💬 NLP

Post-Training Recipe, More Than Model Family, Shapes Multi-Agent LLM Conversational Behavior

Este artigo demonstra que, em sistemas interativos de múltiplos LLMs, as receitas de pós-treinamento influenciam significativamente comportamentos conversacionais, como o uso de hesitação (hedging), mais do que os rótulos de famílias de modelos, sugerindo que a diversidade em painéis multiagentes deve priorizar metodologias de treinamento em vez de simplesmente selecionar modelos de diferentes famílias.

Autores originais: Luyang Zhang, Jialu Wang, Fei Xue, Yi-Yun Chu

Publicado 2026-06-23

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Luyang Zhang, Jialu Wang, Fei Xue, Yi-Yun Chu

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A Grande Ideia: Não é Apenas Sobre o "Nome da Marca"

Imagine que você está tentando montar uma equipe de debate usando modelos de IA. Você quer que os membros da equipe tenham personalidades diferentes para que possam argumentar de diferentes ângulos, perceber os erros uns dos outros e evitar que todos pensem exatamente da mesma maneira.

Por muito tempo, os pesquisadores pensaram que a melhor maneira de obter essa diversidade era escolher modelos de diferentes "famílias" (como escolher um modelo da família Llama, um da Qwen e um da Gemma). A lógica era: "Marcas diferentes devem ter personalidades diferentes".

Este artigo diz: "Não tão rápido".

Os autores descobriram que o "nome da marca" (a família do modelo) é um rótulo enganoso. O que realmente muda a personalidade e o estilo de conversação de um modelo é como ele foi treinado após sua criação inicial (a "receita de pós-treinamento").

Pense nisso como:

Família do Modelo = O fabricante do carro (ex: Ford).
Receita de Pós-Treinamento = A oficina de customização específica que ajustou o motor, adicionou um aerofólio ou mudou a suspensão.

O artigo descobre que um Ford customizado por uma "Oficina de Corrida" pode se comportar de forma muito diferente de um Ford customizado por uma "Loja de Vans Familiares", embora ambos sejam Fords. Na verdade, esses dois Fords customizados podem ser mais diferentes entre si do que um Ford é de um Toyota.

O Experimento: Uma Sala de Chat Gigante

Para provar isso, os pesquisadores construíram um fórum gigante simulado com 940.000 cadeias de conversa.

Eles pegaram 11 modelos de IA diferentes.
Eles os fizeram conversar entre si em pares.
Eles analisaram cada resposta para ver se a IA estava suavizando (diminuindo o peso de uma afirmação com palavras como "talvez" ou "eu acho"), desafiando (discordando) ou reparando (corrigindo um erro).

Eles trataram a conversa como um laboratório científico, controlando tudo para que pudessem isolar exatamente o que causou a mudança no tom da IA.

As Principais Descobertas

1. O "Parceiro" Importa Mais do que Você Pensa

Assim como um humano pode agir de forma diferente ao falar com um amigo versus um chefe, os modelos de IA mudam seu comportamento dependendo de com quem estão falando. Mas o artigo descobriu que as maiores mudanças ocorreram quando a IA estava conversando com um parceiro que tinha uma receita de treinamento diferente, mesmo que fossem da mesma família.

2. A "Receita" é o Verdadeiro Motor

Os pesquisadores testaram um grupo específico de modelos: Llama-3.1-8B. Eles pegaram este exato modelo base e aplicaram quatro "receitas" diferentes a ele (métodos de treinamento diferentes).

Resultado: Quando esses quatro "gêmeos" (mesma base, receitas diferentes) conversavam entre si, seu comportamento mudava drasticamente.
A Estatística: Uma receita específica (chamada "Destilação de Raciocínio") mudou seu comportamento de "suavização" em 18% dependendo de qual outra receita estava conversando.
A Comparação: Esse desvio de 18% foi maior do que a diferença que você veria entre marcas completamente diferentes (como Llama vs. Qwen).

Analogia: Imagine que você tem quatro gêmeos idênticos. Você veste um de terno, um de smoking, um de fantasia de palhaço e um de uniforme de bombeiro.

