Há dois anos a indústria de IA opera com base em uma premissa quase religiosa: modelos mais fortes precisam de mais parâmetros. Um trilhão de parâmetros é o ingresso para a primeira divisão; algumas centenas de bilhões é a nota mínima para a classe média; qualquer coisa abaixo de cem bilhões, educadamente, não ganha lugar à mesa. O Shanghai AI Lab acaba de abalar esse consenso com um modelo open-source de 35B baseado em mixture-of-experts chamado Agents-A1.
O modelo não tenta provar que 35B parâmetros podem substituir um gigante de um trilhão — ele não faz tal afirmação. O que ele faz é mais fundamental: move o eixo da competição entre agentes de “qual modelo é maior” para “quem consegue trabalhar por mais tempo”. O título do artigo diz isso abertamente: Scaling the Horizon, Not the Parameters. Não é um panfleto contrário aos modelos grandes. É uma evidência a favor de uma escolha subestimada — que o horizonte de uma tarefa, e não a largura de uma rede, é onde a capacidade agêntica está sendo de fato ganha e perdida agora.
A Narrativa dos Grandes Modelos Está Esvaziando
Ninguém discorda do que modelos de um trilhão de parâmetros fazem bem. Eles sabem mais, raciocinam mais profundamente e entendem mais amplamente. Converse com um deles em um leaderboard e você sai pensando: sim, essa coisa é inteligente. Mas quando a tarefa muda de “responder a uma pergunta” para “completar um processo” — pesquisar, chamar as ferramentas, rodar o código, ler o feedback, corrigir o rumo, rodar de novo — os gigantes começam a tropeçar. Sua inteligência é uma inteligência de velocista, e o trabalho agêntico é uma maratona.
O artigo quantifica essa lacuna com uma clareza incomum. No GAIA, um benchmark de busca de longo horizonte, um professor aumentado com busca construído sobre uma base da classe 35B (uma variante do Qwen3.5) elevou sua pontuação de 59,8 para 95,1 — e a única coisa que mudou foi o comprimento da cadeia de chamadas de ferramentas e buscas, sem alterar um único parâmetro. No FS-R, um benchmark de raciocínio científico, a pontuação saltou de 2,5 para 54,3, porque o modelo aprendeu a chamar ferramentas externas, verificar evidências intermediárias e validar seus próprios passos de raciocínio ao longo de longas cadeias científicas.
Releia esses números com atenção. Esta não é uma história de Davi contra Golias. É uma história sobre que tipo de treino os maratonistas precisam: o mesmo modelo base, treinado para duração, vence o modelo que apenas responde rapidamente.
Não São Mais Parâmetros — São Cadeias Mais Longas
A receita de treinamento por trás do Agents-A1 é uma conversão: de ensinar um modelo a responder a uma pergunta, para ensinar um modelo a concluir um processo. Ela funciona em três etapas.
Etapa um: SFT de domínio completo. A equipe primeiro realizou fine-tuning supervisionado com trajetórias de longo horizonte, de alta qualidade e multdomínio, para que o modelo pudesse entender tarefas e seguir instruções em contextos longos. Isso lançou a fundação — e expôs o problema. O SFT de domínio completo melhorou buscas de longo horizonte e tarefas de engenharia, mas degradou tarefas agênticas gerais e o seguimento de instruções. Diferentes modos de raciocínio conflitam entre si, e um treinamento único não resolve o conflito.
Etapa dois: professores por domínio. A capacidade agêntica foi dividida em quatro trilhas — busca, raciocínio científico, seguimento de instruções e chamadas de ferramentas — e um professor especialista foi treinado para cada uma. O professor de busca, com SFT e depois RL, levou o GAIA a 95,1. O professor científico, com SFT em duas etapas, levou o FS-R de 2,5 para 54,3. O professor de seguimento de instruções usou RL em duas etapas para elevar o LongBench V2 e o IFBench. O professor de chamadas de ferramentas aprendeu, via SFT mais RL, quando chamar, como se recuperar de erros e quando parar.
Etapa três: destilação on-policy com múltiplos professores. Esta é a principal contribuição técnica do artigo. Em vez de um ensemble ou um roteamento estilo MoE, a equipe construiu um framework de destilação on-policy com roteamento por domínio e alinhamento de vocabulário saliente: cada professor de domínio avalia trajetórias que o próprio modelo estudante gera, em vez de corrigir dados offline pré-emparelhados por imitação. A distinção importa porque, em tarefas de longo horizonte, as trajetórias que um estudante gera na prática divergem completamente do que um professor vê em um conjunto de treino. A imitação offline ensina a igualar respostas; a destilação on-policy ensina a igualar processos. O artigo confirma que isso resolve os conflitos de modos de raciocínio que o SFT de domínio completo não conseguia, preservando uma cobertura ampla enquanto absorve as forças de cada especialista.
Por baixo das três etapas está a contribuição de infraestrutura do artigo: o Knowledge-Action Graph, ou KAG. Ele não apenas registra fatos; ele registra cada estado intermediário de cada tarefa — o que o modelo pesquisou, qual ferramenta invocou, o que retornou, se a verificação passou, como ele se ajustou após uma falha. A trajetória agêntica média nesse conjunto de dados tem cerca de 45.000 tokens, cem vezes mais longa que um típico par de pergunta e resposta. É essa supervisão em nível de processo que permite a um modelo de 35B aprender a persistir. Um loop de self-play proposer-solver-verifier segue gerando trajetórias novas e de alta qualidade, de modo que os dados de treino evoluem continuamente em vez de serem carimbados uma única vez.
