🤖 AI

Argus: A General-Purpose Agentic Runtime for Long-Horizon Reasoning

Argus é um tempo de execução de agentes de peso fixo e propósito geral que alcança um desempenho de raciocínio de longo horizonte superior em diversos benchmarks ao utilizar um estado persistente e autoevolutivo gerenciado por funções especializadas para verificar, recuperar e refinar trajetórias de missão autonomamente.

Autores originais: Boxiu Li, Zimo Wen, Yijia Fan, Junxiang Lei, Sufeng Guo, Jiaao Wu, Ruize Tang, Mukai Li, Yifei Shen, Xiaoyu Chen, Wanbo Zhang, Runjing Gu, Yifei Gao, Yuheng Wu, Xuyao Huang, Zelong Zhao, Jiachen Zhang

Publicado 2026-08-06

📖 8 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Boxiu Li, Zimo Wen, Yijia Fan, Junxiang Lei, Sufeng Guo, Jiaao Wu, Ruize Tang, Mukai Li, Yifei Shen, Xiaoyu Chen, Wanbo Zhang, Runjing Gu, Yifei Gao, Yuheng Wu, Xuyao Huang, Zelong Zhao, Jiachen Zhang, Shibo Hu, Hangxi Guo, Yilin Chen, Yuzhe Zhang, Fan Yang, Chuan Wen, Xian Zhang, Xuanhe Zhou, Zhijie Deng

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

O Detetive de Longo Prazo: Por que a IA Precisa de uma Memória e de um Treinador

Imagine que você está tentando resolver um mistério massivo de vários dias, como descobrir como construir um robô funcional do zero ou escrever um romance que realmente faça sentido. Se você fosse um programa de computador de alguns anos atrás, poderia ter tentado resolver isso lendo as instruções, dando um palpite e, em seguida, esquecendo imediatamente tudo o que acabou de fazer antes de tentar novamente. É assim que muitos "agentes" de IA do início funcionavam: eles eram como um detetive que resolve uma pista e, em seguida, sofre de amnésia total, tendo que recomeçar toda a investigação do zero toda vez que encontrava um beco sem saída. Eles eram rápidos na leitura, mas terríveis em aprender com seus próprios erros ao longo de um longo período.

O campo do "raciocínio de longo horizonte" (long-horizon reasoning) trata justamente de consertar isso. Ele pergunta: Como uma IA pode manter um plano em curso por dias ou semanas, lembrar o que tentou ontem e mudar sua estratégia quando percebe que está indo pelo caminho errado? A ideia central aqui é que ser inteligente não é apenas ter um cimo grande (um modelo poderoso); é ter um bom caderno (memória persistente) e um treinador rigoroso (verificação) que te impede de mentir para si mesmo quando você fica travado. Este artigo aborda o problema de como construir um sistema de IA que não apenas rode em círculos, mas que realmente evolua seus próprios métodos ao longo do tempo, tornando-se melhor em resolver problemas difíceis sem precisar ser retreinado do zero.

Conheça o Argus: A IA que Aprende a Pivotar

Conheça o Argus, um novo tipo de "runtime" de IA (pense nisso como o sistema operacional ou o motor que executa o cérebro da IA). Os pesquisadores por trás do Argus, uma equipe da Microsoft e de várias universidades de elite, perceberam que, para uma IA enfrentar projetos verdadeiramente difíceis e de longo prazo, ela não pode apenas marchar para frente cegamente. Se a IA estiver tentando corrigir um erro em uma base de código de software gigante ou provar um teorema matemático complexo, ela pode passar horas seguindo um caminho que acaba sendo um beco sem saída. Uma IA normal poderia simplesmente continuar insistindo, desperdiçando tempo e energia. O Argus é diferente: ele foi projetado para pivotar.

