Como avaliar imagens, séries temporais e tarefas longas

Exemplo: Nem todo acervo é texto, e nem toda tarefa termina em uma conversa. Há pesquisas sobre séries temporais, encadeamento de sessões e combinação de busca com código. Essas frentes têm evidências diferentes. Na Veredas, é preciso separar uma imagem mal extraída de um problema que realmente exige uma nova arquitetura.

Planejar 2027 pela manchete leva a duas perdas. Uma é investir numa capacidade que ninguém mediu no seu tipo de documento. A outra é deixar passar uma combinação que já tem número publicado e resolveria um erro recorrente. Sem um mapa que separe o medido do anunciado, a decisão vira gosto pessoal.

Ao terminar, você sabe quais híbridos já têm resultado controlado, o que falta de evidência sobre RLM com imagem e sobre trabalho prolongado, e monta um mapa de oportunidades em que cada linha traz a evidência, a lacuna e o teste que a fecharia.

Por que os híbridos já vencem onde o RLM puro tropeça

A tabela principal do artigo de Zhang, Kraska e Khattab traz um resultado que costuma passar despercebido. Quando o contexto é descarregado num arquivo, agentes de código comuns mudam de patamar. Com o GPT-5, o OpenCode marcou 94,0 no BrowseComp+ com mil documentos, acima dos 91,3 do RLM de profundidade 1. No OOLONG-Pairs, o mesmo OpenCode ficou em 4,8, contra 58,0 do RLM. O Claude Code com Opus 4.1 e contexto em arquivo fez 84,0 e 6,5 nos mesmos testes.

Quem vence depende da tarefa. Achar um documento num corpus de milhões de tokens é trabalho de busca, e o agente de código com o corpus em arquivo faz isso bem. Cruzar pares de itens em todo o contexto exige laço programático com subchamadas, e só o RLM chega lá. A armadilha comum é escolher o harness por um número único: o OpenCode vence o BrowseComp+ e desaba no OOLONG-Pairs, sem que nenhum dos dois números esteja errado.

Compactação é o resumo automático do histórico quando ele passa de um limite, como a ata que substitui a gravação da reunião. Na mesma tabela, o agente de compactação com GPT-5 marcou 0,1 no OOLONG-Pairs, contra 58,0 do RLM, e 70,5 no BrowseComp+, contra 91,3. Resumir perde justamente os pares que a pergunta cruzada precisa. A compactação vendida como serviço resolve o limite da janela e continua sujeita a essa perda.

Os fornecedores de harness caminham na mesma direção. A Anthropic descreveu em 2 de junho de 2026 os dynamic workflows do Claude Code. São um arquivo JavaScript que cria e coordena subagentes, escolhe modelo e cópia de trabalho para cada um e retoma após interrupção, com padrões como distribuir e sintetizar, verificação adversarial e torneio. O Claude Code não tem modo “RLM” oficial; subagentes e workflows são parentes do conceito, não a mesma coisa.

Em maio de 2026, a LangChain lançou os recursive workflows no Deep Agents 0.6 e, em julho, publicou como usar RLMs ali, admitindo que o que entrega fica mais perto de agentes recursivos do que do RLM do artigo. A compactação virou serviço de plataforma na Anthropic e na OpenAI; a da OpenAI devolve um item criptografado e opaco, que a aplicação não consegue ler. E o DSPy depreciou em agosto os módulos CodeAct e ProgramOfThought em favor do dspy.RLM, com remoção prevista para a versão 3.5.

Um cenário condicional decorre daí. Se os harnesses de código continuarem incorporando REPL persistente e subchamadas em laço, o RLM tende a aparecer em 2027 como um modo de execução dentro deles, e menos como produto separado. O sinal que confirmaria o cenário é um fornecedor de harness documentar a variável de contexto fora da janela e a subchamada programática como recurso oficial. Até setembro de 2026, nenhum documentou.

Imagem e trabalho de meses, com a evidência que existe e a que falta

Sobre imagem, a lacuna é completa. Os benchmarks do artigo original, da reprodução, do λ-RLM e do estudo de envenenamento são de texto e código. Os resultados no ARC-AGI, do Prime Agent e do agente em REPL da Symbolica, envolvem quebra-cabeças e jogos em grades de cores, sem foto nem página escaneada. Até setembro de 2026, nenhum trabalho publicado mediu um RLM lendo laudo escaneado, mapa ou fotografia.

Já existe mecanismo para tentar. A biblioteca rlms aceita ferramentas próprias nas subchamadas, e a Prime Intellect propôs em janeiro de 2026 que ferramentas extras fiquem só com os sub-LLMs, para não inchar o contexto do raiz. Um modelo com visão plugado como ferramenta de subchamada receberia uma página por vez e devolveria texto ao REPL. É desenho plausível, sem medição que o sustente, e entra no mapa como hipótese a testar.

Para fechar essa lacuna, o experimento teria o formato de sempre: mesmo acervo, mesmas perguntas, com e sem a ferramenta de visão, e medição separada das perguntas que dependem de página escaneada. Sem essa separação, o ganho em poucas perguntas some na média das outras, ou a piora nelas fica escondida.

Trabalho prolongado tem mais evidência, quase toda de parentes do RLM. O Context-Folding, da ByteDance Seed com CMU e Stanford, treinou por reforço um agente que abre subtrajetórias e as dobra num resumo. Com 32 mil tokens de contexto ativo, o Seed-OSS-36B marcou 62,0% no BrowseComp-Plus e 58,0% no SWE-Bench Verified; o mesmo modelo como agente comum, com 327 mil tokens, fez 47,8% e 55,2%. O GPT-5 como agente comum, com os mesmos 327 mil, fez 79,3% e 71,8%.

