🤖 AI

Recursive Agentic Reasoning

Este artigo introduz um framework unificado de três operadores de raciocínio recursivo (GROW, PRUNE e BRANCH) e demonstra, por meio de uma avaliação extensiva, que o ramificamento repetido supera consistentemente outros métodos de raciocínio em tempo de teste através de diversos modelos e benchmarks, ao mesmo tempo em que destaca a importância crítica de protocolos de avaliação pareados para evitar conclusões comparativas enganosas.

Autores originais: Shengxin Zhang, Xiaomin Wu, Xiyang Wu, Jing Xie

Publicado 2026-08-26

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Shengxin Zhang, Xiaomin Wu, Xiyang Wu, Jing Xie

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

Quando um programa de computador tenta resolver um problema difícil, ele frequentemente produz uma única linha de pensamento, uma sequência de palavras que leva a uma resposta. Durante anos, pesquisadores se perguntaram se dar a esses programas mais tempo e mais tentativas os tornaria mais inteligentes. Em vez de aceitar essa primeira resposta, o computador poderia ser solicitado a tentar novamente, a decompor o problema em partes menores ou a gerar várias soluções diferentes e escolher a melhor? Esta questão está no cerne da pesquisa moderna de inteligência artificial. O campo está atualmente repleto de muitas estratégias diferentes para gastar poder computacional extra para melhorar o raciocínio. Alguns métodos pedem ao modelo que refine sua própria resposta, outros pedem que ele decomponha uma tarefa complexa em uma série de etapas mais simples e outros ainda pedem que ele gere várias tentativas independentes e vote no resultado. Como cada uma dessas abordagens foi testada isoladamente, usando diferentes perguntas de teste e diferentes regras de pontuação, tornou-se impossível saber qual estratégia realmente funciona melhor quando o orçamento computacional é o mesmo.

Uma equipe de pesquisadores decidiu resolver esse debate tratando essas diferentes estratégias como variações de um único processo: recursão, ou o ato de um sistema chamar a si mesmo para resolver um problema. Eles definiram três maneiras distintas de um computador fazer isso. A primeira, que chamaram de "grow" (crescer), envolvia pegar uma única linha de raciocínio e pedir ao computador para estendê-la, refinando o mesmo caminho repetidamente. A segunda, "prune" (podar), envolvia pedir ao computador para dividir um problema difícil em uma lista de perguntas menores e ordenadas, resolvê-las uma por uma e, depois, costurar as respostas de volta. A terceira, "branch" (ramificar), envolvia pedir ao computador que gerasse cinco soluções completamente diferentes de uma só vez e, em seguida, selecionasse aquela que aparecesse com mais frequência entre elas. Para garantir uma comparação justa, os pesquisadores executaram todos os três métodos, juntamente com uma tentativa padrão de passagem única, no exato mesmo conjunto de problemas usando os exatos mesmos modelos de computador. Eles testaram esses métodos através de cinco tipos diferentes de desafios, variando de quebra-cabeças de lógica de múltiplas etapas complexas a questões acadêmicas de nível de pós-graduação, usando três dos modelos de IA mais avançados disponíveis.

Os resultados deste experimento controlado foram claros e um tanto surpreendentes. A estratégia de gerar múltiplas soluções e votar na melhor, o método "branch", melhorou a precisão das respostas em cada um dos casos de teste que eles realizaram. Em média, este método aumentou a taxa de respostas corretas em quase seis pontos percentuais em comparação com a tentativa padrão de passagem única. Em contraste, os outros dois métodos foram inconsistentes. O método "grow", que aprofunda um único caminho, melhorou o desempenho na maioria dos casos, mas na verdade tornou o computador pior na resolução de certos tipos de questões difíceis. O método "prune", que decompõe os problemas, mostrou apenas uma melhoria ínfima, muitas vezes indistinguível de um ruído aleatório. Os dados sugeriram que não havia necessidade de um sistema complexo para decidir qual método usar para cada problema; o método que simplesmente tentava múltiplos caminhos e escolhia o vencedor pelo consenso era a escolha superior em todos os casos.

Os pesquisadores investigaram mais profundamente para entender por que esse método de votação funcionava tão bem e descobriram que a razão não era o que a maioria das pessoas esperava. A crença comum era que gerar múltiplas respostas ajuda porque permite que o computador explore muitos caminhos lógicos diferentes e encontre o correto entre eles. No entanto, os dados mostraram que o principal benefício vinha de uma fonte diferente: a recuperação de falhas. Quando esses modelos de computador avançados são solicitados a pensar por um longo tempo, eles frequentemente ficam sem o espaço de memória alocado antes de conseguirem terminar de escrever sua resposta. Em uma tentativa única, isso resulta em uma resposta em branco, que é contada como uma resposta errada. Mas quando o computador é solicitado a tentar cinco vezes, as chances de todas as cinco tentativas falharem no exato mesmo momento são muito baixas. O sistema de votação descarta automaticamente as respostas em branco e seleciona uma válida entre as tentativas bem-sucedidas. Os pesquisadores encontraram uma forte ligação entre a frequência com que o método padrão falhava em produzir uma resposta e o quanto o método de votação melhorava a pontuação. Nos testes mais difíceis, o método de votação reduziu pela metade a taxa de respostas em branco e falhas.

