Google e universidades propõem método para agentes que se aprimoram sem decorar os testes

Um artigo da Google Cloud AI Research com várias universidades trata da otimização automática do "harness", a estrutura de prompts, fluxos, ferramentas, memória e lógica que controla o que o modelo vê a cada passo. Métodos recentes pedem a um modelo de linguagem que reescreva o harness repetidamente com base em tarefas de teste, o que os autores chamam de forma prática de autoaperfeiçoamento recursivo.

Segundo o The Decoder, a pesquisa mostra que esse processo faz o agente memorizar as tarefas de teste: as notas nelas sobem, enquanto os ganhos em tarefas novas diminuem ou somem. Os autores propõem um método para evitar o excesso de especialização e reduzir custo computacional. O texto lido não traz números de desempenho nem confirma uso em produto do Google.