Julgar as apostas de recursão aprendida e execução previsível

Com um protocolo que pega trapaça antes de ela chegar ao cliente, a Veredas passou a ter como testar promessas em vez de acreditar nelas. Duas promessas ocupam quase toda conversa técnica sobre RLM para 2027. A primeira diz que os modelos vão aprender a recursão durante o treino. A segunda diz que a execução vai ficar previsível, com custo e término garantidos antes de rodar.

Errar a leitura custa nos dois sentidos. Quem adota cedo demais reescreve o sistema em torno de uma técnica que só foi medida em modelos abertos e contextos de até 128 mil tokens. Quem ignora continua pagando execuções com cauda longa, em que uma pergunta ruim consome dez vezes o tempo da mediana, sem saber que já existe uma forma de pôr teto nisso para parte das perguntas.

Ao terminar, você distingue o que foi provado por teorema, o que foi medido em experimento e o que é aposta declarada, sabe sob quais condições valem as garantias do λ-RLM e decide em quais perguntas do seu sistema um pipeline fixo compensa o código livre.

Por que a recursão aprendida ainda é aposta, e qual evidência a sustenta

Cinco apostas sobre o futuro do RLM estão declaradas por escrito. Zhang, Kraska e Khattab esperam que treinar RLMs nativos vire “um novo eixo de escala”. A Prime Intellect disse em janeiro de 2026 que ensinar gestão de contexto por reforço seria o próximo grande avanço, e em agosto que o co-aprendizado entre modelo e harness seria o paradigma dominante. A equipe do alphaXiv aposta que o próximo marco é o modelo descobrir a estratégia, e não só executá-la. Os autores do λ-RLM apostam em ambientes formais verificáveis.

Do lado a favor, a evidência mais forte é uma prova. Chenxiao Yang, Nathan Srebro e Zhiyuan Li, do Toyota Technological Institute at Chicago, publicaram o trabalho no ICML 2026. Eles provaram que todo problema computável admite uma decomposição recursiva em que cada subtarefa exige um contexto ativo exponencialmente menor que o de um modelo que gera tudo numa sequência só. Contexto ativo: o que o modelo precisa ter na janela naquele passo, como a página aberta de um livro inteiro.

Pela mesma prova, a recursão supera estritamente qualquer gestão de contexto confinada a uma sequência, como o resumo. Os experimentos acompanham a teoria. No SAT, um Qwen2.5-3B ajustado e treinado só em instâncias fáceis e médias chegou a 64% nas difíceis, enquanto Qwen3-235B, GPT-4o e LLaMA3.3-70B só com prompt ficaram entre 48,8% e 52,9%, perto do acaso. No Go 4x4, um Transformer de 3,18 milhões de parâmetros treinado do zero manteve 38,5% em traços mais longos que os do treino; a cadeia de raciocínio comum caiu para 1,0%.

Daí nasce a armadilha comum: ler a prova como garantia de que um modelo vai achar a decomposição. O teorema diz que a decomposição boa existe; os experimentos treinaram o modelo em traços que já mostravam como decompor. Nenhum dos dois mede um RLM com REPL decidindo sozinho como fatiar um acervo desconhecido. É o suporte teórico mais forte para “recursão supera resumo”, e vale para recursão treinada em traços.

Do outro lado há evidência que complica. Em março de 2026, um grupo da Apple publicou o SRLM, que troca a recursão explícita por busca de programas guiada por sinais de incerteza. Com o mesmo orçamento de tempo, ele chegou a até 22% acima do RLM, e os autores concluem que a recursão em si não é o principal motor do desempenho. Dentro da janela nativa, observaram que o RLM com recursão muitas vezes piora em relação ao modelo base.

Na tabela principal do artigo original, a profundidade também não melhora de forma consistente: com o Qwen3-Coder, passar da profundidade 1 para a 2 derrubou o OOLONG de 48,0 para 26,0. Na reprodução independente de Daren Wang, com amostras de 20 perguntas, o Kimi K2 caiu de 86,6 para 60,0 no OOLONG ao ganhar a primeira camada de recursão. Recursão aprendida pode ser o caminho para esses tropeços sumirem, e é justamente isso que ainda não foi medido.

O que o λ-RLM garante e sob quais condições as garantias valem

Batizado de The Y-Combinator for LLMs: Solving Long-Context Rot with λ-Calculus, o artigo chama o método de λ-RLM. Amartya Roy, do IIT Delhi e da Robert Bosch Índia, assina com Rasul Tutunov, Xiaotong Ji, Matthieu Zimmer e Haitham Bou-Ammar, do Huawei Noah's Ark e da UCL, em 20 de março de 2026. O problema que atacam é a imprevisibilidade do código livre no REPL: o modelo escreve o programa que quiser, e ninguém sabe antes quanto ele vai custar nem se vai parar.

Combinador: uma peça pronta de programa com entrada e saída de tipo fixo, como uma peça de montar que só encaixa de um jeito. O λ-RLM troca o código livre por sete deles, Split, Peek, Map, Filter, Reduce, Concat e Cross, que o sistema já verificou. O modelo neural só entra nas folhas, em pedaços de tamanho limitado. Quem monta o programa escolhe a combinação; quem lê cada pedaço é o modelo.

