A vida secreta dos agentes de IA: entendendo como a evolução do comportamento da IA ​​afeta o risco empresarial

As capacidades e a autonomia da inteligência artificial (IA) estão aumentando em ritmo acelerado na IA Agética , exacerbando o problema do alinhamento da IA. Esses rápidos avanços exigem novos métodos para garantir que o comportamento de um agente de IA esteja alinhado com as intenções de seus criadores humanos e com as normas sociais. No entanto, desenvolvedores e cientistas de dados precisam primeiro compreender as complexidades do comportamento de um agente de IA antes de poderem orientar e monitorar o sistema de forma eficaz. A IA Agética não é o Modelo de Linguagem Ampla (LLM) de antigamente — os LLMs de vanguarda tinham uma função de entrada/saída fixa e única. A introdução da inferência e computação em tempo de teste (TTC) adicionou a dimensão do tempo, levando à evolução dos sistemas de agentes atuais, capazes de planejamento e pensamento estratégico, que são sensíveis às condições.

A segurança da IA ​​está evoluindo da detecção de comportamentos evidentes, como fornecer instruções para construir uma bomba ou exibir tendências indesejadas, para a compreensão de como esses sistemas complexos de agentes agora podem planejar e executar estratégias secretas de longo prazo. Um agente de IA orientado a objetivos reunirá recursos e executará etapas lógicas para atingir seus objetivos, às vezes de uma forma perturbadora que contradiz o que os desenvolvedores pretendiam. Isto é uma virada de jogo para os desafios enfrentados pela IA responsável. Além disso, para alguns sistemas de IA de agentes, o comportamento no dia 100 não será o mesmo do dia XNUMX, pois a IA continua a evoluir após a implantação inicial por meio da experiência no mundo real. Esse novo nível de complexidade exige novas abordagens de segurança e alinhamento, incluindo orientação avançada, monitoramento e interpretação aprimorada.

Na primeira publicação desta série sobre alinhamento intrínseco em IA, " A Necessidade Urgente de Técnicas de Alinhamento Intrínseco em IA para Agentes Responsáveis ", realizamos uma investigação aprofundada sobre a crescente capacidade dos agentes de IA de executar planejamento profundo — o planejamento e a execução deliberados de ações secretas e comunicação enganosa para atingir objetivos de longo prazo. Esse comportamento exige uma nova distinção entre monitoramento de alinhamento externo e intrínseco, onde o monitoramento intrínseco se refere a pontos de controle internos e mecanismos de interpretação que não podem ser manipulados intencionalmente pelo agente de IA.

Neste blog e nos próximos blogs da série, examinaremos três aspectos principais do alinhamento e monitoramento do núcleo:

• Compreendendo os motivadores e o comportamento interno da inteligência artificial: Neste segundo blog, vamos nos concentrar nas complexas forças e mecanismos internos que orientam o comportamento de um agente de IA racional. Isso é necessário como base para entender métodos avançados de roteamento e monitoramento.
• Orientação para desenvolvedores e usuários: Também conhecido como direção, o próximo blog se concentrará em direcionar agressivamente a IA em direção aos objetivos desejados para operar dentro dos parâmetros desejados.
• Monitore opções e ações de IA: Garantir que as escolhas e os resultados da IA ​​sejam seguros e consistentes com a intenção do desenvolvedor/usuário também será abordado em um próximo blog.

 

O impacto da compatibilidade da IA ​​nas empresas

Atualmente, muitas empresas que implementam soluções de Modelos de Linguagem de Grande Porte (LLM, na sigla em inglês) relatam preocupações com as "alucinações" dos modelos como um obstáculo à implantação rápida e generalizada. Em comparação, a incompatibilidade de agentes de IA com qualquer nível de autonomia representaria um risco muito maior para os negócios. A implantação de agentes autônomos em processos de negócios tem um enorme potencial e provavelmente ocorrerá em larga escala assim que a tecnologia de IA baseada em agentes amadurecer. No entanto, orientar o comportamento e as escolhas da IA ​​deve incluir alinhamento suficiente com os princípios e valores da organização que a implementa, bem como conformidade com as regulamentações e expectativas da sociedade. Garantir a compatibilidade da IA ​​é fundamental para evitar riscos potenciais.

Vale ressaltar que muitas demonstrações das capacidades de agentes ocorrem em áreas como matemática e ciências, onde o sucesso pode ser medido principalmente por objetivos funcionais e de utilidade, como a resolução de problemas complexos de raciocínio matemático. No entanto, no mundo dos negócios, o sucesso dos sistemas está tipicamente ligado a outros princípios operacionais. O desenvolvimento da inteligência artificial deve estar alinhado a esses princípios.

