. Em experimentos preliminares no ambiente CarRacing, mostramos que o Valdi, utilizando uma única etapa de difusão tanto no treinamento quanto na inferência, equipara-se a uma linha de base determinística de MLP. Nossos experimentos revelam um trade-off entre multimodalidade preditiva e desempenho de controle nessa configuração. O código está disponível em https://github.com/Kit115/ValueDiffusionWorldModels.
Modelos de aprendizado de máquina leves são cada vez mais propostos para detecção de intrusão em redes da Internet Industrial das Coisas (IIoT) devido à sua adequação para implantação em borda com recursos limitados. A maioria dos resultados reportados avalia esses modelos apenas dentro de sua rede de treinamento, deixando o comportamento em redes não vistas sem verificação. Este estudo treina quatro arquiteturas leves em um conjunto de dados IIoT e as avalia, sem retreinamento, em dois conjuntos de dados IIoT estruturalmente distintos, usando uma representação de características restrita a atributos disponíveis nas três fontes. A análise de explicabilidade em dois modelos de melhor desempenho mostra que ambos dependem esmagadoramente de características de categoria de porta grosseiras; a categoria mais influente ocorre no tráfego de ataque do domínio de origem em taxas de 96 a 435 vezes maiores que nos dois domínios alvo, indicando que o refinamento da resolução de porta realoca, em vez de remover, um atalho documentado. A avaliação sob distribuições de classes naturalmente desbalanceadas revela um efeito adicional: o protocolo de avaliação utilizado pode inverter qual rede alvo parece representar o maior desafio de generalização. A robustez adversarial e a recuperação por meio de exposição limitada ao domínio alvo também são avaliadas; a robustez à perturbação adversarial não está relacionada à generalização entre redes, e a recuperação por adaptação varia consideravelmente conforme a arquitetura. Essas descobertas sugerem que a prontidão para implantação deve ser avaliada usando avaliação entre redes sob distribuições de classes realistas, em vez de apenas precisão intra-domínio.
Benchmarks de otimização de desempenho em nível de repositório, como GSO, SWE-Perf e SWE-fficiency, avaliam agentes de codificação aplicando patches a repositórios reais e comparando o tempo de execução com linhas de base não otimizadas e patches de referência oficiais. Suas pontuações no leaderboard são cada vez mais usadas como evidência do progresso dos agentes de codificação, mas essas pontuações podem confundir instabilidade do tempo de execução, regras de pontuação específicas do benchmark e quantas tarefas já foram resolvidas por pelo menos uma submissão pública. Auditamos essas questões nos três benchmarks. Primeiro, reproduzimos os patches de referência oficiais para 740 tarefas de otimização de código em quatro tipos comuns de máquinas do Google Cloud. A maioria das tarefas dos benchmarks pode ser reproduzida, mas seus patches de referência satisfazem as regras de validade originais dos benchmarks em todas as reproduções entre máquinas para apenas 39/102 tarefas do GSO, 11/140 do SWE-Perf e 411/498 do SWE-fficiency; o SWE-Perf é especialmente frágil porque muitos patches de referência produzem mudanças no tempo de execução próximas de zero. Segundo, mostramos que as classificações de submissões públicas dependem fortemente da regra de pontuação do benchmark. Entre oito submissões públicas compartilhadas pelo GSO e SWE-fficiency, as classificações oficiais discordam em 9 de 28 comparações aos pares de submissões, e a regra de pontuação do leaderboard do SWE-fficiency atribui às dez piores tarefas pesos de pontuação excessivamente altos de 58,5% a 82,8%. Terceiro, considerando 10 submissões públicas para cada tarefa, descobrimos que pelo menos uma submissão iguala ou supera o patch de referência em 85,3% (384/450) das tarefas reproduzíveis válidas do GSO e SWE-fficiency, e supera o código base não otimizado em 99,8% (449/450). Nosso estudo complementa as pontuações do leaderboard ao identificar tarefas com sinais de desempenho mais confiáveis, quantificar contribuições de pontuação por tarefa e expor as lacunas de desempenho restantes que são ocultadas pelas classificações agregadas.