Para trabalho que dura dias, faltam duas medições. A primeira é latência: o blog original descreve chamadas bloqueantes, sem cache de prefixo, e a Prime Intellect registrou que o RLM aumenta de forma significativa o tempo de execução em todos os ambientes que testou. O Prime Agent responde com subagentes assíncronos, cuja chamada devolve um identificador na hora, e com tetos de turnos, tokens e tempo no modo autônomo. A segunda é acúmulo de erro ao longo de semanas, e essa ninguém publicou.

Quem paga a conta precisa saber que trabalho prolongado herda a cauda do RLM. O artigo original mostra custo com desvio-padrão muitas vezes maior que a média, como os US$ 1,10 ± 3,25 do RLM de profundidade 2 no OOLONG. Num agente que roda por semanas, a cauda deixa de ser exceção: em milhares de execuções, algumas vão cair nela. Os tetos de turno, token e tempo passam a fazer parte do contrato de operação.

Os subagentes assíncronos do Prime Agent atacam o problema certo e continuam sem medição independente de latência. Até setembro de 2026, os tempos publicados sobre RLM são os da reprodução, com o DeepSeek v3.2 indo de 3,6 segundos na base a 344,5 segundos na profundidade 2, e os do λ-RLM. Nenhum deles mede um agente rodando por dias.

Uma medida pública para tarefas longas é outra: o horizonte de tempo do METR, a duração, para um especialista humano, das tarefas que o modelo completa com 50% de sucesso. Em setembro de 2026, o maior valor da página era de 17 h. O próprio METR avisa que medições acima de 16 h não são confiáveis com a suíte atual e que o número mede a dificuldade da tarefa, não o tempo de autonomia.

Estado, checkpoint e retomada para um agente que roda dia e noite estão em Montar o harness de longa duração.

Como a Veredas montou o mapa de oportunidades

Helena pediu a Caio uma lista das apostas para 2027 que não dependesse de manchete. Ele começou pelos erros. O protótipo otimizado acertava 93 de 120, então errava 27. Caio leu o rastro de cada um e os classificou pela causa. Nove vinham de laudos escaneados em que o reconhecimento de texto perdeu as colunas das tabelas; sete, de prazos prorrogados que o modelo leu como vencidos. Outros seis eram documentos que não estavam no acervo, e cinco eram erros de soma na agregação.

A classificação mudou a conversa. Treze dos 27 erros, os 7 de prazo e os 6 de documento ausente, não se resolvem com técnica nova de RLM, e sim com regra de negócio e coleta. Dos 14 restantes, 5 já estavam cobertos pelo pipeline de combinadores. Sobraram 9 para a única frente em que a lacuna de evidência é total, a leitura de imagem, e isso deu ao teste um tamanho definido.

Caio acrescentou duas frentes que não vinham dos erros e sim do negócio. O acervo cresce cerca de 460 documentos por ano, 6.400 divididos por 14, perto de 38 por mês, e Helena queria um agente que acompanhasse as condicionantes continuamente em vez de responder perguntas soltas. A outra frente era o modelo pequeno treinado, parado no gatilho de 1.000 trajetórias aprovadas.

O híbrido ocupa a primeira linha porque a divisão de trabalho já aparecia nos números. O RAG antigo acertava 36 de 40 em localização e errava contagens; o RLM lia bem e gastava para achar. Deixar a busca escolher o empreendimento e o RLM ler só o que foi escolhido junta as duas forças, e o projeto final vai medir se a soma passa dos 93 acertos.

Mais caro de todos, o teste de acompanhamento contínuo ficou desenhado e sem data. Caio reprocessaria 2025 mês a mês, cerca de 38 documentos novos por vez, com o agente guardando o estado de cada empreendimento entre um mês e outro. Ao fim dos 12 meses, a lista de condicionantes vencidas seria comparada com a auditoria que Helena fez no fim daquele ano. É o único jeito de medir o acúmulo de erro que nenhum trabalho publicado mediu.

Rodou primeiro o teste de imagem, por ser o menor. Caio plugou um modelo com visão como ferramenta da subchamada, só para páginas marcadas como escaneadas, e reprocessou as 9 perguntas. Acertou 6, acima do critério de 5, e nenhuma das outras 111 mudou de resposta, porque a ferramenta nunca foi chamada nelas. O custo dessas 9 perguntas subiu de US$ 0,41 para US$ 0,68 em média, e a decisão ficou para quando houver mais páginas escaneadas no acervo de teste.

Em escala, a conta é pequena. Se 7,5% das perguntas reais dependerem de página escaneada, a mesma proporção das 9 em 120 do conjunto de Helena, mil perguntas por mês teriam 75 delas; a US$ 0,27 a mais cada, a ferramenta acrescentaria cerca de US$ 20 por mês.

O [TimeRLM, revisado em 6 de setembro de 2026](https://arxiv.org/html/2608.03391v2), investiga séries temporais. Seu conjunto AnomalyXL usa anomalias sintéticas: isso ajuda a controlar o teste, mas não demonstra desempenho equivalente em toda anomalia operacional. O [Chained RLM, de 5 de agosto](https://arxiv.org/html/2608.05124v1), estuda a continuidade entre sessões por resumos e artefatos. Persistir informação pode prolongar o trabalho, mas também transportar erros e acrescentar custo.

Para cada hipótese, registre evidência, limitação e teste necessário. Verifique primeiro se o erro vem da preparação do material. Só invista em uma nova abordagem quando ela enfrentar uma lacuna relevante e puder ser comparada com uma alternativa simples.