São Paulo — InkDesign News —
O campo de machine learning tem avançado de forma significativa, especialmente na resolução de problemas complexos que antes exigiam iterativas interações. Um estudo recente demonstra a eficácia de modelos de linguagem avançados na resolução de desafios geométricos.
Arquitetura de modelo
No último teste, o modelo Claude Sonnet 4.5 superou um desafio que envolvia a identificação de quadrados em uma grade de pontos. Usando algoritmos de combinatória e técnicas de visualização, o modelo analisou a estrutura de uma grade em forma de cruz para contar todos os quadrados que podiam ser formados.
Ao olhar para esta grade, preciso contar todos os possíveis quadrados de diferentes tamanhos que podem ser formados conectando os pontos.
(“Looking at this grid, I need to count all possible squares of different sizes that can be formed by connecting the dots.”)— Claude Sonnet, Modelo de IA, Anthropic
Treinamento e otimização
A implementação do modelo incluiu o uso de bibliotecas como Matplotlib e NumPy, viabilizando a construção e a plotagem dos dados em um notebook Jupyter. Em contraste com o modelo anterior GPT-4o, que falhou em resolver a questão rapidamente, Sonnet 4.5 apresentou uma solução precisa em apenas cinco segundos.
Para um quadrado 3×3 existir, eu precisaria de um arranjo de 4×4 pontos.
(“For a 3×3 square to exist, I would need a 4×4 arrangement of dots.”)— Claude Sonnet, Modelo de IA, Anthropic
Resultados e métricas
O modelo identificou 21 quadrados distintos e apresentou um resumo detalhado, que incluiu diferentes tamanhos dos mesmos. Essa tarefa, que anteriormente demandou duas horas e mais de 40 iterações de tentativas com GPT-4o, foi realizada com eficiência e precisão.
O total deve ser: 10 (squares 1×1) + 7 (squares 2×2) = 17 squares.
(“The total should be: 10 (1×1 squares) + 7 (2×2 squares) = 17 squares.”)— Claude Sonnet, Modelo de IA, Anthropic
Esses avanços evidenciam não apenas a evolução tecnológica, mas a capacidade dos modelos de linguagem em compreender problemas complexos e resolver com precisão. As aplicações práticas vão desde a automação de tarefas até a análise de dados em setores como engenharia e arquitetura.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
