Google cria agente de AI que imita escrita humana para pesquisas
São Paulo — InkDesign News —
Pesquisadores do Google desenvolveram um novo framework para agentes de pesquisa em IA, intitulado Test-Time Diffusion Deep Researcher (TTD-DR), que supera sistemas concorrentes como OpenAI e Perplexity em benchmarks críticos. Este sistema, inspirado em comportamentos de escrita humana, utiliza mecanismos de difusão e algoritmos evolutivos para realizar pesquisas mais abrangentes e precisas sobre tópicos complexos.
Tecnologia e abordagem
O TTD-DR implementa um modelo de difusão, que inicialmente produz um rascunho "ruidoso" e aplica um módulo de desruído junto com ferramentas de recuperação para aprimorar a qualidade do relatório. Essa abordagem reflete o processo humano, que envolve esboços, revisões e busca iterativa por informações complementares. Como afirmam os autores do artigo:
“Isso indica uma limitação fundamental no trabalho atual de agentes de pesquisa profunda e destaca a necessidade de um framework coeso e dedicado que imite ou supere as capacidades de pesquisa humana.”
(“This indicates a fundamental limitation in current DR agent work and highlights the need for a more cohesive, purpose-built framework for DR agents that imitates or surpasses human research capabilities.”)— Autores do estudo
Aplicação e desempenho
No contexto empresarial, TTD-DR destina-se a ser um assistente de pesquisa personalizado para tarefas complexas, como análises de mercado e relatórios de entrada. Durante os testes, o TTD-DR demonstrou desempenho superior em comparação com modelos tradicionais como o OpenAI Deep Research, alcançando taxas de sucesso de 69,1% e 74,5% na geração de relatórios longos em conjuntos de dados distintos. Nos benchmarks que exigiam raciocínio multi-hop, o sistema superou rivais com melhorias de 4,8%, 7,7% e 1,7% em três testes específicos.
Impacto e mercado
O TTD-DR é uma resposta à crescente demanda por soluções de IA que superam as limitações dos métodos atuais, como recuperação aumentada (RAG). A capacidade do modelo de gerar relatórios úteis para questões complexas em diversos setores, incluindo finanças e tecnologia, posiciona-o em um nível competitivo com outros produtos de pesquisa profunda. Rujun Han, cientista de pesquisa da Google, disse que a evolução em componentes individuais do sistema é vital para melhorar a eficácia do relatório:
“Essa evolução em nível de componente é crucial, pois torna a desruído do relatório mais eficaz.”
(“This component-level evolution is crucial because it makes the report denoising more effective.”)— Rujun Han, Cientista de Pesquisa, Google
Nos próximos passos, a equipe pretende expandir a aplicação do TTD-DR para incluir ferramentas que gerem código complexo e modelos financeiros. Essa abordagem centrada em rascunhos pode revolucionar a forma como os agentes de IA realizam tarefas multidimensionais.
Fonte: (VentureBeat – AI)