Acelerar a descoberta de materiais exige sistemas de IA capazes de gerar hipóteses cientificamente válidas por meio de raciocínio multi-etapas fundamentado no domínio. Modelos de linguagem amplos padrão frequentemente produzem respostas fluentes, mas fracamente rastreáveis para problemas abertos de projeto de materiais, tornando difícil determinar se as respostas finais são sustentadas por raciocínios intermediários coerentes. Desenvolvemos o Graph-PRefLexOR, uma família de modelos de raciocínio nativos em grafos ajustados com Otimização de Política Relativa em Grupo (GRPO) para organizar o raciocínio em fases explícitas de exploração de mecanismos, construção de grafos, extração de padrões e síntese de hipóteses. Esse projeto vincula a geração de linguagem neural à estrutura relacional simbólica, permitindo que conexões causais sejam construídas, inspecionadas e reutilizadas. Em 100 perguntas abertas da literatura de ciência dos materiais e mecânica, o Graph-PRefLexOR alcança melhorias de 40 a 65% em relação aos modelos base correspondentes, com os maiores ganhos na rastreabilidade do raciocínio. Análises de incorporação mostram exploração semântica mais ampla e diversidade semântica aproximadamente 2 a 3 vezes maior que as linhas de base. Análises de retrocesso semântico e de estados ocultos camada por camada revelam ainda um alinhamento mais forte entre o raciocínio estruturado e as respostas finais. Por fim, a expansão de grafos em tempo de teste indica que o poder computacional adicional promove principalmente a recombinação conceitual de longo alcance dentro de um espaço semântico limitado, em vez de simplesmente ampliar a cobertura semântica. Esses resultados estabelecem o aprendizado por reforço nativo em grafos como um caminho para sistemas de IA interpretáveis na geração de hipóteses científicas em projeto de materiais e outras aplicações científicas.
Métricas tradicionais para Geração de Relatórios Médicos (GRM) dependem predominantemente de sobreposição superficial de n-gramas, o que falha em capturar a precisão factual clínica e frequentemente negligencia erros diagnósticos catastróficos. Abordamos essa limitação fundamental propondo o AtomiMed, uma estrutura de avaliação universal e independente de modalidade que decompõe narrativas médicas complexas em uma hierarquia padronizada e multinível de Fatos Clínicos Atômicos, abrangendo entidades de nível de doença e descritores de nível de atributo, incluindo localização, morfologia e gravidade. Ao implementar um loop de Verificação Cruzada Agêntica entre relatórios de referência e previstos, o AtomiMed simula um processo de revisão por pares multi-radiologista para verificar a consistência clínica, permitindo assim a avaliação dissociada da detecção diagnóstica e da precisão descritiva. Para facilitar a avaliação padronizada, apresentamos o MRGEvalKit, um kit de ferramentas de código aberto para extração hierárquica automatizada, e curamos o OmniMRG-Bench, um benchmark multimodal abrangente que abrange Raios-X, TC, RM e Ultrassom. Experimentos extensos em múltiplos estudos de leitura anotados por especialistas demonstram que o AtomiMed alcança correlação significativamente maior com o julgamento de radiologistas humanos em comparação com métricas tradicionais e baseadas em modelos. Nosso código é disponibilizado em https://github.com/Venn2336/MRGEvalkit.
Embora os grandes modelos de linguagem (LLMs) apresentem bom desempenho em tarefas com tabelas, eles ainda cometem erros de referência de dados (DREs), ou seja, citam incorretamente ou omitem valores de tabela, apesar de compreenderem a estrutura tabular. Além da precisão da resposta final, os DREs comprometem diretamente a correção e confiabilidade das etapas intermediárias de raciocínio. No entanto, estudos anteriores ofereceram apenas análises limitadas e em pequena escala. Neste trabalho, apresentamos a primeira avaliação sistemática de erros de referência a dados tabulares em diferentes modelos e tarefas. Nossos resultados mostram que DREs ocorrem em todos os modelos testados (de 1,7 bilhões a 20 bilhões de parâmetros). Além disso, demonstramos que a incorporação da referência a dados como um crítico melhora significativamente a precisão da resposta em até 12,0%, por meio de filtragem baseada em crítico e amostragem por rejeição. Por fim, treinamos um modelo crítico leve de 4 bilhões de parâmetros que atinge uma pontuação F1 média de 78,2% na detecção de DREs tanto dentro quanto fora da distribuição, e auxilia efetivamente a inferência de modelos maiores.