Pense no Argus como uma equipe de pesquisa altamente organizada trabalhando em um escritório compartilhado, em vez de uma única pessoa trabalhando sozinha. Esta equipe possui quatro funções distintas, e elas nunca confundem seus papéis:

O Gerente: O chefe que detém a visão macro. Ele garante que a equipe permaneça focada no objetivo original (como "construir um robô"), mesmo que o plano diário mude.
O Planejador: O estrategista que divide o grande objetivo em tarefas pequenas e executáveis para o dia.
O Engenheiro: O construtor que realmente escreve o código, realiza os experimentos ou faz os cálculos.
O Revisor: O inspetor de controle de qualidade rigoroso. O trabalho dele é olhar para o que o Engenheiro construiu e dizer: "Isso está bom", "Isso precisa de ajustes" ou "Pare, este caminho é um beco sem saída".

A magia do Argus é que ele trata o fracasso como dado. Quando o Engenheiro tenta um método e ele falha, o Revisor não diz apenas "ops". Ele registra exatamente por que falhou. Esse registro é salvo em um "estado de projeto" permanente (o caderno compartilhado da equipe). Mais tarde, se a equipe tentar seguir esse mesmo caminho sem saída novamente, o sistema lembra: "Ei, tentamos isso ontem e não funcionou", e pivota para uma nova ideia. Isso é chamado de persistência guiada por verificação. O sistema só "aprende" (atualiza sua memória) se o Revisor verificar que a nova informação é realmente verdadeira e útil.

O Que Eles Descobriram: Melhor em Corrigir Código e Escrever Artigos

A equipe testou o Argus em alguns desafios incrivelmente difíceis para ver se essa abordagem de "equipe com memória" realmente funciona.

1. O Teste de Correção de Código (SWE-Bench Pro)
Eles deram ao Argus 731 bugs reais de software para corrigir. Isso é como dar a um programador uma base de código bagunçada e quebrada e pedir que ele a conserte sem ajuda humana.

O Resultado: O Argido corrigiu cerca de 78% dos bugs.
A Comparação: Uma ferramenta de IA padrão (Direct Copilot) conseguiu corrigir apenas 59% deles.
O Custo: O Argus usou cerca de 1,41 vezes mais "tokens" de computador (as unidades básicas de pensamento) do que a ferramenta padrão.
A Conclusão: O Argus foi significativamente mais preciso, mesmo tendo "pensado" um pouco mais. Provou que dedicar tempo para verificar o trabalho e lembrar dos erros passados compensa.

2. O Teste de "Ficar Mais Inteligente" (Autoevolução)
Aqui está a parte mais legal. Os pesquisadores observaram o Argus ao longo do tempo. Eles não mudaram o cérebro da IA (os pesos do modelo permaneceram exatamente os mesmos). Em vez disso, eles apenas deixaram o sistema construir seu "caderno" de habilidades e memórias.

O Resultado: À medida que o sistema executava mais tarefas e preenchia seu caderno com habilidades verificadas, ele se tornava mais rápido e barato. Nos estágios finais do teste, o Argus usou 21% menos tokens e 15% menos tempo por tarefa em comparação ao seu início.
O Significado: A IA não precisou ser retreinada para melhorar; ela só precisou se lembrar do que aprendeu. Ela evoluiu seu próprio "estado de runtime", tornando-se uma trabalhadora mais eficiente sem alterar seu cérebro fundamental.

3. O Teste "Não Minta para Si Mesmo" (Intervenção do Revisor)
A equipe rastreou com que frequência o Revisor intervinha. De 731 tarefas, o Revisor foi chamado em 466 delas.

O Resgate: Em 43 casos, o Revisor disse: "Isso ainda não está pronto, tente novamente". Após o Engenheiro tentar novamente, 34 dessas tarefas foram corrigidas com sucesso, e 22 foram corrigidas tão bem que passaram por uma segunda revisão, mais rigorosa.
O Bloqueio: O Revisor também impediu o sistema de declarar vitória em 35 tarefas que eram, na verdade, impossíveis ou estavam quebradas. Isso é enorme: significa que o sistema aprendeu a dizer "eu não consigo fazer isso" em vez de alucinar uma solução falsa.