Com essa troca vêm quatro garantias provadas. O programa termina; o custo tem limite calculável em fórmula fechada antes de rodar; a acurácia varia de forma controlada com a profundidade; e existe uma regra ótima de partição, o k*, que diz em quantos pedaços dividir. Cada garantia vale dentro do modelo formal do artigo. A regra do k* depende de um modelo simples de custo, e a acurácia final continua dependendo de quanto o modelo acerta em cada folha.

O k* resolve uma escolha que todo protótipo faz no chute. Pedaço grande demais volta ao problema de origem, o modelo lendo mal um contexto longo; pedaço pequeno demais multiplica subchamadas e o custo fixo de cada uma. A regra dá o ponto de equilíbrio para um modelo de custo simples, e o valor exato muda com o preço e com o modelo de cada equipe.

No experimento, a condição pesa tanto quanto o resultado. Foram nove modelos abertos (Qwen3 de 8B, 32B e 235B; Llama 3.1 8B, 3.3 70B e 3.1 405B; Mistral-7B, Mixtral-8x22B e Codestral-22B) em quatro tarefas, S-NIAH, OOLONG, OOLONG-Pairs e CodeQA, com contextos de 8 mil a 128 mil tokens. O λ-RLM venceu o RLM padrão em 29 das 36 comparações. A média foi de 26,1% para 45,5%, e a latência caiu 4,0 vezes em média.

Dois números mostram de onde vem o ganho. No Qwen3-8B, o λ-RLM marcou 35,7% contra 13,8%. Quando os autores deixaram o modelo escrever código livre, o OOLONG caiu de 48,3% para 24,1% e a latência subiu de 62,4 para 241,6 segundos. A variação também encolhe: a razão entre a execução mais lenta e a mais rápida foi de 8,9 vezes no RLM padrão e de 4,3 vezes no λ-RLM.

As sete células que o RLM padrão venceu dizem onde o código livre ainda paga. Estão sobretudo no CodeQA, com modelos fortes em código: o Llama 3.1 405B fez 62,1% com código livre contra 55,7% com combinadores. E nenhum modelo de fronteira fechado entrou na comparação. Levar esses números para o GPT-5 ou para o Opus 5.5 é extrapolação, e é a extrapolação que a Veredas precisaria testar por conta própria.

Como a Veredas pôs um teto de custo nas perguntas de contagem

Caio olhou para as 50 perguntas de agregação e viu que quase todas tinham a mesma forma: achar documentos de monitoramento hídrico, extrair condicionante, prazo e situação de cada um e somar. No protótipo, o raiz reescrevia esse programa do zero a cada pergunta, com variações que às vezes funcionavam e às vezes rodavam por minutos. Ele montou um pipeline fixo, no espírito do λ-RLM e sem a biblioteca: filtro por expressão regular, divisão em pedaços, leitura por subchamada e soma.

Dá para calcular o teto de custo antes de rodar. A referência de preço é a do GPT-5-mini: US$ 0,25 por milhão de tokens de entrada e US$ 2 de saída. A pergunta mais larga, que atravessa os 38 empreendimentos, lê cerca de 8% dos 52 milhões de tokens: 4,16 milhões, ou US$ 1,04 de entrada. São 139 pedaços de 30 mil tokens, cada um com até 800 tokens de saída: 111.200 tokens, ou US$ 0,22. A soma final custa cerca de US$ 0,03. O teto fica em US$ 1,29.

Na prática, quase nenhuma pergunta atravessa o acervo inteiro. Nas 50 de agregação, o custo médio medido foi de US$ 0,29, e a pior execução levou 4 min 10 s, contra os 19 minutos da pior execução da primeira versão do protótipo. O acerto subiu de 38 para 40 de 50, dois acertos a mais, que Helena registrou como empate técnico e não como vitória.

O tamanho do pedaço saiu de um teste, já que a Veredas não tinha como aplicar a fórmula do k* ao próprio custo. Caio rodou as 50 perguntas com pedaços de 10, 30 e 90 mil tokens: com 90 mil o acerto caía, e com 10 mil as subchamadas triplicavam. Ficou com 30 mil.

Caio tentou o mesmo nas 30 perguntas de cruzamento, com um combinador de pares no lugar da leitura livre. Caiu de 19 para 15 acertos. Cruzar um laudo de laboratório com um parecer do órgão ambiental exige ler os dois documentos juntos e decidir o que comparar, e o pipeline fixo não decide. É a versão da Veredas das sete células em que o RLM padrão venceu no artigo.

Três condições, que Caio escreveu no próprio código, sustentam o teto. O filtro não pode usar modelo, senão o tamanho do que passa deixa de ser previsível. A saída de cada subchamada é cortada em 800 tokens. E cada documento novo sobe o teto de forma calculável, o que transforma a pergunta sobre orçamento numa multiplicação feita antes de rodar.

Saíram daí duas execuções lado a lado na Veredas: combinadores com teto conhecido para contar e código livre para cruzar. As apostas sobre recursão aprendida continuam como hipóteses, com sinal definido para cada uma. Calcule o teto de custo da sua pergunta mais larga com o preço do seu modelo de subchamada e anote o valor; se ele passar de três vezes o custo médio atual, o pipeline fixo ainda não compensa para você.