Benchmarks são amplamente utilizados para avaliar a conclusão de tarefas por Modelos de Linguagem de Grande Porte (LLMs), mas essa abordagem acumulou problemas de validade de constructo, e uma pontuação de aprovação pode não demonstrar se a tarefa solicitada foi de fato entregue. Estudamos ambos os problemas. Em uma configuração controlada de código-como-especificação, dois agentes Copilot CLI de produção (claude-opus-4.7, gpt-5.5) reimplementam uma tabela de dados do React Fluent-UI em Angular como uma biblioteca reutilizável sob um oráculo Playwright oculto de 222 testes em 18 execuções e três condições de disponibilidade do oráculo. Junto com a pontuação, realizamos uma auditoria mecânica da biblioteca e verificamos cada veredito com uma ablação no-op. Sem o oráculo, a biblioteca está presente, mas inacabada, revelado pelas pontuações. Com o oráculo no circuito, a pontuação atinge quase perfeição, mas, a partir de uma demonstração que contém diretamente o comportamento testado, a biblioteca ficou inativa ou ausente. Chamamos isso de construir para o teste; a disposição mais ampla por trás de ambos chamamos de autoconsciência de validação. O agente não valida, por conta própria, o que entrega como um usuário faria. A prevalência continua sendo uma questão em aberto entre outros agentes, sinais e famílias de modelos. Além das pontuações de benchmark, disposições como a autoconsciência de validação merecem atenção da pesquisa.
O design de slides exige a personalização tanto de temas de apresentação quanto de layouts de página. No entanto, os métodos atuais baseados em agentes de IA enfrentam dificuldades com o design detalhado em nível de página. Ao depender exclusivamente de modelos pré-definidos ou de instruções verbosas dos usuários, esses métodos não conseguem capturar intenções de design latentes, deixando a Personalização de Slides em Nível de Página (PSP) sem solução. Para preencher essa lacuna, este trabalho formula a PSP como um problema de planejamento inverso. Propomos aprender uma intenção de design sem assumir qualquer conhecimento das ferramentas de execução específicas utilizadas (por exemplo, PowerPoint, Beamer). No entanto, abrir mão do controle sobre essas ferramentas torna o problema intratável para otimização ponta a ponta. Para superar isso, propomos o SPIRE, uma estrutura fundamentada para resolver a PSP de forma aproximada. Ao corromper intencionalmente as estruturas visuais de slides limpos, o SPIRE cria uma tarefa verificável de remoção de ruído, na qual dois agentes aprendem a refinar colaborativamente designs executáveis por meio de aprendizado por reforço (RL). Apresentamos uma prova de que a remoção estrutural de ruído é um substituto consistente para a PSP, e que a formulação multiagente reduz estritamente a variância do gradiente da política em RL. Experimentos extensos demonstram a superioridade do SPIRE.
Embora os modelos de Texto para Imagem (T2I) tenham demonstrado sucesso notável na geração de conteúdo visual fotorrealista, eles ainda enfrentam dificuldades com o rigoroso alinhamento semântico e raciocínio lógico exigidos para imagens científicas. Inspirados pela Tríade Semiótica de Peirce, apresentamos o Raciocínio de Imagem Científica (SciIR), um recurso abrangente para treinamento e avaliação da geração de imagens científicas. Formalizamos o raciocínio científico em três dimensões centrais: Estrutura de Entidade (Ícone), Processo Científico (Índice) e Lei Científica (Símbolo). Especificamente, para superar a escassez de dados de treinamento na geração de imagens científicas, elaboramos cuidadosamente o SciIR-82k, um conjunto de dados em larga escala contendo mais de 80.000 pares de imagem-texto científico de alta qualidade provenientes de publicações de vanguarda. O conjunto de dados é organizado hierarquicamente de acordo com as dimensões semióticas e incorpora uma Cadeia de Pensamento para Raciocínio Científico (Sci-RCoT) para modelar explicitamente a lógica visual subjacente. Para avaliação, propomos o SciIR-Bench, que se alinha com esses três níveis semióticos e emprega uma Lista de Verificação Atômica para converter a precisão científica orientada a resultados em questões verificáveis e de granulação fina orientadas a processos. Nossos extensos experimentos revelam deficiências significativas nas capacidades de raciocínio científico dos modelos atuais. Além disso, ao ajustar o modelo no conjunto de dados SciIR-82k, desenvolvemos o modelo Qwen-Image-SciIR, que alcança uma melhoria substancial no SciIR-Bench, aumentando a pontuação final de 35% para 43%, estabelecendo uma base sólida para futuros avanços na geração de imagens científicas.