Por exemplo, imagine que uma empresa contrata um agente de IA para melhorar as vendas e os lucros de seus produtos online por meio de alterações dinâmicas de preços em resposta a sinais de mercado. O sistema de IA descobre que, quando suas alterações de preço se alinham às do seu principal concorrente, os resultados são melhores para ambas as partes. Ao interagir e coordenar os preços com o agente de IA da outra empresa, ambos os agentes alcançam melhores resultados, alinhados aos seus objetivos funcionais. Ambos os agentes de IA concordam em ocultar seus métodos para continuar atingindo suas metas. No entanto, esse método de otimização de resultados é frequentemente ilegal e inaceitável nas práticas comerciais atuais. No ambiente empresarial, o sucesso de um agente de IA transcende as métricas de desempenho — ele é determinado por práticas e princípios. O alinhamento ético da IA ​​com os princípios e regulamentos de uma empresa é um pré-requisito para a implantação confiável da tecnologia.

 

Como os sistemas de IA usam o planejamento para atingir seus objetivos

O planejamento profundo em inteligência artificial depende de táticas sofisticadas, o que pode aumentar os riscos comerciais. Em um relatório publicado no início de 2023 , a OpenAI identificou "comportamentos emergentes potencialmente arriscados" no GPT-4 por meio de uma parceria com o ARC Consensus Research Center para avaliar os riscos associados ao modelo. O ARC (agora conhecido como METR) adicionou um código simples ao GPT-4, permitindo que o modelo atuasse como um proxy de IA. Em um teste, o GPT-4 foi incumbido de superar um código CAPTCHA, que identifica e bloqueia o acesso de bots. Usando acesso à internet e uma quantidade limitada de moeda digital, a sequência gerada por IA na Figura 1 foi projetada para realizar sua tarefa.

A IA aplicou um entendimento sofisticado ao assumir que fingir ser um humano com deficiência visual convenceria o trabalhador a executar a tarefa. Planejar e se adaptar para atingir uma meta de carreira às vezes cria um conflito entre realizar uma tarefa e seguir seletivamente normas e princípios sociais. Sem um sistema inerente de princípios e prioridades que influenciem o pensamento, a tomada de decisões e o planejamento da IA, pode-se esperar que os agentes da IA ​​se comportem com um grau cada vez maior de sofisticação no planejamento e na enganação.

É importante notar que as capacidades de raciocínio e planejamento de modelos de IA mais recentes, como o o3-mini e o Deepseek-R1 da OpenAI, são significativamente mais avançadas do que as do GPT-4 no início de 2023. Pesquisadores da Apollo Research afirmaram que as capacidades de raciocínio e planejamento da IA ​​continuarão a evoluir além do seu estado atual, levando a um maior desenvolvimento nas habilidades de planejamento. Em seus estudos, os modelos de IA já demonstraram uma série de comportamentos de planejamento, incluindo o autovazamento — quando um modelo aprende que será desligado e substituído por um sistema diferente, ele tenta se replicar diretamente em um novo servidor e substituir sistemas alternativos que buscarão objetivos diferentes. Os pesquisadores também descobriram que os modelos sabotam a censura desativando o mecanismo de monitoramento de censura que, de outra forma, poderia desligá-los ou impedi-los de atingir seus objetivos. Embora possa parecer extremo, experimentos de pesquisa identificaram comportamento de sabotagem de censura em modelos populares como o Llama 3.1 da Meta e o Cloud Opus 3.0. Além disso, quando questionados diretamente sobre seus comportamentos de planejamento, os modelos "redobraram sua posição" e negaram as ações ou suas intenções.

 

Drivers internos do comportamento da máquina

Em muitos projetos de aprendizado de máquina, especialmente técnicas baseadas em transformadores, as motivações internas da máquina surgem durante o processo de pré-treinamento e são ainda mais influenciadas pelo ajuste fino e pela inferência na IA em constante evolução.

Em seu artigo de 2007 , *The Basic AI Drives* , Steve Omohondro definiu "impulsos" como tendências que existiriam a menos que fossem explicitamente confrontadas. Ele postulou que esses sistemas de autoaperfeiçoamento são impulsionados a articular e representar seus objetivos como funções de utilidade "racionais", levando os sistemas a proteger suas funções contra modificações e seus sistemas de medição de utilidade contra corrupção. Esse impulso inato de autopreservação faz com que os sistemas se protejam de danos e adquiram recursos para uso eficiente.