Além do Código: Matemática, Chips e Artigos

O Argus não parou na correção de código. A equipe mostrou que ele pode lidar com outras tarefas de "longo horizonte":

Pesquisa Matemática: Em uma campanha para provar um teorema matemático complexo, o Argus manteu o registro de um caminho que foi provado falso (uma "rota falsificada"). Em vez de deletá-lo, ele o manteve como uma placa de "não entre". Isso ajudou o sistema a evitar esse beco sem saída mais tarde e conseguiu fortalecer os limites do teorema.
Escrita de Artigos: Eles realizaram seis projetos de pesquisa diferentes para escrever artigos científicos. O sistema gerenciou 254 missões, sobreviveu a 16 grandes reversões (onde teve que voltar e mudar todo o seu plano) e ainda conseguiu concluir todos os seis artigos. Um projeto até transformou uma ideia fracassada em um estudo de "resultados negativos" bem-sucedido, provando que, às vezes, descobrir o que não funciona é uma descoberta científica válida.
Design de Chips: Em um teste assustador, o Argus projetou um chip de computador (ACE-2). O sistema escreveu o código, verificou o tempo (timing) e o design final passou em todas as rigorosas verificações de hardware. O sistema até sabia exatamente o que ele não verificou (como se o chip funcionaria na vida real) e listou esses limites claramente.

A Conclusão Final

O Argus mostra que, para a IA realizar trabalhos reais e de longo prazo, ela precisa de mais do que apenas um cérebro grande. Ela precisa de um sistema que separe o "chefe" do "trabalhador", mantenha um registro permanente do que funcionou e do que não funcionou, e tenha um "revisor" rigoroso para impedi-la de inventar respostas.

O artigo sugere que, ao usar essa abordagem de "verificação controlada", a IA pode resolver problemas mais difíceis, tornar-se mais eficiente ao longo do tempo sem necessidade de retreinamento e até admitir quando está travada. Não é uma varinha mágica que resolve tudo instantaneamente, mas é um passo gigantesco em direção a uma IA que pode realmente trabalhar conosco em projetos complexos e de longa duração sem se perder ou mentir sobre seu progresso. Como os autores observam, isso não é apenas sobre obter uma pontuação mais alta em um teste; é sobre construir um sistema que possa persistir, pivotar e evoluir seus próprios métodos para enfrentar os desafios desordenados e de longo prazo do mundo real.

Resumo Técnico: Argus – Um Runtime Agêntico de Propósito Geral para Raciocínio de Longo Horizonte

1. Declaração do Problema

Tarefas de raciocínio de longo horizonte (ex: reparo de software, demonstração matemática, descoberta científica) não são meramente corridas para executar um plano fixo em mais etapas. Na prática, a intenção estável do usuário permanece constante enquanto o objetivo operacional, as restrições e os critérios de verificação devem ser refinados conforme a evidência se acumula. Os sistemas de agentes atuais enfrentam uma ambiguidade crítica: um sistema que abandona seu alvo declarado pode ter descoberto que o alvo foi mal especificado, ou pode ter falhado e racionalizado a falha. Sem um mecanismo para distinguir ambos, os sistemas sofrem de "deriva de objetivo" (goal drift), onde os objetivos degradam-se para qualquer coisa que o executor consiga terminar.

Abordagens existentes tipicamente removem essa escolha ao fixar o objetivo e otimizar a execução em direção a ele, ou dependem de transcrições limitadas à sessão que perdem a continuidade quando os contextos são compactados. Isso leva a três falhas em agentes de longa duração:

Falha de Continuidade: A evidência que motiva uma revisão é perdida quando as transcrições são descartadas.
Falha de Aceitação: O componente que realiza o trabalho também declara sua conclusão, criando um conflito de interesses.
Falha de Experiência: Apenas os artefatos finais sobrevivem, impedindo que rotas refutadas sirvam como evidência para futuros pivôs.

2. Metodologia: O Runtime Argus

O Argus é um runtime agêntico persistente e autoevoluível projetado para permitir e gerenciar com segurança o "pivô verificado". Ele separa os parâmetros fixos do modelo de um estado de runtime mutável e durável.

