IA aprende a editar diretamente os pesos de outro modelo sem retreinar

O que os pesquisadores mostraram

Na edição de 3 de novembro de 2026 da newsletter AI News, publicada no Latent Space, o editor swyx descreveu o que chamou de achado mais surpreendente da semana: pesquisadores, entre eles Alex Zhang (que tinha sido convidado do podcast do Latent Space um mês antes), demonstraram que um LLM suficientemente capaz consegue ler e escrever diretamente os pesos numéricos de outro modelo, menor e mais fraco, sem rodar nenhum passo de treinamento.

Pesos, aqui, são os números que definem o que uma rede neural "sabe": os parâmetros ajustados durante o treinamento. A demonstração trata esses números como um arquivo que pode ser lido e editado na mão por outro modelo, a partir de um prompt. Não é ajuste fino, não é RLHF, não é gradiente descendo. É edição direta do estado final da rede, depois que ela já foi treinada.

Como funciona ler e escrever pesos como se fossem binário

O próprio swyx resumiu a analogia que melhor explica o achado, comparando com engenharia reversa de software:

Em aprendizado de máquina isso equivale a não olhar o código fonte, apenas enxergar diretamente os 1s e 0s de executáveis compilados (bem pequenos), e conseguir 1) dizer o que eles fazem, 2) corrigir bugs em uma única tentativa dado traços de falha, ou com 50 passos melhorar numa direção geral (possível exagero aqui), 3) escrever pesos de rede inteiros do zero em uma única tentativa, superando alguns modelos treinados de forma independente.

In ML this is the equivalent of not looking at source code, just directly seeing the 1's and 0's of (very small) compiled executables, and being able to 1) tell what they do, 2) oneshot-fix bugs given failed traces or, with 50 steps, improve in a general direction (possible overstatement here), 3) writing entire network weights from scratch in one shot, beating some independently trained models.swyx, editor da newsletter AI News, Latent Space

Segundo o próprio swyx, uma reprodução independente do resultado já apareceu no X poucos dias depois. Vale o alerta: até agora o material público é feito de posts e threads, não um paper formal revisado por pares. Para quem decide onde aplicar isso em produção, é sinal inicial, não fato estabelecido.

Por que isso mira direto no "autoresearch" caro

O contexto que dá peso ao achado é uma ideia batizada de autoresearch por Andrej Karpathy, cerca de oito meses antes (por volta de março de 2026), que alimentou boa parte do medo de autoaperfeiçoamento recursivo (RSI, a sigla para quando um sistema melhora a si mesmo sem depender de um humano) ao longo do ano. Karpathy descreveu assim o processo até então:

De forma abstrata, a demonstração é que você pode pegar um modelo suficientemente inteligente e, rodando uma série de experimentos num cluster de computação, treinar um modelo de forma autônoma, sem expertise ou intervenção humana. Só que isso costuma envolver escrever código em PyTorch ou JAX, rodar a computação, acompanhar curvas de perda, ler avaliações, otimizar kernels e dados, e por aí vai.

Abstractly, the demonstration is that you can take a sufficiently smart model and through running a series of experiments across a compute cluster, train a model autonomously without human expertise or intervention. However, this is usually done by an involved process of writing PyTorch/Jax code and running compute and watching loss curves and reading evals and optimizing kernels and data and….Andrej Karpathy

A edição direta de pesos, se amadurecer, corta esse pipeline inteiro ao meio. Em vez de escrever código, rodar cluster e esperar o treino convergir, basta mostrar o traço da falha a um modelo maior e deixar ele reescrever os números problemáticos. A mesma edição da newsletter cita um dado de contexto sobre o preço desse pipeline tradicional: a SemiAnalysis estimou capacidade de 128 GPUs B300 a US\$ 5,75 por GPU-hora, o que coloca uma rodada séria de treinamento na casa de centenas de milhares de dólares por mês. É esse custo que a edição de pesos promete evitar, caso funcione fora do laboratório.

O alcance ainda é mecanístico e pequeno

O próprio swyx trata a descoberta com cautela: o que está sendo modelado, no fundo, é uma variante automatizada de interpretabilidade mecanística, a prática de abrir uma rede neural e entender o que cada peso faz, algo que pesquisadores já conseguiam fazer manualmente. Ele avalia que é improvável que isso escale, por enquanto, para tarefas mais complexas do que jogos simples e políticas de aprendizado por reforço. A frase usada na newsletter captura bem o estágio: o mundo passou "de 0 para 1" nessa capacidade, não de 1 para 100.

DeepSeek mexe em outra camada de autonomia, sem tocar nos pesos

Na mesma leva de notícias, o DeepSeek Harness publicou um artigo de design e abriu o repositório dsh-superagent-prototype, com versão em inglês divulgada em seguida. A arquitetura usa uma sessão roteadora de vida longa, que conversa com humanos e distribui tarefas, enquanto workers isolados rodam em paralelo, disparados por eventos do GitHub.

No teste do próprio DeepSeek, o tempo de conclusão no percentil 95 caiu de 29,5 para 15,7 minutos, comparado a uma sessão única usando subagentes. É importante marcar a origem: esse número é benchmark interno da empresa, não uma medição independente de terceiros. A própria DeepSeek lista lacunas: não há memória de longo prazo entre sessões, a separação entre estado, computação e ambiente está em grande parte por implementar, e o protótipo só foi validado num ambiente interno pequeno e confiável, com segurança, privacidade e comunicação entre agentes ainda em aberto.

A recepção não foi unânime. No X, o analista conhecido como Teortaxes chamou o relato de "uma bagunça", argumentando que o DeepSeek está construindo muletas internas em torno de fraquezas do modelo, como alucinação, em vez de deixar o sistema robusto de forma geral.

Vale separar os dois achados da semana: a edição de pesos mexe nos números internos do modelo, depois do treino. O harness do DeepSeek mexe na camada de orquestração, decidindo quem fala com quem e quando um worker é disparado. São duas frentes de autonomia diferentes: uma tenta eliminar o treinamento, a outra tenta eliminar a necessidade de um humano coordenando múltiplos agentes.

O que muda para quem constrói com IA hoje

• Para times que mantêm modelos pequenos e especializados, a promessa de longo prazo é trocar o ciclo de retreinar (coletar dados, rodar fine-tuning, validar) por mostrar o traço de uma falha a um modelo maior e deixar ele reescrever o trecho de pesos problemático.
• Isso ainda não é produção: o resultado foi demonstrado em modelos pequenos e tarefas como jogos simples e políticas de RL, não em LLMs com bilhões de parâmetros rodando em escala real.
• Quem monta orquestração de agentes pode se inspirar na arquitetura router mais workers disparados por eventos do dsh-superagent-prototype, mas precisa entrar ciente das lacunas que a própria DeepSeek admite: sem memória de longo prazo entre sessões e validado só internamente.
• No fio de custo, enquanto a edição de pesos mira cortar o preço do treinamento, a automação de tarefas de engenharia já está barata: David Fowler relatou 90 pull requests de performance geradas em um dia para o ASP.NET Core usando agentes na nuvem do GitHub com o modelo Opus 5.5, por cerca de US\$ 230 em tokens.

O que fica em aberto é se a edição de pesos sobrevive ao salto de escala. Funcionar como truque de laboratório em modelos pequenos é uma coisa. Editar os pesos de um modelo de produção com bilhões de parâmetros, mantendo o resto do comportamento intacto, é outra bem diferente, e por enquanto o que existe é prova de conceito discutida no X, sem paper formal revisado por pares.

Fonte: Latent Space