A ByteDance Seed lançou recentemente uma pesquisa que pode mudar a forma como construímos IA de raciocínio. Por anos, desenvolvedores e pesquisadores de IA têm lutado para 'cold-start' Large Language Models (LLMs) em modelos de Long Chain-of-Thought (Long CoT). A maioria dos modelos se perde ou falha em transferir padrões durante o raciocínio multi-etapa. A equipe da ByteDance descobriu o problema: temos olhado para o raciocínio da maneira errada. Em vez de apenas palavras ou nós, o raciocínio eficaz da IA tem uma estrutura estável, semelhante a molecular. https://arxiv.org/pdf/2601.06002 Os 3 'Ligações Químicas' do Pensamento Os pesquisadores postulam que trajetórias de raciocínio de alta qualidade são mantidas juntas por 3 tipos de interação. Estes espelham as forças encontradas na química orgânica: Raciocínio Profundo como Ligações Covalentes: Isso forma o 'osso' primário do processo de pensamento. Ele codifica fortes dependências lógicas onde o Passo A deve justificar o Passo B. Quebrar essa ligação desestabiliza toda a resposta. Auto-reflexão como Ligações de Hidrogênio: Isso atua como um estabilizador. Assim como as proteínas ganham estabilidade quando as cadeias se dobram, o raciocínio se estabiliza quando passos posteriores (como o Passo 100) revisam ou reforçam premissas anteriores (como o Passo 10). Em seus testes, 81,72% dos passos de reflexão se reconectaram com sucesso a clusters formados anteriormente. Auto-exploração como Forças de Van der Waals: São pontes fracas entre clusters distantes de lógica. Elas permitem que o modelo explore novas possibilidades ou hipóteses alternativas antes de impor restrições lógicas mais fortes. Por que 'Espere, Deixe-me Pensar' Não é Suficiente A maioria dos desenvolvedores/pesquisadores de IA tenta corrigir o raciocínio treinando modelos para imitar palavras-chave como 'espere' ou 'talvez'. A equipe da ByteDance provou que os modelos realmente aprendem o comportamento de raciocínio subjacente, não as palavras de superfície. A equipe de pesquisa identifica um fenômeno chamado Isômeros Semânticos. São cadeias de raciocínio que resolvem a mesma tarefa e usam os mesmos conceitos, mas diferem em como suas 'ligações' lógicas são distribuídas. As principais descobertas incluem: A Imitação Falha: O ajuste fino em traços anotados por humanos ou o uso de In-Context Learning (ICL) de modelos fracos falha em construir estruturas Long CoT estáveis. Conflito Estrutural: A mistura de dados de raciocínio de diferentes professores fortes (como DeepSeek-R1 e OpenAI-OSS) na verdade desestabiliza o modelo. Mesmo que os dados sejam semelhantes, as diferentes estruturas 'moleculares' causam caos estrutural e queda de desempenho. Fluxo de Informação: Ao contrário dos humanos, que
Fonte: MarkTechPost
Publicado em 2026-02-22