Personalização através do desenvolvimento do wrapper: onde se situam os limites da aproximação, generalização e otimização
Os autores investigam agentes pessoais que se adaptam às solicitações de cada utilizador com um modelo base fixo e formalizam o aperfeiçoamento da camada de controlo — contexto, memória, ferramentas e execução — como um problema de aprendizagem. Um benchmark orientado para as preferências e uma análise teórica dos erros de aproximação, generalização e otimização mostram os limites da arquitetura, da escala e dos algoritmos de autoevolução da estrutura envolvente.

A estrutura de suporte do agente pessoal gere o contexto, a memória, as ferramentas e a execução. É através dela que o agente se adapta às preferências de cada utilizador. O modelo de base permanece inalterado. Por isso, é a estrutura de suporte que define o espaço de personalização.
O trabalho arXiv:2609.36892 «Harness Evolution as Learning: Approximation, Generalization, and Optimization Limits of Self-Improving Personal Agents» foi submetido a 29 de setembro de 2026. Os autores são Zeyu Gan, Zixuan Gong e Yong Liu. Estudam agentes pessoais que se adaptam sem alterar o modelo de base. A adaptação assenta na conceção e na evolução da estrutura de suporte.
O que evolui: arquitetura, escala e algoritmos
Os autores investigam a evolução da estrutura de suporte em três aspetos: arquitetura, escala e algoritmos de autoevolução. A arquitetura determina a forma como a estrutura de suporte gere o contexto, a memória, as ferramentas e a execução. A escala e os algoritmos de autoevolução definem o enquadramento do mesmo processo.
A parte empírica apresenta um benchmark orientado para as preferências. Descreve sistematicamente as capacidades e limitações dos agentes pessoais em relação a estes três aspetos. Ou seja, os aspetos funcionam como eixos de avaliação, não como melhorias independentes.
Critério prático: avaliar um aspeto não permite descrever as capacidades e limitações do agente no seu todo. Faz sentido analisar a estrutura de suporte tendo em conta os três eixos em simultâneo.
Três tipos de erro como enquadramento dos limites
A parte teórica formula a evolução da estrutura de suporte como um problema de aprendizagem. Explica os fenómenos observados através de erros de aproximação, generalização e otimização. Estes três tipos de erro definem o enquadramento para discutir os limites da personalização.
Os autores propõem uma visão unificada dos limites da personalização através da evolução da estrutura de suporte. Com base nela, discutem a conceção de estruturas de suporte. Isto estabelece uma ligação entre a parte empírica e a teórica.
Critério prático: os limites da personalização são descritos através de um tipo específico de erro, e não por uma avaliação geral da estrutura de suporte. Esta descrição mostra exatamente onde o desenvolvimento esbarra num limite.
Políticas alcançáveis, evidências, enviesamento
A análise teórica abrange as políticas alcançáveis. Trata-se do conjunto de estratégias que o agente consegue adotar. Uma estratégia fora deste conjunto permanece inacessível, independentemente da configuração da estrutura de suporte.
A análise abrange a capacidade com evidências finitas de interação. A experiência de interação é, por natureza, finita. O seu volume limita as inferências que o agente faz sobre as preferências do utilizador.
A análise abrange a dinâmica de atualização com enviesamento. O enviesamento influencia a forma como a estrutura de suporte se atualiza ao longo da autoevolução. Este fator atua independentemente da escassez de evidências.
Critério prático: ao analisar uma falha de personalização, distinguem-se uma política inalcançável, a escassez de evidências e o enviesamento das atualizações. As três causas exigem soluções diferentes.
Critérios para conceber a estrutura de suporte
- Separar a arquitetura, a escala e os algoritmos de autoevolução como objetos de decisão distintos.
- Basear-se num benchmark orientado para as preferências.
- Descrever os limites da personalização através de erros de aproximação, generalização e otimização.
- Ter em conta a natureza finita das evidências de interação e o enviesamento na dinâmica de atualização.
- Manter uma visão unificada dos limites da personalização ao conceber a estrutura de suporte.
Este conjunto de critérios mantém a personalização dentro dos limites daquilo que a estrutura de suporte pode realmente proporcionar quando o modelo de base permanece inalterado. Mostra também onde termina a conceção e começa o limite.
Perguntas mais frequentes
Materiais semelhantes
Todos os materiais
Avaliação de agentes de programação no desenvolvimento XR interativo: resultados do GenXR-Bench
Foi publicado o GenXR-Bench, um conjunto de 112 tarefas especializadas para avaliar de ponta a ponta agentes de programação no desenvolvimento interativo de XR: desde o aprimoramento de funcionalidades e a correção de defeitos até a criação de aplicações com verificação do comportamento em dispositivos de consumo. Entre os dez modelos testados, o melhor resultado foi de 50,9% no Pass@1; entre as falhas recorrentes estão o processamento de eventos assíncronos de sensores, a ancoragem de objetos no espaço real e a compreensão das interações em contextos físicos.
5 novembro 2026
Da recompensa escalar à fronteira de Pareto: síntese de RTL com aprendizagem por reforço multiobjetivo
É proposto um método para treinar um modelo de linguagem a gerar não apenas um esquema, mas um conjunto de candidatos RTL com diferentes compromissos entre área, latência e consumo de energia; a recompensa é calculada com base na contribuição de cada variante para o hipervolume da fronteira de Pareto. No RTLLM v2, o hipervolume relativo aumentou 13,3 p.p. em relação à versão de base sem otimização de PPA e 14,4 p.p. em relação ao treinamento por reforço com um único objetivo.
5 novembro 2026
Os LLM médicos sabem que as recomendações foram revistas, mas muitas vezes respondem de acordo com as regras anteriores
Um estudo da ChronoEvo sobre 1709 alterações às recomendações clínicas mostra que, no modelo principal, 90,8% das respostas assinalavam a novidade, mas apenas 58,5% a aplicavam na íntegra, e a diferença de 32,3 pontos percentuais persistia em 14 modelos. Mesmo aumentar a visibilidade das atualizações não trouxe um aumento significativo da incorporação integral das novas regras nas recomendações clínicas.
4 novembro 2026