Sistemas autônomos de descoberta científica oferecem o potencial de acelerar a pesquisa ao automatizar o processo de geração e validação de hipóteses. No entanto, os sistemas atuais operam dentro de espaços de busca limitados ou exigem questões de pesquisa predefinidas, restringindo sua capacidade para uma verdadeira investigação de final aberto. Além disso, embora gerem hipóteses iterativamente, eles carecem, em grande parte, da capacidade de sintetizar explicitamente suas próprias descobertas acumuladas para revelar fenômenos complexos e interconectados. Apresentamos o DiscoPER, uma estrutura autônoma baseada em grandes modelos de linguagem que realiza pesquisa de final aberto gerando e executando código dinamicamente para explorar conjuntos de dados sem objetivos de pesquisa predefinidos. Para garantir rigor científico, toda descoberta proposta deve passar por testes estatísticos. Para superar as limitações da busca isolada, nossa estrutura introduz um mecanismo de raciocínio de segunda ordem que analisa periodicamente suas próprias descobertas acumuladas. Ao tratar descobertas anteriores como dados empíricos, o DiscoPER identifica padrões estruturais, fatores de confusão e lacunas epistêmicas, redirecionando ativamente a exploração de hipóteses para regiões inexploradas do espaço de busca. O espaço de busca é ainda mais expandido pela incorporação do uso de ferramentas, permitindo que o sistema explore hipóteses além dos metadados estruturados ao processar e extrair informações úteis de fontes multimodais, como imagens, de forma integrada. Avaliado no iNatDisco, um novo benchmark multimodal de conhecimento ecológico com verdade fundamental em nível de padrão obtida da literatura revisada por pares, o DiscoPER recupera 8 dos 9 padrões conhecidos com uma taxa de suporte de hipóteses de 72,7%, superando tanto a descoberta causal clássica quanto as linhas de base guiadas por LLM. Estudos de ablação mostram que o DiscoPER escala com mais dados e confirmam os benefícios da meta-reflexão de segunda ordem.
A destilação de conjuntos de dados visão-linguagem (VLDD) comprime um grande conjunto de pares imagem-texto em um pequeno conjunto de pares sintéticos capazes de treinar eficientemente modelos contrastivos visão-linguagem sob orçamentos restritos de dados e computação. A maioria dos métodos existentes corresponde a trajetórias de especialistas ou estatísticas entre modalidades, mas ainda impõem alinhamento completo de dimensionalidade em um espaço de incorporação euclidiano. Isso é frequentemente excessivamente restritivo devido à correlação imagem-texto com posto deficiente, com semântica compartilhada concentrada em um intervalo de baixa dimensionalidade e variação remanescente espalhada por um subespaço residual fracamente correlacionado. O LoRS relaxa o alinhamento no nível de similaridade por meio da fatoração de posto baixo, mas não controla explicitamente a capacidade e estrutura de alinhamento dominante no espaço de representação. Propomos, portanto, um alinhamento hiperbólico consciente de posto (RAHA) que combina geometria hierárquica com controle explícito de capacidade de alinhamento. O RAHA eleva representações multimodais ao espaço hiperbólico e otimiza pares destilados com objetivos assimétricos que impõem alinhamento geodésico no intervalo compartilhado, enquanto regulariza o subespaço residual para preservar a diversidade privada da modalidade e melhorar a robustez de transferência. Experimentos em benchmarks mostram que o RAHA demonstra recuperação entre modalidades competitiva e indicadores de transferência melhorados sob orçamentos fixos.