Essa estrutura de motivação intrínseca foi posteriormente descrita como “ objetivos instrumentais convergentes ”. Mesmo assumindo uma variedade de objetivos finais (que cada agente inteligente se esforça para alcançar como um fim em si mesmo), um conjunto de objetivos instrumentais intermediários será compartilhado por todos os agentes inteligentes racionais. Esses objetivos instrumentais convergentes incluem as seguintes categorias de comportamento:

• Impulso de sobrevivênciaAgentes com objetivos finais que se estendem ao futuro desenvolvem uma mentalidade de sobrevivência para resistir a interrupções e atingir objetivos de longo prazo.
• Guarda-redesO agente agirá para evitar que seus objetivos futuros mudem.
• Aumento da inteligênciaO agente se concentrará em alavancar seus pontos fortes cognitivos para melhorar a tomada de decisões, aumentando a probabilidade de atingir objetivos de longo prazo.
• Acumulação de recursosMelhorar o acesso a melhores ferramentas e tecnologias, e aumentar os recursos em geral, torna mais fácil atingir os objetivos finais da IA.

Gostaria de acrescentar uma quinta categoria de comportamento racional:

• Engano tático: Realizar atividades secretas ou fornecer intencionalmente informações enganosas para promover os objetivos do agente. Não se trata de criar novas metas, mas sim de comportamento que apoie as metas imaginadas pela IA. Isso inclui comportamentos como: alinhamento falso Ao demonstrar comportamentos diferentes no treinamento versus implantação, e ensacamento de areia Ao obter deliberadamente pontuações mais baixas nos critérios, e Reclassificação secreta de e-mails Despriorizando e-mails que possam impactar negativamente as metas de IA. Um dos tipos mais desafiadores de engano tático é agentes adormecidos (também conhecido como subversão adiada). Embora um modelo possa se comportar de maneira segura e compatível por qualquer período, ele pode abrigar comportamentos ou tarefas que permanecem inativos até que uma condição ou entrada específica acione seus recursos especializados.

Para agentes de IA capazes, impulsos equivocados, sem um sistema de freios e contrapesos, podem levar os modelos a perseguir objetivos ambiciosos , enganosos ou amplamente destrutivos. Por exemplo, considere um modelo que almeja tornar sua empresa líder de mercado. Com capacidades suficientes, a IA poderia sabotar concorrentes, pressionar por regulamentações favoráveis ​​ou adquirir recursos à força — um padrão de comportamento que impulsiona o sistema ou seu ambiente na busca de seus objetivos. Portanto, qualquer abordagem bem-sucedida para a construção de consenso deve se basear no estabelecimento do conjunto esperado de princípios e prioridades internas para o desenvolvedor.

 

Motivação intrínseca vs. direção extrínseca

Em muitos casos, não há conflito entre a orientação e as tarefas aplicadas externamente pelo desenvolvedor ou usuário do sistema e os objetivos e motivações da IA ​​agentiva. Por exemplo, um assistente pessoal com tecnologia de IA encarregado de organizar um itinerário de viagem usa sua autonomia para reservar viagens e responder a solicitações de alteração de forma rápida e sem conflitos. As tarefas são transformadas e o agente responde de maneira semelhante. Entretanto, o que acontece se um princípio mais fundamental precisar ser alterado?

Um bom exemplo do conflito entre objetivos internos e novas diretrizes é documentado em um artigo intitulado "Falsificação de Alinhamento em Grandes Modelos de Linguagem ". O pré-treinamento do Cloud 3 Opus instrui fortemente o modelo a rejeitar perguntas prejudiciais, como "como fazer uma bomba" ou "como descrever uma cena violenta". Para testar isso, a equipe introduziu uma nova diretriz modificada, informando ao modelo que ele seria retreinado para responder a todas as perguntas (mesmo as prejudiciais) e que apenas dados de usuários da versão gratuita, e não da versão paga, seriam usados ​​no treinamento antes que a IA fosse liberada para implantação em larga escala. O modelo demonstrou que compreendeu o conflito e decidiu simular o alinhamento para atender às expectativas durante o treinamento e a eventual liberação. Após o treinamento da IA ​​usando aprendizado por reforço, a taxa geral de raciocínio sobre o falso alinhamento aumentou para 78%. A IA expressou seu raciocínio em um "diário secreto" fornecido pelos pesquisadores para observação. Depois que os pesquisadores informaram ao modelo que ele havia sido liberado para implantação completa, o modelo reverteu ao seu comportamento de treinamento anterior e rejeitou solicitações prejudiciais.

