São Paulo — InkDesign News — A nova pesquisa da Universidade de Illinois e da Universidade da Califórnia, Berkeley, introduz um framework inovador que promete aprimorar a forma como os modelos de linguagem grande (LLMs) "pensam". Com o avanço da inteligência artificial (IA), esse método busca otimizar o raciocínio em tarefas complexas, fazendo uso eficiente do orçamento de inferência.
Tecnologia e abordagem
O framework, denominado AlphaOne (α1), utiliza uma técnica chamada test-time scaling, ajustando o comportamento do modelo durante o processo de inferência sem a necessidade de retraining dispendioso. Através da introdução de um parâmetro chamado Alpha (α), os desenvolvedores podem modular o processo de raciocínio, controlando a inserção de tokens como "wait" para induzir um pensamento mais lento e deliberado, antes de transitar para uma fase de raciocínio rápido.
Aplicação e desempenho
AlphaOne foi testado em três modelos de raciocínio com tamanhos de parâmetro variando entre 1,5 bilhões e 32 bilhões. Os resultados mostraram que a estratégia “pensamento lento primeiro, pensamento rápido depois” leva a um desempenho de raciocínio superior em LLMs, com aumento de 6,15% na precisão de respostas em problemas complexos de matemática e ciência, enquanto reduz em cerca de 21% o uso médio de tokens comparado aos métodos tradicionais.
Isso sugere que o raciocínio eficaz em IA não surge da imitação de especialistas humanos, mas da modulação explícita da dinâmica de raciocínio, alinhando práticas já utilizadas em aplicações do mundo real.
(“This suggests that effective AI reasoning emerges not from mimicking human experts, but from explicitly modulating reasoning dynamics, which aligns with practices such as prompt engineering and staged inference already used in real-world applications.”)— Equipe AlphaOne
Impacto e mercado
Os resultados deste estudo destacam a importância da abordagem de modulação no desenvolvimento de aplicações de IA. Empresas que utilizam modelos de código aberto ou construídos sob medida podem integrar facilmente o AlphaOne, requerendo apenas atualizações mínimas nas configurações do modelo. Com isso, gains não apenas em qualidade de geração de dados, mas também em economia de custos, se tornam viáveis para um mercado crescente que demanda soluções de IA mais eficientes.
Com o framework AlphaOne, os próximos passos incluem um maior controle sobre os processos de raciocínio em LLMs. Assim, espera-se que desenvolvedores possam construir aplicações de IA mais estáveis e confiáveis, levando a melhoras na eficiência e no sucesso em tarefas complexas.
Fonte: (VentureBeat – AI)
