Nova técnica de IA melhora descoberta científica com menor custo

Pesquisadores introduziram o Agentic Reasoning for Tree Search (ARTS), uma nova abordagem para automatizar a descoberta científica que transforma o processo de experimentação em uma busca estruturada. Diferente de métodos heurísticos convencionais, que frequentemente confundem a qualidade de uma hipótese com a eficácia de sua implementação técnica, o ARTS utiliza um modelo de linguagem voltado ao raciocínio para analisar logs de execução e determinar a causa real de falhas anteriores. Essa capacidade permite que o sistema selecione hipóteses mais promissoras para desenvolvimento subsequente.

Para contornar as limitações de janelas de contexto em buscas longas, o ARTS emprega uma técnica de treinamento em tempo de teste, que incorpora o conhecimento da árvore de busca diretamente nos pesos do modelo. Em testes realizados com o modelo Qwen3-4B, a tecnologia demonstrou ser capaz de alcançar resultados equivalentes aos de modelos de fronteira, como o Gemini-3 Pro e o GPT o3-reasoning, mantendo um custo de inferência até cinco vezes menor. A pesquisa destaca que, em tarefas de aprendizado por reforço, o agente treinado pelo método ARTS conseguiu redescobrir soluções de memória recorrente que métodos heurísticos costumavam descartar erroneamente.