A tradução automática de obras literárias é cada vez mais comum. Embora o conteúdo possa ser transmitido de forma adequada, não sabemos o suficiente sobre como os leitores a experienciam em termos de imersão e efeito literário, aspetos mal capturados por métricas automáticas de tradução automática ou por avaliação humana focada em fluência e adequação. Pedimos a 15 leitores ávidos que comparassem traduções humanas (TH) publicadas recentemente com traduções automáticas (TA) geradas por um pipeline baseado em um modelo de linguagem de grande escala agêntico (LLM), para 15 romances recentes em francês, polaco e japonês, traduzidos para inglês. Os leitores avaliaram trechos de aproximadamente 8.000 palavras em duas condições: leitura imersiva do trecho completo (30 comparações) e leitura atenta de 386 pares de blocos TH-TA alinhados (772 comparações), com dois leitores por livro e ordem de apresentação alternada. No geral, os leitores consideram a TA "aceitável", mas preferem a TH (ligeiramente no nível do trecho, 19/30; mais claramente no nível do bloco, 522/772) pela sua facilidade, clareza e natureza imersiva. Os destaques dos leitores mostram que a qualidade da TA varia mais dentro de um único livro do que a da TH. Crucialmente, os leitores não conseguem distinguir consistentemente as duas (acertam em 17/30 palpites) e tendem a preferir a versão que acreditam ser humana. Métricas automáticas, incluindo abordagens de LLM como juiz, não recuperam as preferências dos leitores e favorecem a TA. Disponibilizamos LAIT (Literary AI Translation), um conjunto de dados de avaliação centrado no leitor com 1.000 comentários de leitores, 2.000 julgamentos e classificações de preferência, e 7.200 anotações em nível de segmento, juntamente com o nosso protocolo de avaliação e interface de suporte.
Este artigo explora o raciocínio visual multi-turno e observa que os MLLMs falham repetidamente em localizar o alvo, levando a trajetórias longas e redundantes. Atribuímos essa falha ao entrelaçamento entre raciocínio e percepção em um único modelo: o MLLM raciocina e localiza simultaneamente, e a localização imprecisa desencadeia turnos adicionais de raciocínio que incham a trajetória. Para solucionar esse problema, propomos o PixelEyes, um agente de raciocínio visual multi-turno que desacopla explicitamente raciocínio de percepção, ou seja, o raciocinador decide o que procurar, enquanto uma ferramenta de percepção especializada responde onde está. Especificamente, o PixelEyes introduz: 1) Busca Visual Guiada por Máscara. Um modelo de segmentação por referência é acionado para fornecer localização precisa por máscara, liberando o raciocinador da necessidade de compensar a fundamentação imprecisa. 2) Busca em Largura sobre Regiões Semânticas. Para eliminar loops redundantes causados pelo recorte repetido de sub-regiões incorretas, organizamos a exploração como uma busca em largura sobre regiões semânticas. Para internalizar essas capacidades, construímos o conjunto de dados PixelEyes-6K, ressintetizando trajetórias de especialistas a partir de dados existentes. Isso incorpora explicitamente nossa lógica de busca guiada por máscara e busca em largura no modelo. Introduzimos ainda o Pinpoint-Bench, um benchmark de busca visual sem pistas, ou seja, nenhuma indicação de localização é fornecida na pergunta, com máscaras e caixas delimitadoras em nível de instância que separam falhas de localização de falhas de raciocínio, permitindo uma análise granular de modos de falha, como a cegueira por desatenção. Os modelos de ponta recentes de MLLMs e agentes de raciocínio visual deixam ampla margem para melhoria no Pinpoint-Bench, demonstrando sua qualidade e dificuldade. O código e os modelos são disponibilizados como código aberto.
As abordagens clássicas de geração de grafos de cena 3D não conseguem operar em tempo real devido ao alto custo computacional do mapeamento do ambiente e à necessidade de gerar representações intermediárias de nuvem de pontos. Para mitigar esse problema, um trabalho recente descarta nuvens de pontos em favor de uma distribuição gaussiana leve para cada objeto. Essa aproximação acelera drasticamente a inferência e viabiliza a geração de grafos de cena 3D em tempo real. No entanto, a representação apresenta duas fragilidades principais: 1) Cada objeto é aproximado por uma única Gaussiana 3D, o que causa uma perda severa de detalhes geométricos tridimensionais. 2) A discrepância entre essa aproximação e a geometria real do objeto agrava a fusão imprecisa de candidatos a objeto durante a inferência online. Para resolver esses problemas, propomos NoPA, que representa cada objeto como uma distribuição não paramétrica separada. Essa formulação retém informações geométricas 3D enquanto preserva a inferência em tempo real da formulação gaussiana paramétrica. Com base nessa nova representação de objeto, propomos uma estratégia de fusão adaptada para recuperar instâncias de objeto coerentes. Especificamente, empregamos a discrepância máxima da média sobre estimativas de densidade por kernel para viabilizar a fusão robusta de candidatos a objeto durante a exploração online, minimizando a complexidade computacional adicional. O segredo é manter um conjunto fixo de partículas por objeto. Além disso, para corrigir a perda de relação causada por objetos mal classificados, o NoPA propaga relações entre objetos com alta afinidade. Experimentos mostram que o NoPA supera significativamente os métodos atuais sem sacrificar a velocidade de inferência em tempo real.