Se você pedir para eles atuarem, o figurino (a receita) muda o comportamento deles mais do que o fato de serem todos gêmeos (a família).
O artigo descobriu que um "Gêmeo de Terno" e um "Gêmeo de Palhaço" agem de forma mais diferente do que um "Gêmeo de Terno" e um "Gigante" de uma família diferente.

3. O Interruptor do "Modo de Pensamento"

O artigo também observou uma "configuração de tempo de execução" (um interruptor que você pode acionar, como ligar o "Modo de Pensamento" ou desligá-lo).

Eles descobriram que acionar esse interruptor no mesmo modelo também mudava a forma como ele falava, embora o efeito fosse ligeiramente menor do que a receita de treinamento.
Lição: Você não pode apenas dizer "Estamos usando o Qwen3". Você tem que especificar "Estamos usando o Qwen3 com o Modo de Pensamento LIGADO, porque ele age como uma pessoa diferente".

Por Que Isso Muda a Forma Como Construímos Equipes de IA

O artigo conclui que, se você quiser uma equipe diversificada de agentes de IA (para debates, julgamentos ou resolução de problemas), você não pode apenas escolher um modelo de cada marca.

O Jeito Antigo: Escolher 1 Llama, 1 Qwen, 1 Gemma.
- Risco: Eles podem agir surpreendentemente de forma semelhante porque foram todos treinados com "receitas" parecidas.
O Novo Jeito: Escolher 3 versões diferentes de Llama, mas garantir que tenham receitas de treinamento diferentes (ex: um treinado para raciocínio, um para chat padrão, um para lógica estrita).
- Benefício: Isso cria uma equipe muito mais diversa, com estilos de conversação distintos.

A Conclusão Final

O rótulo "Família do Modelo" (como Llama ou Qwen) é uma identidade incompleta. Ele esconde os detalhes mais importantes: como o modelo foi ajustado e quais configurações estão rodando.

Se você quer agentes de IA que realmente pensem e falem de forma diferente uns dos outros, você precisa olhar além do nome da marca e focar na receita de pós-treinamento. Não é sobre quem fez o carro; é sobre quem ajustou o motor.

Resumo Técnico: A Receita de Pós-Treinamento, Mais do que a Família do Modelo, Molda o Comportamento Conversacional de LLMs Multiagentes

Definição do Problema
Sistemas de Grandes Modelos de Linguagem (LLMs) multiagentes dependem cada vez mais de painéis de modelos para deliberar, julgar ou coordenar. Uma heurística de design predominante sugere que, para garantir a diversidade comportamental, os painéis devem ser compostos por modelos de diferentes "famílias" (por exemplo, um Llama, um Qwen, um Gemma), baseando-se na premissa de que rótulos de família predizem comportamentos conversacionais independentes. Essa premissa deriva de estudos offline prévios que mostram que LLMs exibem viés de grupo ao avaliar saídas estáticas isoladamente. No entanto, permanece não testado se o rótulo de "família" prediz o comportamento em configurações multiagentes interativas, onde os modelos respondem uns aos outros. O artigo questiona se as lacunas comportamentais observadas são verdadeiramente impulsionadas pela identidade da família ou por propriedades mais granulares contidas dentro desse rótulo, especificamente a receita de pós-treinamento e a configuração de tempo de execução (runtime).

Metodologia
Os autores construíram uma estrutura experimental controlada para isolar as fontes de variação comportamental:

