DeepSeek Harness e Cordis: a infraestrutura reversível por trás do autoaperfeiçoamento limitado de agentes de IA

O DeepSeek Harness (DSH) não demonstra que a DeepSeek criou um sistema autônomo de autoaperfeiçoamento recursivo nem que alcançou a inteligência artificial geral (AGI). A interpretação mais defensável é arquitetural: o DSH cria um ambiente de execução no qual ferramentas, adaptadores de modelos, sessões e até o próprio ciclo do agente podem ser tratados como componentes substituíveis. Isso torna experimentos repetidos mais seguros e viáveis — justamente o tipo de base de que o autoaperfeiçoamento limitado precisa. 2526

A ideia central: melhorar o ambiente do agente, não apenas o modelo

“Autoaperfeiçoamento recursivo” pode significar coisas diferentes. Um sistema pode melhorar um artefato específico, como um algoritmo; ajudar pesquisadores a construir um modelo sucessor mais forte; ou modificar a estrutura reutilizável que define como um agente funciona. Pesquisas sobre RSI distinguem esse refinamento limitado, avaliado externamente, do RSI aberto, no qual o próprio sistema também altera os mecanismos ou os critérios usados para promover melhorias. 1

O DSH se concentra claramente na camada de infraestrutura. Em vez de exigir que um agente reescreva os pesos de uma rede neural, sua arquitetura permite experimentar com componentes ao redor do modelo: prompts, ferramentas, memória, políticas, orquestração e ciclos de execução. Um componente melhor pode ser instalado, testado e mantido — ou removido caso apresente desempenho ruim.

Isso representa um avanço relevante para um RSI orientado à engenharia. Mas não equivale a um agente que projeta sozinho um sucessor mais capaz, define seus próprios objetivos ou inicia uma explosão de inteligência fora de controle.

Como o Cordis torna as mudanças no runtime recuperáveis

O DSH é construído sobre o Cordis, um runtime de plugins baseado no que sua documentação chama de “composição espaço-temporal”. O framework trata de dois problemas que surgem quando o software muda durante a execução: o que acontece ao longo do tempo quando componentes são carregados ou removidos e como esses componentes interagem dentro do sistema atual. 1718

Composição temporal: desfazendo efeitos gerenciados

Um plugin pode alterar um runtime compartilhado ao registrar recursos, ouvintes, serviços ou outros estados. Em sistemas tradicionais de plugins, a remoção costuma depender de rotinas de limpeza escritas manualmente, que podem deixar vazamentos ou estados “fantasmas”.

O Cordis associa as mudanças do runtime a efeitos reversíveis. Quando um componente é removido, o sistema pode executar as operações inversas correspondentes na ordem adequada. O objetivo não é rodar o plugin ao contrário nem desfazer toda ação externa tomada pelo agente. A finalidade é restaurar a estrutura relevante do runtime a uma configuração anterior válida. 2024

Essa distinção é essencial. Um mecanismo de rollback para registros de plugins não desfaz automaticamente um e-mail enviado, um arquivo apagado, um modelo treinado com dados contaminados ou uma ação irreversível no mundo físico. A reversibilidade do Cordis é, portanto, uma propriedade limitada do software — não uma garantia universal de segurança.

Composição espacial: administrando dependências

Os componentes também dependem uns dos outros. Uma ferramenta pode precisar de um registro; um módulo de memória pode depender de um gerenciador de sessões; e o ciclo do agente pode exigir um adaptador de modelo e uma interface de ferramentas.

A composição espacial permite declarar essas relações para que o runtime coordene ativação, desativação, substituição e recuperação quando provedores ou dependências mudam. É isso que permite a um agente modular se reconfigurar sem transformar o sistema inteiro em um bloco frágil. 1820

Juntos, os efeitos reversíveis e a composição consciente das dependências favorecem testes mais seguros, substituição de componentes, recuperação de falhas e atualizações transacionais do runtime. Essas capacidades são pré-requisitos úteis para o autoaperfeiçoamento porque reduzem o custo de experimentar — e rejeitar — alterações candidatas.

O que o DSH sugere sobre a estratégia da DeepSeek para AGI

O desenho aponta para uma rota orientada a sistemas para criar agentes cada vez mais gerais: tornar o ambiente de execução suficientemente maleável para que o agente possa melhorar os mecanismos usados na realização de tarefas.

Essa abordagem desloca o foco do modelo isolado. Um modelo fixo pode se tornar mais capaz na prática quando recebe ferramentas, memória, planejamento, avaliação e mecanismos de recuperação melhores. Se um agente puder propor mudanças nesses mecanismos, testá-las segundo critérios externos e manter apenas as versões bem-sucedidas, a melhoria poderá ocorrer em um ciclo controlado.

Mas a arquitetura, por si só, não comprova que o DSH execute autoaperfeiçoamento recursivo de forma autônoma. As evidências disponíveis descrevem um runtime e um harness de código aberto, não um ciclo completo demonstrado no qual o DSH gera, avalia, seleciona e implementa independentemente versões cada vez mais capazes de si mesmo. 2526

Como o DSH se compara a outras iniciativas ligadas ao RSI

Os sistemas envolvidos no debate sobre RSI atuam em camadas diferentes do processo de melhoria. Tratá-los como substitutos diretos esconde diferenças técnicas importantes.

