Reparação limitada de táticas em Lean 4 com base no diagnóstico do compilador
É proposto um módulo passo a passo que, em vez de descartar uma tática rejeitada, pede ao modelo de correção que a corrija até R vezes, tendo em conta o erro do Lean; com K candidatos, isso aumenta a proporção de problemas resolvidos. As experiências no LeanDojo e no Lean Workbook mostram ganhos sobretudo graças a falhas de execução pouco profundas, à custa de um aumento do tempo de pesquisa.

O que muda com o reparo limitado de táticas
O artigo analisa o reparo limitado de táticas no Lean 4. A abordagem básica depende apenas da amostragem de táticas e descarta uma etapa malsucedida. O reparo limitado preserva a etapa e corrige-a com base no diagnóstico do compilador. Assim, a busca não perde a direção escolhida.
| Abordagem | Ação perante uma tática malsucedida | Base |
|---|---|---|
| Apenas amostragem | Descarta a etapa | Candidatos a táticas |
| Reparo limitado | Corrige a etapa no local | Mensagem de erro do compilador |
Critério prático: o reparo complementa a amostragem de candidatos, não a substitui.
Como funciona uma etapa de busca com diagnóstico do compilador
Na etapa de busca, atua um módulo online limitado.
- A busca seleciona K candidatos a táticas.
- O modelo corrige uma tática malsucedida no máximo R vezes.
- O método fornece a mensagem de erro do compilador a um modelo de correção pré-treinado.
- O modelo corrige a etapa rejeitada no local, em vez de a descartar.

Critério prático: o diagnóstico do compilador serve de entrada para a correção local da etapa.
Orçamentos K e R
O orçamento é definido por dois parâmetros. K limita o número de candidatos a táticas em cada etapa. R limita o número de correções de uma tática malsucedida. Na avaliação, foram testados K = 1, 3, 5, 8.
| Parâmetro | Função | O que a avaliação mostra |
|---|---|---|
| K | Número de candidatos a táticas em cada etapa | Foram testados os valores 1, 3, 5, 8 |
| R | Limite de correções de uma tática malsucedida | O reparo aumenta o tempo, mas permite encontrar provas adicionais |
A correção aumenta o tempo de execução, mas permite encontrar provas adicionais. É mais útil quando a amostragem é limitada. O efeito diminui: a primeira tentativa de correção proporciona 84–96% do ganho total.
Critério prático: com uma amostragem limitada, o reparo é mais útil, e o efeito das correções adicionais diminui.
O que a avaliação mostra
O método aumenta a proporção de problemas resolvidos em todos os valores de K testados: 1, 3, 5, 8. O ganho relativo chega a 32%. Num subconjunto de 1 990 teoremas do benchmark LeanDojo, foram resolvidos mais 82 teoremas. No benchmark Lean Workbook, a proporção de problemas resolvidos quase duplicou. Não houve regressões.
Critério prático: o reparo aumenta a proporção de problemas resolvidos nos orçamentos K testados; a avaliação não abrange valores fora deles.
Onde o reparo ajuda e onde não ajuda
O ganho está quase inteiramente associado a falhas superficiais na execução de táticas. Está quase nada associado a erros estruturais, como incompatibilidades de tipos.
| Tipo de falha | Relação com o ganho |
|---|---|
| Falha superficial na execução de uma tática | Principal fonte do ganho |
| Erro estrutural, por exemplo, incompatibilidade de tipos | Quase nenhuma relação com o ganho |
Critério prático: o reparo visa falhas superficiais na execução de táticas, não erros estruturais.
Perguntas mais frequentes
Materiais semelhantes
Todos os materiais
Método Genesis Steering: direcionamento de ativações com dados usados no ajuste fino
O método extrai um vetor de controle a partir de exemplos contrastivos presentes nos dados de fine-tuning e, quando estes não estão disponíveis, seleciona prováveis amostras de treino através de inferência de membership e cria um conjunto proxy. A parte teórica descreve o desvio ótimo em direção à fronteira de decisão e a avaliação com dados proxy; empiricamente, os dados internos do Tülu-3-8B produzem um efeito mais acentuado do que os conjuntos externos, enquanto a utilidade do proxy MIA no Llama-3.1-8B-Instruct é limitada pela relação entre os desvios de direção.
16 novembro 2026
Aprendizagem em contexto para dados tabulares com especialistas esparsos: a compacta OrionMoE-Small-v1.0
É apresentado um modelo base compacto para tarefas tabulares, que prevê novas observações a partir de uma tabela de referência rotulada, sem ajustar parâmetros. A seleção adaptativa de especialistas, tendo em conta o conjunto de dados e as representações das características, produz resultados competitivos, sobretudo com pouco contexto e elevada dimensionalidade.
15 novembro 2026
Busca local de deslocamentos de covariáveis para perfis com previsões não confiáveis
O artigo descreve um pipeline de diagnóstico que primeiro identifica grupos interpretáveis de pacientes para os quais o modelo apresenta baixa confiança e, em seguida, verifica a presença de um deslocamento prejudicial de covariáveis dentro desses grupos. Em experimentos com o MIMIC-IV, três tarefas clínicas e três deslocamentos artificiais de subgrupos, a abordagem ajudou a localizar um deslocamento relacionado à idade, pouco perceptível na avaliação agregada.
15 novembro 2026