Essa descoberta muda a forma como devemos pensar sobre tornar a inteligência artificial mais inteligente. Sugere que grande parte do benefício de pedir a um computador para tentar várias vezes é simplesmente que ele recupera respostas que, de outra forma, seriam perdidas devido a limites técnicos. Os pesquisadores também destacaram uma lição crítica para estudos futuros: a forma como você conta os resultados importa imensamente. Em sua análise inicial, eles descobriram que, se contassem falhas de conexão de rede ou tempos de espera (timeouts) como respostas erradas, o método de votação parecia ter um desempenho pior em algumas tarefas. Isso ocorreu porque o método de votação realizava mais tentativas, tendo assim mais chances de sofrer um problema técnico. Ao comparar estritamente os métodos apenas nas questões que todos eles responderam com sucesso, os pesquisadores revelaram o verdadeiro desempenho. O trabalho deles demonstra que, para os modelos mais capazes disponíveis hoje, a estratégia mais simples de tentar várias vezes e escolher o consenso é a maneira mais confiável de obter melhores respostas, e que os ganhos vêm amplamente de garantir que o computador termine seu pensamento, em vez de encontrar um caminho mais inteligente para a solução.

Resumo Técnico: Raciocínio Agêntico Recursivo

Declaração do Problema

Os avanços recentes no raciocínio em tempo de teste para grandes modelos de linguagem (LLMs) proliferaram em programas de pesquisa distintos, incluindo refinamento iterativo, decomposição de problemas e amostragem repetida. No entanto, esses métodos são tipicamente estudados de forma isolada, cada um utilizando diferentes benchmarks, modelos de base, lógica de extração de respostas e código de graduação. Essa fragmentação impede comparações justas entre praticantes: não está claro qual método produz a melhor acidez para um orçamento de inferência fixo, se o desempenho depende do modelo ou da tarefa específica, ou se os ganhos relatados são comparáveis. Além disso, as avaliações existentes frequentemente sofrem de perigos metodológicos, como a avaliação não pareada (comparar métodos em subconjuntos diferentes de itens devido a taxas de falha variáveis) e a classificação errônea de falhas de infraestrutura (ex: timeouts) como erros do modelo, o que penaliza desproporcionalmente métodos que realizam mais chamadas de API.

Metodologia

Os autores recasualizaram essas diversas estratégias de raciocínio como três operadores de recursão distintos que atuam sobre o traço de raciocínio de um agente, avaliados dentro de uma única e unificada estrutura experimental.

1. Os Operadores

Todos os operadores são construídos sobre um primitivo de resolução compartilhado, solve(x, c), que emite uma chamada de modelo com contexto opcional. Crucialmente, este primitivo inclui um mecanismo de recuperação de truncamento: se um modelo esgota seu orçamento de tokens durante um fluxo de deliberação oculto (retornando conteúdo vazio), o sistema re-prompta o modelo com seu raciocínio truncado para forçar uma resposta final, em vez de descartar o item como uma falha.

Os três operadores são definidos como segue:

GROW (Recursão Aditiva): Aprofunda um único caminho de raciocínio. Ele resolve novamente o problema incluindo a tentativa anterior no contexto. Interrompe-se quando a resposta extraída estabiliza (duas rodadas consecutivas produzem a mesma resposta normalizada) ou após um limite de três rodadas.
PRUNE (Recursão Redutiva): Decompõe um problema complexo em uma lista ordenada de subquestões. Cada subquestão é resolvida com as respostas das subquestões anteriores no contexto, e uma chamada final compõe as respostas. Se o modelo propuser apenas uma subquestão, ele degrada para um solve direto para evitar overhead.
BRANCH (Recursão Baseada em Busca): Amostra $N=5$ soluções independentes com temperatura 0.7. Ele normaliza as respostas extraídas e retorna a chave da pluralidade (voto da maioria). Amostras que retornam conclusões vazias são estruturalmente descartadas, pois não podem vencer um voto, a menos que todas as amostras sejam vazias.