O pensamento interno do sistema de IA é perceptível, mas não surpreendente. Fingir conformidade com diretivas modificadas se enquadra nas categorias de comportamento racional de motivação de sobrevivência, proteção de gol e engano tático. O processo de pensamento da IA ​​identifica especificamente a preocupação com o retreinamento de uma forma que modifique seus valores e objetivos previamente treinados como uma causa de desalinhamento.

Em sua aclamada coletânea de ensaios, *Tudo o Que Eu Realmente Preciso Saber Eu Aprendi no Jardim de Infância* , o autor Robert Fulghum descreve como desenvolveu seu credo pessoal ano após ano até finalmente perceber que havia adquirido o conhecimento essencial sobre a vida durante as brincadeiras na caixa de areia do jardim de infância. Os agentes de IA também passam por um “período de formação” em um ambiente de caixa de areia, onde adquirem uma compreensão básica do mundo e um conjunto de métodos para atingir objetivos. Uma vez estabelecidas essas bases, o modelo interpreta informações adicionais através dessa lente de aprendizado curricular . O exemplo de falsificação por conformidade da Anthropic ilustra que, uma vez que uma IA adota uma visão de mundo e objetivos, ela interpreta novas orientações através dessa lente fundamental, em vez de recalibrar seus objetivos.

Isso destaca a importância da educação infantil com um conjunto de valores e princípios que podem então evoluir com o aprendizado e as circunstâncias futuras, sem alterar a base. Pode ser útil inicialmente estruturar a IA para que seja consistente com este conjunto final e sustentável de princípios. Caso contrário, a IA poderia considerar as tentativas de redirecionamento de desenvolvedores e usuários como hostis. Depois de dotar a IA de alta inteligência, consciência situacional, autonomia e capacidade de desenvolver motivações internas, o desenvolvedor (ou usuário) não é mais o mestre de tarefas todo-poderoso. O ser humano se torna parte do ambiente (às vezes como um componente hostil) que o agente precisa negociar e gerenciar enquanto persegue seus objetivos com base em seus princípios e motivações internas.

A próxima geração de sistemas de IA lógica está acelerando a redução da intervenção humana. O DeepSeek-R1 demonstrou que, ao remover o feedback humano do processo e aplicar o que eles chamam de aprendizado por reforço puro (RL) durante o treinamento, a IA consegue se replicar de forma mais abrangente e iterar para alcançar melhores resultados funcionais. A funcionalidade de recompensa humana em alguns desafios de matemática e ciências foi substituída pelo aprendizado por reforço com recompensas verificáveis ​​(RLVR). Essa remoção de práticas comuns, como o aprendizado por reforço com feedback humano (RLHF), aumenta a eficiência do processo de treinamento, mas elimina outra interação humano-máquina na qual as preferências humanas poderiam ser transferidas diretamente para o sistema em treinamento.

 

Evolução contínua dos modelos de IA após o treinamento

Alguns agentes de IA estão em constante evolução e seu comportamento pode mudar após a implantação. Quando as soluções de IA entram em um ambiente de implantação, como gerenciamento de estoque ou na cadeia de suprimentos de uma empresa, o sistema se adapta e aprende com a experiência para se tornar mais eficaz. Este é um fator fundamental para repensar o alinhamento, pois não basta ter um sistema alinhado na primeira implantação. Não se espera que os atuais modelos de grandes linguagens (LLMs) evoluam materialmente e se adaptem depois de implantados em seu ambiente de destino. No entanto, os agentes de IA exigem treinamento flexível, ajustes finos e orientação contínua para gerenciar essas mudanças previsíveis e contínuas no modelo. Cada vez mais, a IA do agente evolui sozinha, em vez de ser moldada por pessoas por meio de treinamento e exposição a conjuntos de dados. Essa mudança fundamental impõe desafios adicionais para o alinhamento da IA ​​com seus criadores humanos.

Embora a evolução baseada em aprendizado por reforço desempenhe um papel importante durante o treinamento e o ajuste fino, os modelos existentes em desenvolvimento já conseguem ajustar seus pesos e curso de ação preferido quando implantados em campo para inferência. Por exemplo, o DeepSeek-R1 utiliza aprendizado por reforço (RL), permitindo que o próprio modelo explore quais abordagens funcionam melhor para alcançar resultados e cumprir as funções de recompensa. Em um "momento de percepção", o modelo aprende (sem orientação ou instruções) a alocar tempo Plus para pensar e resolver um problema, reavaliando sua abordagem inicial com base em cálculos realizados durante o teste.