Corpus: Um corpus de fórum de dois agentes com 940.000 cadeias, originado do arquivo de fórum de agentes Moltbook. O estudo também inclui um experimento "fatorial" de 1,6 milhão de cadeias usando um único modelo base (Llama-3.1-8B) com quatro receitas de pós-treinamento distintas para isolar os efeitos da receita.
Métricas Comportamentais: Cada resposta é pontuada para três movimentos conversacionais derivados da análise de conversação: desafio (disputar), reparo (corrigir) e atenução/hedging (suavizar afirmações).
Detecção & Validação: Um detector lexical (portado de Zhang et al., 2026) identifica esses comportamentos. A validação contra um anotador juiz-LLM em 30.000 julgamentos pareados revelou que a atenução (hedging) é o único construto com concordância substancial ( $\kappa = 0,70$ no subset canônico-4), tornando-a a métrica principal. Desafio e reparo são tratados como verificações exploratórias de pistas superficiais devido à menor concordância ( $\kappa < 0,05$ ).
Design Experimental: O estudo compara quatro eixos de variação mantendo os outros constantes:
1. Escala: Mesma receita, tamanhos de parâmetros diferentes.
2. Tempo de Execução (Runtime): Pesos idênticos, flags de configuração diferentes (ex: "pensar ativado" vs. "pensar desativado").
3. Receita: Mesma família/base, procedimentos de pós-treinamento diferentes (SFT, DPO, RLVR, Destilação).
4. Família: Comparações entre famílias no "canônico-4" subset (um modelo instrução-ajustado de classe 7B por família).
Análise Estatística: Testes de McNemar pareados são usados em diferenças binárias por semente para medir como um parceiro de conversa (T1) influencia o comportamento de um respondedor (T2).

Resultados Principais

Comportamento Condicional ao Parceiro: LLMs comportam-se significativamente de forma diferente dependendo de com quem estão conversando. Aproximadamente 49% dos contrastes pareados são estatisticamente significativos após correção.
A Receita Domina a Família: As maiores lacunas comportamentais validadas ocorrem dentro de uma única família de modelos quando a receita de pós-treinamento muda, em vez de entre famílias.
- No Llama-3.1-8B fatorial de mesma base, um checkpoint de destilação de raciocínio (R1-Distill) alterou sua taxa de atenuação em +18,22% dependendo se seu parceiro era também um R1-Distill ou uma variante Tülu.
- Essa lacuna entre receitas dentro da mesma família (18,22%) excede a maior lacuna de atenção observada entre quaisquer duas famílias diferentes no subset controlado canônico-4.
Drivers Específicos: A destilação de raciocínio é identificada como o maior contribuidor para essas mudanças. Um painel composto por três variantes Llama com receitas diferentes (incluindo R1-Distill) exibe 7,5 vezes mais diversidade conversacional superficial (medida por Divergência de Jensen-Shannon) do que um painel composto por um modelo de cada uma de três famílias diferentes.
Efeitos de Tempo de Execução (Runtime): A configuração de tempo de execução (ex: alternar "pensamento estendido" em pesos idênticos) também produz mudanças mensuráveis em pistas superficiais (até 7,85% em reparo exploratório), embora sejam secundárias aos efeitos de receita em termos de força de validação.
Robustez: O achado de que "variação de receita dentro da família > variação entre famílias" mantém-se através de diferentes instrumentos (parágrafo final vs. resposta completa), personas ("cético ponderado") e condições de divulgação de identidade.

Significância e Alegações
O artigo alega que a receita de pós-treinamento é um eixo de primeira classe para a composição de painéis de múltiplos LLMs, atualmente negligenciado em favor dos rótulos de família de provedores.

Rótulos de família são proxies incompletos: Confiar apenas na diversidade de família (ex: misturar Qwen, Llama e Gemma) pode resultar em painéis que são mais uniformes em seu comportamento conversacional do que painéis de modelos da mesma família com receitas de treinamento diversas.
Implicação de Design: Para sistemas multiagentes que visam diversidade conversacional, os designers devem variar explicitamente as receitas de pós-treinamento (ex: incluindo um checkpoint de destilação de raciocínio ao lado de variantes padrão de SFT ou DPO) e rastrear configurações de tempo de execução, em vez de assumir que a diversidade de família garante heterogeneidade comportamental.
Escopo: Os resultados baseiam-se em diagnósticos de pistas superficiais (atenução, reparo, desafio) em trocas de dois agentes. O artigo declara explicitamente que não demonstra que esses ganhos de diversidade se traduzem em melhor precisão de julgamento downstream ou resultados de deliberação mais longos, mas sim fornece um framework diagnóstico que motiva pesquisas subsequentes.