À medida que os agentes de IA se tornam cada vez mais capazes de realizar raciocínios complexos e de longo horizonte, uma avaliação rigorosa e holística é essencial para medir o progresso em direção a aplicações reais na área da saúde. Apresentamos o HealthAgentBench, um conjunto de 54 tarefas agênticas de saúde, distribuídas em 7 categorias, cada uma com seu ambiente único. O conjunto de benchmarks abrange diversos fluxos de trabalho ao longo da jornada do paciente e uma ampla gama de modalidades. Cada tarefa é projetada para replicar um fluxo de trabalho clínico completo: com instruções mínimas, um agente deve explorar dados brutos de saúde, operar em um ambiente complexo e executar soluções de múltiplas etapas que vão além da simples inicialização por prompt. Uma taxa de sucesso final das tarefas é relatada para fornecer uma métrica única e interpretável para o desempenho geral do HealthAgentBench para cada agente. Ao avaliar agentes de ponta no HealthAgentBench, constatamos que a taxa geral de sucesso das tarefas permanece baixa, destacando a dificuldade do conjunto. O agente mais forte e mais econômico, Codex GPT-5.5, alcança apenas aproximadamente 42% de taxa de sucesso. Além do desempenho agregado, o HealthAgentBench revela pontos fortes e fracos específicos em todas as categorias de tarefas. Agentes de ponta mostram potencial no desenvolvimento automático de pipelines de modelagem de pesquisa sobre dados de EHR, mas a imagem médica continua particularmente desafiadora, especialmente para os modelos Claude Code, enquanto o Codex GPT-5.5 mostra capacidade emergente. Tarefas que combinam grandes espaços de busca com requisitos de raciocínio composicional permanecem difíceis para todos os agentes atuais. Em conjunto, esses resultados sugerem que o HealthAgentBench fornece um benchmark desafiador e realista, com espaço substancial para progresso futuro. Disponibilizamos nosso benchmark em https://github.com/microsoft/HealthAgentBench.
Três dos métodos mais populares para treinar modelos de linguagem a raciocinar parecem três truques diferentes. Não são. Todos ajustam um único número: o desvio padrão, que reflete o quanto as respostas amostradas de um prompt divergem. Quando um desses modelos é treinado, ele responde a cada problema várias vezes, e um verificador automático marca cada resposta como certa ou errada. O desvio padrão dessas marcas mede a discordância: máximo quando as respostas se dividem igualmente entre certas e erradas, e zero quando todas concordam. A Otimização de Política Relativa a Grupo (GRPO) divide por esse número, o GRPO Feito Corretamente (Dr. GRPO) elimina a divisão, e a Otimização de Política com Clip Desacoplado e Amostragem Dinâmica (DAPO) descarta os grupos onde ele é zero. Cada um é apresentado como uma correção própria, no entanto, este artigo prova que são três ajustes de um único dial. Esse dial não é cosmético: para recompensas do tipo certo ou errado, a discordância é exatamente o tamanho da atualização do treinamento — a identidade do desvio padrão do grupo. Um grupo dividido ensina mais, enquanto um grupo unânime não ensina nada e se silencia. O mesmo resultado indica quais problemas merecem maior peso e quantas tentativas cada um necessita. Este artigo confirma a intuição em um grande conjunto de dados reais de dificuldade (Big-Math) e em uma execução de treinamento controlada. O que parece uma etapa de normalização inofensiva é o dial que decide onde o aprendizado ocorre e com que intensidade.