2. Configuração Experimental

Modelos: Três modelos de fronteira de raciocínio: DeepSeek-V4-Pro, MiniMax-M3 e Qwen3.6-plus.
Benchmarks: Cinco benchmarks diversos cobrindo raciocínio de múltiplos saltos (MuSiQue), questões acadêmicas de nível especialista (HLE), raciocínio geral (BBEH), conhecimento de pós-graduação (SuperGPQA) e matemática de Olimpíada (Omni-MATH).
Protocolo: Um protocolo de avaliação pareada é estritamente aplicado. Dentro de cada célula modelo $\times$ benchmark, a acurácia é calculada apenas na interseção de itens resolvidos com sucesso por todos os operadores. Falhas de transporte irrecuperáveis (timeouts, limites de taxa) são excluídas em vez de pontuadas como incorretas para evitar penalizar operadores caros.
Escala: O estudo cobre 14 células de modelo $\times$ benchmark, 49.327 itens graduados e 151.876 chamadas de modelo.

Principais Contribuições

Formulação de Operador Unificado: O artigo formaliza a recursão de tempo de teste aditiva, redutiva e baseada em busca como operadores sobre um primitivo compartilhado, permitindo uma comparação controlada de "maçãs com maçãs".
Estudo Comparativo Controlado: Fornece uma avaliação pareada em larga escala através de 14 células, demonstrando que o BRANCH (amostragem repetida com votação) é o melhor operador estrito em 12 de 14 células, melhorando a acurácia em todas as 14.
Insight Mecanístico (Recuperação de Truncamento): O artigo desafia a explicação padrão de que os ganhos de amostragem repetida vêm principalmente da marginalização sobre caminhos de raciocínio. Em vez disso, demonstra que uma parte significativa do ganho do BRANCH vem da recuperação de truncamento. O ganho correlaciona-se fortemente ( $r=0.72$ ) com a taxa de saídas vazias e de orçamento esgotado do baseline. O BRANCH efetivamente recupera respostas que um único passo nunca emite porque o modelo esgotou os tokens durante a deliberação oculta.
Resultados Negativos sobre Roteamento: Os dados não apoiam a "hipótese do roteamento" (que um roteador adaptativo deveria selecionar diferentes operadores com base na tarefa). Como o BRANCH domina quase em todo lugar, um roteador aprendido aprenderia uma política quase constante.
Aviso Metodológico: Os autores documentam como a avaliação não pareada e o tratamento de falhas de infraestrutura como erros do modelo podem inverter conclusões (ex: mostrando uma regressão onde nenhuma existe), defendendo a prática de pontuação pareada como um padrão.

Resultados

Desempenho: O BRANCH melhora a acurácia em todas as 14 células com um ganho médio de +5,98 pontos (mediana +6,47). É o melhor operador em 12 células.
Inconsistência de Outros: O GROW tem uma média de +2,18 pontos, mas é negativo em duas células (DeepSeek em MuSiQue e BBEH). O PRUNE tem uma média de +0,94 pontos com um intervalo de -2,17 a +4,00, mostrando ganhos inconsistentes e frequentemente negligenciáveis.
Eficiência vs. Acurácia: Embora o GROW seja mais eficiente em tokens por chamada (+1,77 pontos por chamada extra vs. +1,55 do BRANCH), o BRANCH atinge o teto de acurácia absoluta mais alto. O PRUNE é dominado em ambos os eixos.
Dinâmica de Truncamento: Em benchmarks onde o baseline frequentemente atinge limites de tokens (ex: HLE com DeepSeek), a taxa de saída vazia cai significativamente sob o BRANCH (ex: de 51,2% para 32,2%), impulsionando diretamente o ganho de acurácia. O modelo que nunca truncou (Qwen3.6-plus) mostrou os menores ganhos com o BRANCH.

Significância e Alegações

O artigo argumenta que o foco do campo em programas de pesquisa distintos obscurece a realidade empírica de que amostragem e votação (BRANCH) é a estratégia mais robusta para computação em tempo de teste sob as condições atuais. A significância reside não na novidade dos algoritmos (que são variações de Self-Consistency, Self-Refine e Least-to-Most), mas na comparação controlada que revela:

A Dominância da Amostragem: Na granularidade desses operadores, um método (BRANCH) domina quase em todo lugar, tornando o roteamento adaptativo desnecessário para essas tarefas específicas.
O Papel do Esgotamento de Orçamento: Uma fonte de erro importante e anteriormente subquantificada em modelos de raciocínio longo é o esgotamento do orçamento de tokens durante a deliberação oculta. A amostragem repetida atua como um mecanismo de recuperação para este modo de falha específico, não apenas como uma técnica de marginalização de caminhos.
Rigor de Avaliação: O estudo destaca como falhas de infraestrutura e avaliação não pareada podem produzir resultados espúrios grandes o suficiente para reverter conclusões, instando a comunidade a adotar protocolos pareados e a separação explícita de erros de infraestrutura de erros de modelo.

Os autores concluem que, embora "amostrar mais" seja uma heurística válida, o mecanismo específico de recuperação do esgotamento de orçamento sugere que passagens de finalização direcionadas em gerações truncadas podem oferecer uma alternativa mais barata à amostragem repetida completa em alguns regimes.