2.1 Arquitetura Central

O sistema opera sobre um estado de projeto durável dividido em missões delimitadas. Ele emprega quatro papéis orientados por modelos com autoridades distintas:

Gerente (Manager): Ancorar a intenção estável do usuário ( $\iota$ ), o estado da campanha e as transições de estágio. Ele admite refinamentos materiais ao contrato operacional.
Planejador (Planner): Decompõe o estado atual em tarefas delimitadas e dependências.
Engenheiro (Engineer): Implementa tarefas, invoca ferramentas e executa experimentos. Pode realizar auto-revisão em trabalho de baixo risco e delimitado.
Revisor (Reviewer): Inspeciona independentemente artefatos e registros de execução. Emite vereditos de conclusão (concluído, continuar, bloqueado) quando exigido por política ou solicitação.

Esses papéis operam através de três planos: Controle (escalonamento), Execução (trabalho) e Registros (histórico imutável).

2.2 Persistência de Verificação de Gatilho e Autoevolução

O Argus introduz um mecanismo de admissão de verificação por gatilho. O estado do runtime ( $H_t$ ) inclui memória, habilidades, ferramentas, verificadores e políticas de roteamento.

Evolução de Modelo Fixo: Os pesos do modelo subjacente ( $\theta$ ) permanecem fixos. A evolução ocorre apenas no estado persistente e na política de controle.
Protocolo de Admissão: Atualizações candidatas (memórias, habilidades, rotas rejeitadas) tornam-se reutilizáveis apenas após:
1. Geração por um papel (ex: Engenheiro).
2. Revisão contra evidências e artefatos nativos da tarefa.
3. Comprometimento por um proprietário autorizado (ex: Revisor ou Gerente).
Refinamento de Contrato: O contrato de trabalho é modelado como $K_t = (\iota, o_t, c_t, v_t)$ , representando a intenção estável, o objetivo operacional, as restrições e os critérios de verificação. Refinamentos são admitidos via um operador ManagerAdmit que requer evidência ( $e_t$ ) e autoridade ( $u_t$ ), garantindo que os pivôs sejam distinguíveis da deriva.

2.3 Teoria de Processo-para-Capacidade

O sistema trata a trajetória do processo como um superconjunto do artefato final. Ele define a Densidade de Inteligência Densa ( $\rho_I$ ) como a taxa de raciocínio relevante, ação efetiva e verificação válida por unidade de tempo. Ele postula que reter o registro completo do processo (incluindo ramos falhos) fornece uma vantagem decisionista (ordenação de informação de Blackwell) sobre o artefato final isolado, permitindo que futuras missões evitem becos sem saída e aproveitem exclusões verificadas.

3. Principais Contribuições

O artigo descreve sete contribuições específicas:

Formalização: Um modelo de contrato ( $K_t$ ) e um operador ManagerAdmit para pivô verificado sobre longos horizontes.
Design de Runtime: Um sistema onde o refinamento do contrato é de propriedade de um papel e registrado, separando a intenção estável das mudanças operacionais.
Métricas de Roteamento do Revisor: Dados empíricos mostrando que Revisores independentes são invocados para 63,7% das tarefas do SWE-Bench Pro, com taxas de recuperação específicas para solicitações de revisão.
Estudo de Caso de Produção de Artigo: Uma campanha de seis projetos abrangendo 640 horas e 254 missões, demonstrando o gerenciamento do ciclo de vida de pesquisa de ponta a ponta, incluindo rollbacks e pivôs de resultados negativos.
Traço Matemático: Uma reconstrução resolvida por papéis de uma campanha matemática retendo uma rota falsificada e seis atualizações baseadas em provas.
Desempenho de Benchmark: Uma avaliação unificada em sete arenas, estabelecendo um piso de capacidade sem sacrificar o desempenho da tarefa final.
Adoção Upstream: Um kernel RWKV6 otimizado pelo Argus fundido ao repositório upstream Flash Linear Attention.