AlphaEvolve, do Google DeepMind: evolução de algoritmos guiada por avaliadores

O AlphaEvolve é mais diretamente um ciclo de otimização. Agentes baseados no Gemini propõem alterações no código, avaliadores automatizados atribuem notas aos resultados e um processo evolutivo promove os candidatos mais promissores. O Google descreve o sistema como uma ferramenta para descoberta e otimização de algoritmos, incluindo problemas matemáticos e infraestrutura computacional. 2314

Sua principal força é o feedback: cada candidato pode ser testado com base em um objetivo verificável por máquina. O DSH, por outro lado, é sobretudo uma arquitetura de runtime para compor e substituir componentes com segurança. O AlphaEvolve se concentra em evoluir soluções; o Cordis, em tornar um sistema em execução reconfigurável e recuperável.

RSI Index, da OpenAI: medição, não mecanismo

O material público disponível aqui caracteriza o RSI Index como uma métrica agregada de avaliações de pesquisa em IA. Nessa descrição, ele é um instrumento de acompanhamento de capacidades, não um mecanismo que modifica um modelo ou executa um ciclo de melhoria. Uma pontuação pode indicar desempenho em tarefas relacionadas ao autoaperfeiçoamento, mas não prova, por si só, que um sistema esteja melhorando autonomamente durante a operação. 3435

Por isso, o índice deve ser comparado ao DSH como uma camada de medição, e não como um rival arquitetural. As evidências públicas fornecidas não bastam para avaliar de forma independente a construção do índice ou o significado de mudanças em suas pontuações.

Pesquisa automatizada weak-to-strong da Anthropic: automatizando a pesquisa em IA

Os pesquisadores automatizados de alinhamento da Anthropic atacam outro gargalo: como usar supervisão mais fraca para treinar ou orientar um modelo mais forte. Os agentes propõem ideias, executam experimentos e iteram sobre pesquisas de supervisão weak-to-strong. 4958

Esse trabalho está mais próximo da automação de partes da pesquisa em IA e da avaliação de alinhamento do que da substituição de componentes no nível do runtime proposta pelo DSH. No futuro, as duas abordagens poderiam se complementar: um agente de pesquisa poderia descobrir componentes melhores, enquanto um harness reversível poderia testá-los e implementá-los com rollback controlado.

A discussão pública mais ampla da Anthropic também traz uma ressalva importante: a empresa afirma que ainda não chegou ao autoaperfeiçoamento recursivo totalmente autônomo e que o RSI não é inevitável. 59

Tencent Hyra-1.0 e MiniMax M2.7: evidências insuficientes para uma comparação técnica

As fontes fornecidas não apresentam documentação técnica confiável e verificável de forma independente sobre o Hyra-1.0, da Tencent, ou o M2.7, da MiniMax. Seria, portanto, enganoso atribuir a qualquer um deles uma arquitetura específica de RSI ou colocá-los no mesmo nível de evidência do DSH, do AlphaEvolve ou dos trabalhos publicados pela Anthropic.

Por que ambientes e ciclos de feedback estão virando a nova fronteira competitiva

O principal ativo competitivo está cada vez mais no sistema ao redor do modelo-base. Quatro elementos são especialmente importantes:

1. Um ambiente capaz. Sandboxes, repositórios, ferramentas, simuladores, conjuntos de dados, capacidade computacional e telemetria de produção determinam quais experimentos um agente consegue realmente executar.
2. Feedback automatizado. Testes, verificadores, benchmarks, funções de recompensa e métricas de produção transformam alterações propostas em experimentos mensuráveis. O AlphaEvolve ilustra o valor de combinar ideias geradas pelo modelo com avaliadores automatizados. 26
3. Recuperabilidade. Versionamento, isolamento, rastreabilidade, rollback e etapas de aprovação permitem realizar mais experimentos sem que uma falha cause danos permanentes ao sistema. Os efeitos reversíveis do Cordis atacam diretamente essa camada. 1720
4. Iteração cumulativa. Se cada ciclo melhorar programação, avaliação, experimentação ou infraestrutura, os ciclos seguintes podem se tornar mais rápidos ou baratos. Ainda assim, as evidências atuais sustentam com mais clareza o refinamento limitado do que um RSI aberto e autossustentado. 1

É por isso que um modelo com desempenho um pouco inferior em benchmarks ainda pode ser competitivo se operar em um ambiente melhor, com ferramentas, feedback e recuperação mais fortes. O produto passa a ser o ciclo de melhoria — não apenas o checkpoint do modelo.

O problema de controle que continua sem solução

A recuperabilidade reduz riscos, mas não os elimina. Um botão de rollback não garante que todas as consequências de uma ação do agente sejam observáveis ou reversíveis. Alterações podem afetar dados, credenciais, serviços externos, limites de segurança ou decisões humanas fora do controle do runtime.

A iteração mais rápida também pode amplificar objetivos ruins, exploração de brechas na especificação, regressões ocultas e dependências opacas. O controle humano exige mais do que uma função de reversão. As alterações precisam continuar observáveis, avaliáveis de forma independente, autorizadas, atribuíveis e realmente reversíveis em todo o sistema — não apenas dentro do grafo de plugins.

A conclusão mais sólida é moderada: o DSH e o Cordis mostram como a infraestrutura de agentes pode ser projetada para uma automodificação limitada e recuperável. O AlphaEvolve demonstra a força da evolução guiada por avaliadores, enquanto o trabalho da Anthropic mostra como a IA pode participar cada vez mais da pesquisa. Em conjunto, essas iniciativas indicam progresso em ciclos de melhoria assistidos por IA, mas não comprovam RSI totalmente autônomo, aberto e autossustentado, nem AGI. 14959