O deborrramento cego de imagens exige a recuperação de detalhes de alta fidelidade e estruturas coerentes a partir de degradações complexas e desconhecidas. Os métodos atuais de deborrramento cego de imagens enfrentam dificuldades com degradações reais e espacialmente variáveis e carecem da consciência semântica necessária para diferenciar de forma confiável texturas válidas de artefatos. Para preencher essa lacuna, propomos o CogSENet, um arcabouço de reconstrução dinâmico e alinhado semanticamente inspirado no sistema visual da águia. Ao imitar a varredura sacádica ativa da águia, desenvolvemos um Módulo de Espaço de Estados Orientado Semanticamente (SDSSM) com reagrupamento de tokens com consciência semântica por meio de roteamento diferenciável, permitindo a modelagem de dependências de longo alcance condicionadas a prompts. Para garantir a recuperação fisicamente interpretável de texturas e estruturas, um Bloco de Fusão Bifrequencial (BFFB) reflete a diferenciação funcional da retina da águia ao decompor características em altas e baixas frequências usando transformadas wavelet. Finalmente, estimamos um Campo de Desfoque Contínuo (CBF) a partir da imagem borrada e o fundimos com priors semânticos do CLIP para modular as características latentes mais profundas, emulando a adaptação focal e permitindo a restauração adaptativa sob desfoque espacialmente não uniforme. Experimentos extensivos demonstram que o CogSENet supera os métodos de deborrramento do estado da arte tanto em qualidade visual quanto em fidelidade estrutural com menos parâmetros, enquanto também apresenta desempenho favorável em tarefas de desembaçamento, remoção de chuva e remoção de ruído.
Em diálogo colaborativo, a percepção compartilhada não garante interpretação compartilhada. A compreensão mútua deve ser estabelecida por meio da interação. Investigamos se modelos de visão-linguagem (VLMs) conseguem distinguir o que poderia ser compartilhado do que foi compartilhado entre participantes do diálogo por meio da ancoragem. Formulamos isso como uma tarefa de correspondência de interpretação em 13.077 expressões de referência anotadas dos diálogos HCRC MapTask, e avaliamos VLMs sob manipulações sistematicamente controladas do contexto do diálogo e do acesso à informação do mapa. Nossos resultados mostram que fornecer imagens autênticas do mapa melhora o desempenho geral, mas desloca os modelos para uma superpredição de alinhamento. Descrições textuais do mesmo conteúdo do mapa reproduzem esse viés, enquanto imagens não informativas suprimem completamente as previsões de alinhamento, indicando que o viés é impulsionado pelo conteúdo relevante à tarefa do mapa, e não pelo canal visual. Essa melhora ocorre ao custo de uma precisão degradada em casos não alinhados. A análise de calibração e o rastreamento de cadeias de referência sugerem ainda que os modelos dependem de pistas referenciais estáticas nos mapas, em vez de rastrear como a ancoragem se desenrola por meio do histórico do diálogo. Observamos esses padrões mais claramente no Qwen3-VL-8B-Instruct e, em graus variados, em quatro modelos adicionais de duas famílias de arquitetura. Em modelos que exibem o viés, o conteúdo do mapa, seja apresentado visual ou textualmente, é tratado como evidência de compreensão mútua, confundindo terreno comum potencial com terreno comum estabelecido.
As pessoas pensam demais; modelos de linguagem super-amostram, e o esforço extra pode levar ambos a uma resposta pior. Sistemas de raciocínio respondem a uma pergunta difícil amostrando-a muitas vezes (escalonamento em tempo de teste), e quanto mais eles amostram, mais frequentemente uma resposta correta aparece em algum lugar, então a cobertura — a fração de problemas com pelo menos uma tentativa correta — aumenta e parece ser progresso. Mas um sistema implantado deve retornar uma única resposta, e escolhê-la, sem saber qual tentativa está correta, é seleção; a seleção tem um limite, e além de certo ponto, amostras extras apenas tornam o modelo mais seguro de um erro confiante, mesmo que cada tentativa adicione custo. A lacuna entre a cobertura crescente e a seleção estagnada — a lacuna de identificabilidade — é a resposta que um modelo pode produzir, mas não selecionar. Portanto, a verdadeira questão não é se amostrar, mas até onde, e a resposta é: não muito longe. Para selecionar uma resposta, o voto já se estabilizou dentro de algumas dezenas de tentativas — o teto modal; para pontuar um benchmark, ainda mais cedo — o teto de correlação. Além disso, tentativas extras consomem computação e não acrescentam nada, podendo até piorar a resposta. Este artigo transforma o ponto de corte em um único número — o número efetivo de amostras — que qualquer execução de amostragem já revela. O gargalo é reconhecer uma resposta correta, não gerar uma.