Agentes de IA multimodais fazem a maior parte do progresso em uma tarefa de desenho digital dentro dos primeiros 10% do orçamento de ações disponível — e, em seguida, costumam estagnar ou até degradar o resultado. A constatação vem de um preprint do arXiv datado de 26 de agosto de 2026 e expõe uma fraqueza no uso visual sustentado de ferramentas: os agentes conseguem dar uma resposta inicial útil ao que veem, mas frequentemente falham em transformar o feedback posterior em correção contínua.
Um teste de ação visual controlada
O estudo pergunta se um agente é capaz de converter evidência visual em ações precisas e parametrizadas — ações cujas configurações governam diretamente o resultado visual — e usar o estado atualizado para decidir o próximo passo. Para testar isso, o benchmark EASEL usa uma tela digital 2D controlada, com 110 amostras de reconstrução guiada por referência e cinco tarefas semânticas condicionadas por instrução, somando até 11.392 interações em uma avaliação completa.
Por que isso importa
A descoberta toca em um ponto central para a próxima geração de agentes: a diferença entre enxergar e usar a visão de forma contínua. Um agente que desenha bem nos primeiros passos mas não consegue corrigir o rumo com base no que já produziu terá dificuldade em tarefas do mundo real que exigem ajuste fino iterativo — da manipulação robótica à edição de interfaces visuais.
Os autores destacam que o desempenho “em formato de S” — ganhos rápidos no início seguidos de platô — sugere que os modelos ainda não aprenderam a fechar o ciclo de percepção e ação: olhar o resultado, comparar com o objetivo e ajustar os parâmetros da próxima ação.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
