Baidu acaba de lançar o ERNIE Evolve, um sistema de pesquisa automatizada que melhora o código de treinamento e inferência de IA. Dado um repositório, um objetivo e critérios de avaliação, ele escolhe direções de pesquisa, edita código e executa experimentos. Apenas mudanças que passam em um avaliador oculto e em um revisor separado são mantidas. A equipe da Baidu testou o sistema de pesquisa automatizada ERNIE Evolve em três benchmarks públicos. Em seguida, otimizou a inferência do ERNIE‑5.5‑Flash, ainda em desenvolvimento.
TL;DR
Tamanho: Trata‑se de um sistema de agentes; a Baidu não divulgou quais LLMs alimentam seus agentes.
Execução: Benchmarks utilizaram 1 NVIDIA B200 (NanoChat, SOL‑ExecBench) e 8×H100 (Speedrun Track 1). Testes de produção rodaram no Kunlunxin P800 e em GPUs (modelo não divulgado).
Desempenho: Venceu o melhor resultado público em 3 de 4 métricas públicas, e passou nas verificações de produção para o ERNIE‑5.5‑Flash.
Melhor: Velocidade de geração no Kunlunxin P800 atingiu 623,6% da linha de base após 4 rodadas de pesquisa.
Pior: MÉDIA SOL‑ExecBench de 0,819, ficando atrás do melhor 0,827 na leaderboard.
Resultado final (melhor): Ganhos de inferência em produção real: +33,7% de throughput determinístico, +14,9% de velocidade de decodificação.
Resultado final (pior): Autorreferenciado, sistema não foi lançado, e margens nos benchmarks públicos são pequenas.
O que é o ERNIE Evolve?
ERNIE Evolve é um sistema de pesquisa automatizada da Baidu que otimiza código contra um objetivo fixo e mensurável. A Baidu o anunciou no X como um passo prático rumo à auto‑melhoria recursiva (RSI). Em RSI, sistemas de IA melhoram o software que os cria e serve.
Como funciona o ERNIE Evolve?
O sistema executa 2 loops aninhados. O loop externo decide o que investigar. O loop interno desenvolve e testa melhorias dentro de cada direção.
Diretor: escolhe a próxima direção de pesquisa e uma versão inicial de código. Ele lê um Banco de Experiências de resultados passados e uma Base de Conhecimento de artigos e código.
Selecionador: escolhe um candidato da árvore de um corredor e nomeia a próxima hipótese a testar.
Executor: implementa esse plano em um ambiente isolado.
Avaliador: verifica a hipótese e decide se o resultado é melhor do que o atual. Se for, a alteração é aceita; caso contrário, é descartada.
Fonte: MarkTechPost
Publicado em 2026-11-09