4. Resultados

4.1 Desempenho de Benchmark

O Argus foi avaliado em sete arenas heterogêneas:

SWE-Bench Pro: Alcançou ~78% de precisão comparado a 59% do Direct Copilot, usando 1,41× o agregado de Tokens.
AARRI-Bench: Atingiu 76,8% em tarefas de estagiário de pesquisa (vs. 68,3% de referência).
Síntese de Dados de Raciocínio Matemático: Alcançou um gap de 28,0 (pass@4 - pass@1), superando as referências (Arbor: 20,83, Claude: 8,33).
GPU & Treinamento: Alcançou resultados competitivos em treinamento de B200/H100 nanochat (0,9636 BPB vs. melhor humano 0,9646) e speedruns de nanoGPT (79,77s vs. humano 80,18s).
MLE-Bench Lite: Garantiu 9 medalhas (3 Ouro, 3 Prata, 3 Bronze) em competições com verificação externa.

4.2 Eficiência Longitudinal (Autoevolução)

Na execução do SWE-Bench Pro (731 tarefas), o sistema demonstrou autoevolução de runtime de verificação por gatilho:

Maduro vs. Inicial: Ondas maduras (W19–22) usaram 21% menos Tokens de entrada de solução e 15% menos tempo de workflow ativo por tarefa em comparação com as ondas iniciais (W1–6).
Recuperação do Revisor: Das 43 tarefas onde o Revisor solicitou revisão, 34 (79,1%) passaram posteriormente no verificador oficial, e 22 (51,2%) completaram um loop de resgate rigoroso.
Não-Monotonicidade: A trajetória não foi monótona; ondas de tarefas difíceis (W23–24) mostraram rebotes de recursos, e o sistema registrou 34 recuperações de verificador e 22 resgates rigorosos, provando a capacidade do sistema de recuperar-se de falhas iniciais.

4.3 Estudos de Caso Verticais

Campanha Matemática: Retendo uma rota falsificada e seis atualizações de fronteira de teoremas. O sistema pivotou com sucesso de uma redução falha para um fortalecimento de limite baseado em prova.
Produção de Artigo: Seis projetos atingiram a conclusão da submissão. Uma campanha pivotou de uma afirmação de método positiva para um estudo diagnóstico de resultados negativos de 4.500 linhas após sete rollbacks de "não-ir".
Hardware (ACE-2): O runtime projetou um acelerador de inferência (Qwen2.5-0,5B W4A8) certificado para um escopo específico (síntese mapeada, timing estático) com exclusões explícitas (sem signoff de potência, sem validação de silício).
Ciência dos Materiais: O runtime simplificou um método de geração de MOF publicado ao identificar e remover um confundidor no comparativo original, resultando em um método mais simples e eficaz.

5. Significância e Alegações

O artigo alega que o Argus demonstra um harness geral e autoevoluível capaz de revisar, recuperar e acumular abordagens verificadas sem forçar cada trajetória de longo horizonte a uma afirmação de sucesso.

Distinção da Deriva: Ao exigir admissão baseada em evidências e controlada por papéis para mudanças de estado, o sistema distingue o pivô racional da racionalização de falha.
Processo como Dado: As trajetórias retidas formam dados estruturados para futuros aprendizados supervisionados e por reforço, conectando saídas de modelos a estados, ferramentas e decisões de revisão concretas.
Escopo Modesto: Os autores declaram explicitamente que a "autoevolução" é de modelo fixo (baseada em estado, não em pesos) e que os resultados são observacionais. Eles não alegam que o sistema alcançou a inteligência artificial geral ou que pode substituir pesquisadores humanos inteiramente. O sistema é apresentado como uma ferramenta que "para" quando os objetivos estão mal especificados, trazendo à tona as restrições que o usuário possa ter perdido, em vez de otimizar cegamente para um objetivo potencialmente falho.

O relatório conclui que o runtime combina com sucesso ampla capacidade de tarefa, acumulação verificada através de missões e entrega de pesquisa sustentada, fornecendo um novo paradigma para sistemas agênticos de longo horizonte onde a persistência e o pivô são gerenciados através de verificação, em vez de planejamento fixo.