O Framework: Capacidade Vezes Horizonte Vezes Trajetória
O valor duradouro do Agents-A1 não são seus resultados em benchmarks — esses envelhecem rápido. É o modelo mental que ele propõe: capacidade agêntica igual à competência do modelo base, multiplicada pelo comprimento da cadeia de tarefas, multiplicada pela qualidade da trajetória. A indústria se obcecrou pelo primeiro fator. As leis de escalabilidade alimentaram a corrida do trilhão de parâmetros; cada ordem de grandeza aumentou os custos de treino e as contas de inferência ao mesmo tempo. É nessa mesa que OpenAI, Anthropic e Google jogam.
Os outros dois fatores foram deixados à míngua. O comprimento da cadeia de tarefas pergunta: quantas decisões consecutivas um modelo consegue tomar antes de se perder? Consegue se manter coerente ao longo de dez buscas, vinte chamadas de ferramentas, cinco rodadas de execução de código? A relação com a contagem de parâmetros é real, mas não linear — um modelo de 35B capaz de sustentar uma trajetória de 45.000 tokens vencerá um modelo de um trilhão de parâmetros que responde brilhantemente e depois esquece o fio da meada. A qualidade da trajetória pergunta o que o modelo aprende com execuções longas: não memorizar respostas, mas memorizar como as respostas são encontradas, verificadas e reparadas. O KAG fornece registros de processos com verificação — qual passo estava certo, qual merecia reflexão, se a cadeia de evidências está completa — e é essa densidade de sinal que generaliza.
Escalar o horizonte significa que o gargalo da capacidade agêntica está migrando da densidade de conhecimento de um modelo para sua persistência em tarefas e seu fechamento de ciclos de decisão. Essa é um tipo diferente de lei de escalabilidade, e ninguém atingiu seu teto ainda.
Onde Mais o Framework Explica o Que Você Está Vendo
O framework alcança muito além de um único artigo. Assistentes de código já deslocaram seu eixo competitivo da precisão de autocompletar para a duração do ciclo de issue-para-PR que um agente consegue manter sem descarrilar; praticantes agora comparam agentes pela capacidade de levar uma feature completa ou um bug cabeludo por dezenas de passos. Isso é uma disputa de horizonte. Produtos de deep research do Google, OpenAI e uma multidão de startups competem não pelo modelo que chamam, mas por quantas rodadas de busca sustentam, quantas fontes cruzam, por quanto tempo um relatório se mantém logicamente consistente — um agente de 35B com boas trajetórias de busca pode vencer um modelo fechado de um trilhão de parâmetros fazendo busca de tiro único. O RPA corporativo é a mesma história com software mais antigo: scripts de regras estão sendo substituídos por modelos que entendem processos, e quanto mais difícil o processo — mais sistemas, mais etapas de validação, mais tratamento de exceções — mais horizonte o agente precisa. E na automação científica, o caso de detecção de sons de baleias do artigo não é um truque: partindo de uma CNN simples, o agente elevou o AUC de 0,58 para 0,9935 em doze horas, por meio de dezenas de ciclos de edição de código, treino, avaliação, reflexão e repetição. Um agente capaz de rodar um loop de pesquisa sem supervisão define o próximo paradigma do trabalho científico melhor do que qualquer pontuação em benchmark de matemática.
O Que Fazer Com Isso
Se você constrói aplicações de IA: pare de selecionar modelos pelo rank em chatbot arenas e comece a selecionar pelo desempenho no comprimento da cadeia de tarefas que você precisa. Um modelo de 35B que sustenta trajetórias de ferramentas de 50.000 tokens pode se encaixar melhor no seu fluxo de trabalho do que um modelo de 200B que só brilha em turnos únicos. O Agents-A1 está disponível sob licença Apache-2.0 com suporte a vLLM e SGLang, e custa pouco para testar contra sua carga de trabalho real.
Se você treina modelos: infraestrutura de trajetórias de longo horizonte pode comprar mais capacidade por dólar do que mais um zero de parâmetros. Coleta de dados em nível de processo no estilo KAG, expansão por self-play, destilação multdomínio — essas direções se acumulam. Quando os recursos são escassos, otimizar como você treina cada vez mais vence ampliar o que você treina.
Se você toma decisões de tecnologia: recalibre o que “escalabilidade” significa para o seu roadmap. A corrida do trilhão de parâmetros pertence aos laboratórios de fronteira; a corrida mais ampla da camada de aplicações está sendo disputada em horizontes. Fique de olho nas técnicas que estendem cadeias de execução, elevam a qualidade das trajetórias e reduzem custos de implantação — na maioria dos cenários corporativos, elas retornarão mais do que a próxima atualização de modelo.
Benchmarks mudam, frameworks mudam, mas a pergunta central não: quanto trabalho o seu agente consegue de fato concluir sem você?
Artigo: Scaling the Horizon, Not the Parameters (arXiv 2606.30616). Código e pesos: github.com/InternScience/Agents-A1, licença Apache-2.0.