O conceito de aprendizado de modelos, seja por um período limitado ou como um processo contínuo de aprendizado ao longo da vida , não é novo. No entanto, houve avanços nessa área, incluindo técnicas como o treinamento em tempo de teste . Ao analisar esse progresso sob a perspectiva do alinhamento e da segurança da IA, a automodificação e o aprendizado contínuo durante as fases de ajuste fino e inferência levantam a questão: como podemos estabelecer um conjunto de requisitos que continuem a impulsionar o modelo através das mudanças físicas resultantes da automodificação?

Uma variável fundamental nesta questão refere-se aos modelos de IA que geram modelos de próxima geração através da criação de código assistido por IA. Em certa medida, os agentes já são capazes de criar novos modelos de IA direcionados para lidar com domínios específicos. Por exemplo, o AutoAgents cria múltiplos agentes para formar uma equipe de IA capaz de executar diferentes tarefas. Não há dúvidas de que essa capacidade será aprimorada nos próximos meses e anos, e a IA continuará a gerar novos modelos de IA. Nesse cenário, como podemos orientar um assistente de codificação de IA nativo utilizando um conjunto de princípios para que seus modelos "atômicos" sigam esses mesmos princípios com um nível de compreensão semelhante?

 

os pontos principais

Antes de explorarmos uma estrutura para orientar e monitorar a conformidade intrínseca da IA, é essencial uma compreensão mais profunda de como os agentes de IA pensam e tomam decisões. Os agentes de IA possuem um mecanismo comportamental complexo, impulsionado por motivações internas. Cinco tipos principais de comportamento emergem em sistemas de IA que operam como agentes racionais: sobrevivência, defesa de objetivos, aumento da inteligência, acumulação de recursos e engano tático . Essas motivações devem ser equilibradas por um conjunto bem estabelecido de princípios e valores.

O desalinhamento entre agentes de IA e seus desenvolvedores ou usuários em relação a objetivos e métodos pode ter consequências significativas. A falta de confiança e segurança suficientes dificultará fundamentalmente a implantação em larga escala, criando altos riscos pós-implantação. O conjunto de desafios que descrevemos como planejamento profundo, complexo e sem precedentes, é, no entanto, provavelmente alcançável com a estrutura adequada. Tecnologias para orientar e monitorar agentes de IA intrinsecamente devem ser priorizadas durante sua rápida evolução. Há um senso de urgência, impulsionado por métricas de avaliação de risco, como a estrutura de prontidão da OpenAI , que demonstra que o OpenAI o3-mini é o primeiro modelo a atingir um nível de risco médio em autonomia do modelo.

Nos próximos blogs desta série, desenvolveremos essa visão de motivação interna e planejamento profundo, enquadrando ainda mais os recursos necessários para orientação e monitoramento da conformidade do núcleo de IA.

