O MIT apresentou uma abordagem de escalonamento instance-adaptive, calibrando o processo de avalia\u00e7\u00e3o de solu\u00e7\u00f5es por meio de um PRM (process reward model). A t\u00e9cnica ajusta dinamicamente o esfor\u00e7o computacional conforme a dificuldade da pergunta, reduzindo o consumo de recursos sem comprometer a precis\u00e3o. O m\u00e9todo pode ampliar o desempenho de modelos menores em tarefas complexas.<\/p>\n
Os pesquisador(es) envolvidos incluem Navid Azizan, Young-Jin Park, Kristjan Greenewald, Kaveh Alim e Hao Wang, com atua\u00e7\u00e3o no MIT e no MIT-IBM Watson AI Lab. O trabalho foi apresentado nesta semana na Conference on Neural Information Processing Systems (NeurIPS). A pesquisa sustenta que a calibra\u00e7\u00e3o do PRM cria estimativas de incerteza mais confi\u00e1veis, evitando superestimativas de probabilidade de sucesso que levavam a cortes de c\u00e1lculo excessivos.<\/p>\n
O estudo parte de t\u00e9cnicas de inference-time scaling, que permitem ao modelo explorar v\u00e1rias solu\u00e7\u00f5es antes de consolidar a resposta. A novidade \u00e9 ajustar o n\u00famero de caminhos de racioc\u00ednio conforme a probabilidade de sucesso de cada um, medindo o n\u00edvel de dificuldade com o PRM. Assim, o modelo pode dedicar mais ou menos recursos em tempo real, dependendo do problema.<\/p>\n
Resultados indicam que a abordagem consome menos computa\u00e7\u00e3o por problema, mantendo a acur\u00e1cia em tarefas de racioc\u00ednio matem\u00e1tico e similares. A expectativa \u00e9 aplicar a t\u00e9cnica a gera\u00e7\u00e3o de c\u00f3digo e a agentes de IA, al\u00e9m de explorar usos do PRM calibrado em aprendizado refor\u00e7ado e ajuste fino. A iniciativa busca ampliar a viabilidade de IA confi\u00e1vel em aplica\u00e7\u00f5es de alto custo computacional.<\/p>\n","protected":false},"excerpt":{"rendered":"