Nos últimos dois anos, a história do progresso da IA tem sido sobre computação: clusters maiores, treinamentos mais longos, mais tokens. O lançamento open-source do BigBang-V1 aponta para um gargalo mais silencioso que começa a limitar o avanço — a escrita de perguntas por humanos. O modelo, um modelo agêntico de 35B de parâmetros (3B ativos) da equipe chinesa Endless Frontier, foi treinado com dados de pós-treinamento 100% sintetizados por IA: as perguntas, as soluções e a verificação foram todas produzidas pela própria IA. Em oito benchmarks representativos, ele registra as maiores pontuações entre modelos da escala de 35B — e no FrontierScience Research, Humanity’s Last Exam, PaperBench (Code-Dev) e BioMysteryBench-HD supera o DeepSeek V4 Pro Preview, um modelo de 1.6T mais de 45 vezes maior que ele.
O pipeline: dois agentes, uma fábrica que se reconfigura sozinha
Construído sobre a base Qwen3.6-35B-A3B e disponibilizado em código aberto no Hugging Face e no GitHub, o BigBang-V1 é a aposta da equipe para construir o que chamam de primeiro modelo de fundação treinado nativamente com um loop de autoaperfeiçoamento recursivo (RSI) — e, mais importante, para levar o RSI do conceito à engenharia. A equipe por trás dele une o Instituto de IA da Universidade Jiao Tong de Xangai à DP Technology (深势科技) e ao Shanghai Institute of Algorithm Innovation, com raízes no agente de pesquisa SciMaster, que anteriormente liderou o ranking FrontierScience da OpenAI.
O sistema de dados opera com duas classes de agentes. Um Agente Gerador propõe e resolve tarefas difíceis em ciência, engenharia e pesquisa em IA. Ele não é uma máquina de perguntas baseada em templates de prompt: escreve, executa e depura diretamente os programas de síntese de dados, escolhe de quais domínios científicos extrair, decide o comprimento das cadeias de raciocínio e registra o que falhou, para que a próxima rodada herde as lições. Um Agente Crítico audita os candidatos de forma adversarial — primeiro quanto a formato, execução de ferramentas, integridade dos dados e satisfação de restrições; depois, se a tarefa é correta, verificável, difícil, diversa e realmente vale a pena treinar. Tarefas que falham são rejeitadas ou enviadas de volta para retrabalho.
Duas propriedades tornam uma tarefa adequada a esse loop. Ela precisa ser de fronteira — na borda do conhecimento atual, idealmente sem resposta conhecida, para que não possa ser esgotada como um banco estático de questões. E precisa ser verificável — conferível por meio de métodos formais, execução de código, computação numérica, simuladores ou ferramentas do domínio. A ciência satisfaz as duas condições ao mesmo tempo, e é por isso que a equipe a usa como campo de treinamento: uma fonte aberta de novos problemas cujas respostas podem ser verificadas objetivamente.
O movimento AlphaGo: self-play com um loop externo
A dinâmica Gerador contra Crítico é essencialmente um self-play no estilo AlphaGo, com o tabuleiro trocado por tarefas científicas abertas. Mas o self-play tem um modo de falha conhecido: o Gerador aprende a agradar o Crítico, produzindo dados que parecem sofisticados e pontuam alto, mas que não transferem para tarefas reais. A resposta do BigBang é um segundo loop, mais lento. O sistema constrói versões diferentes do pipeline de dados, treina modelos com cada uma e os avalia em tarefas reais reservadas. Se dados que o Crítico avaliou bem não tornam os modelos de fato mais fortes, os critérios do Crítico são recalibrados e o Gerador é redirecionado; se uma tarefa científica de aparência restrita gera ganhos amplos em busca, raciocínio ou uso de ferramentas, o sistema dobra a aposta. Esse loop externo é o que mantém o pipeline honesto — e o mantém em movimento, porque à medida que o modelo fica mais forte, tarefas que antes pareciam difíceis ficam baratas, e o sistema as aposenta e avança em direção à nova fronteira.
Este é o “RSI na camada de dados” que importa: o próprio sistema de produção de dados se torna o objeto sendo otimizado, evoluindo junto com o modelo. É uma aposta diferente das duas abordagens que a maioria dos laboratórios realmente coloca em produção — envolver os modelos em um harness para que chamem ferramentas e ajustem prompts (o que deixa o pipeline de treinamento intacto), ou filtrar os dados gerados com rubricas de avaliação escritas por humanos (que deixam de ser úteis no momento em que os modelos as superam).
O que isso sinaliza
Três mudanças estruturais merecem atenção séria:
- A fronteira competitiva migra da computação para a inteligência de dados. Se um modelo de 35B pode superar um de 1.6T porque seus dados de treinamento são melhores, então a qualidade do modelo se torna função do flywheel de dados, não da contagem de GPUs. Isso muda quem pode competir — e reabre a questão de se os fossos de computação dos maiores laboratórios são tão largos quanto parecem.
- Bancos estáticos de questões se desvalorizam rápido. Modelos consomem benchmarks fixos da mesma forma que consomem dados fixos. Um sistema que gera suas próprias tarefas de fronteira elimina por completo o gargalo da escrita humana de perguntas — e remodela silenciosamente o mercado de dados de avaliação e benchmark.
- Uma nova divisão do trabalho no desenvolvimento de IA. Humanos ainda definem objetivos de pesquisa, orçamentos, limites de risco e critérios de aceitação; a IA conduz a exploração em larga escala, os experimentos, o registro de falhas e a produção de dados da próxima rodada. A restrição que antes era “especialistas humanos redigem cada exemplo de treinamento” está sendo substituída por “humanos auditam o sistema que os redige”.
Os riscos são reais, e a equipe é explícita sobre eles: colusão do crítico, overfitting de avaliação e o problema geral de que sistemas autorreferenciais precisam de uma verdade externa como referência. Sua mitigação são cadeias de verificação somadas ao loop externo de resultados de treinamento — uma arquitetura que vale acompanhar para ver se se sustenta conforme a escala cresce. Notavelmente, o modelo não pode reescrever seus próprios critérios de avaliação, e pontuações altas do Crítico, sozinhas, não podem aprovar dados para a próxima rodada de treinamento.
O que fazer com isso
- Se você constrói dados de treinamento ou avaliação: audite seu pipeline contra os dois critérios — fronteira e verificabilidade. Dados que não tenham nenhum dos dois se desvalorizarão rapidamente, não importa quanto você os limpe.
- Experimente: o BigBang-V1 é aberto — modelo no Hugging Face, código no GitHub, com o harness e os resultados de benchmark reportados incluídos.
- Acompanhe a economia: se o RSI na camada de dados se sustentar, a restrição determinante dos modelos de fronteira migra de “quantas GPUs” para “quão bom é o seu loop de produção de dados”. Os laboratórios que tratam a geração de dados como um sistema de primeira classe — e não uma tarefa de limpeza — são os que vale observar.
A computação comprou as duas últimas gerações de progresso. A próxima pode ser comprada com uma pergunta melhor.