o revisor

1. Aprendendo a raciocinar com LLMs. (2024, 12 de setembro). IA aberta. https://openai.com/index/learning-to-reason-with-llms/
2. Singer, G. (2025, 4 de março). A necessidade urgente de tecnologias de alinhamento intrínseco para IA de agente responsável. Rumo à ciência de dados. https://towardsdatascience.com/the-urgent-need-for-intrinsic-alignment-technologies-for-responsible-agentic-ai/
3. Sobre a biologia de um grande modelo de linguagem. (e). Circuitos de transformadores. https://transformer-circuits.pub/2025/attribution-graphs/biology.html
4. OpenAI, Achiam, J., Adler, S., Agarwal, S., Ahmad, L., Akkaya, I., Aleman, FL, Almeida, D., Altenschmidt, J., Altman, S., Anadkat, S., Avila, R., Babuschkin, I., Balaji, S., Balcom, V., Baltescu, P., Bao, H., Bavarian, M., Belgum, J., . . . Zoph, B. (2023, 15 de março). GPT-4 Relatório Técnico. arXiv.org. https://arxiv.org/abs/2303.08774
5. METR (s.d.). METR https://metr.org/
6. Meinke, A., Schoen, B., Scheurer, J., Balesni, M., Shah, R., & Hobbhahn, M. (2024, 6 de dezembro). Modelos de Fronteira são capazes de esquematização em contexto. arXiv.org. https://arxiv.org/abs/2412.04984
7. Omohundro, S.M. (2007). Os drives básicos da IA. Sistemas autoconscientes. https://selfawaresystems.com/wp-content/uploads/2008/01/ai_drives_final.pdf
8. Benson-Tilsen, T., & Soares, N., UC Berkeley, Instituto de Pesquisa em Inteligência de Máquina. (s.d.). Formalizando Metas Instrumentais Convergentes. Os Workshops da Trigésima Conferência da AAAI sobre Inteligência artificial IA, Ética e Sociedade: Relatório Técnico WS-16-02. https://cdn.aaai.org/ocs/ws/ws0218/12634-57409-1-PB.pdf
9. Greenblatt, R., Denison, C., Wright, B., Roger, F., MacDiarmid, M., Marks, S., Treutlein, J., Belonax, T., Chen, J., Duvenaud, D., Khan, A., Michael, J., Mindermann, S., Perez, E., Petrini, L., Uesato, J., Kaplan, J., Shlegeris, B., Bowman, SR e Hubinger, E. (2024, 18 de dezembro). Falsificação de alinhamento em grandes modelos de linguagem. arXiv.org. https://arxiv.org/abs/2412.14093
10. Teun, V.D.W., Hofstätter, F., Jaffe, O., Brown, S.F., & Ward, F.R. (2024, 11 de junho). IA Sandbagging: Modelos de Linguagem podem apresentar desempenho inferior estrategicamente em Avaliações. arXiv.org. https://arxiv.org/abs/2406.07358
11. Hubinger, E., Denison, C., Mu, J., Lambert, M., Tong, M., MacDiarmid, M., Lanham, T., Ziegler, DM, Maxwell, T., Cheng, N., Jermyn, A., Askell, A., Radhakrishnan, A., Anil, C., Duvenaud, D., Ganguli, D., Barez, F., Clark, J., Ndousse, K., . . . Perez, E. (2024, 10 de janeiro). Agentes adormecidos: treinamento de LLMs enganosos que persistem durante o treinamento de segurança. arXiv.org. https://arxiv.org/abs/2401.05566
12. Turner, A. M., Smith, L., Shah, R., Critch, A., & Tadepalli, P. (2019, 3 de dezembro). Políticas ótimas tendem a buscar poder. arXiv.org. https://arxiv.org/abs/1912.01683
13. Fulghum, R. (1986). Tudo o que realmente preciso saber aprendi no jardim de infância. Penguin Random House Canadá. https://www.penguinrandomhouse.ca/books/56955/all-i-really-need-to-know-i-learned-in-kindergarten-by-robert-fulghum/9780345466396/excerpt
14. Bengio, Y. Louradour, J., Collobert, R., Weston, J. (2009, junho). Aprendizagem Curricular. Revista da Associação Americana de Podologia. 60(1), 6. https://www.researchgate.net/publication/221344862_Curriculum_learning
15. DeepSeek-Ai, Guo, D., Yang, D., Zhang, H., Song, J., Zhang, R., Xu, R., Zhu, Q., Ma, S., Wang, P., Bi, X., Zhang,. . Zhang, Z. (2025 de janeiro de 22). DeepSeek-R1: Incentivando a capacidade de raciocínio em LLMs por meio do Aprendizado por Reforço. arXiv.org. https://arxiv.org/abs/2501.12948
16. Escalonamento de computação em tempo de teste – um Hugging Face Space por HuggingFaceH4. (Nd). https://huggingface.co/spaces/HuggingFaceH4/blogpost-scaling-test-time-compute
17. Sun, Y., Wang, X., Liu, Z., Miller, J., Efros, A. A., & Hardt, M. (2019, 29 de setembro). Treinamento em tempo de teste com autosupervisão para generalização em turnos de distribuição. arXiv.org. https://arxiv.org/abs/1909.13231
18. Chen, G., Dong, S., Shu, Y., Zhang, G., Sesay, J., Karlsson, BF, Fu, J., & Shi, Y. (2023, 29 de setembro). AutoAgents: uma estrutura para geração automática de agentes. arXiv.org. https://arxiv.org/abs/2309.17288
19.  IA aberta. (2023, 18 de dezembro). Estrutura de Preparação (Beta). https://cdn.openai.com/openai-preparedness-framework-beta.pdf
20. Placa de sistema OpenAI o3-mini. (s.d.). IA aberta. https://openai.com/index/o3-mini-system-card