Uma startup de IA chamada Pathway está apostando em um caminho radicalmente diferente dos transformers — a arquitetura que domina os modelos de linguagem há quase uma década — e acaba de apresentar resultados que dão peso à sua tese. Sua nova arquitetura, batizada de BDH (“Dragon Hatchling”), raciocina em espaço latente, sem gerar longas cadeias de raciocínio em texto, e bateu um recorde de custo-eficiência no benchmark ARC-AGI-1.
O problema dos transformers
Modelos baseados em transformer “pensam” externalizando o raciocínio como uma cadeia de pensamento: geram tokens sequencialmente e os realimentam em etapas seguintes. Isso traz custos conhecidos — cada etapa de raciocínio consome contexto, adiciona latência e queima computação. Além disso, transformers tendem a “esquecer” em interações longas, não mantêm conhecimento entre sessões e precisam de retreinamento para adquirir conhecimento novo.
Nas palavras de Zuzanna Stamirowska, CEO e cofundadora da Pathway: “A IA de hoje paga um custo alto de tokens pelo raciocínio, mas esse custo é imposto pela arquitetura, não por nenhuma lei da inteligência. O gargalo nunca foi a inteligência. Foi o design.”
Como o BDH funciona
A arquitetura BDH reformula a modelagem de sequência como dinâmica de grafo local em uma rede de “partículas de neurônios” que se comunicam por interações esparsas e mantêm estado em conexões semelhantes a sinapses. Ela usa aprendizado Hebbiano — o princípio de que “neurônios que disparam juntos, se conectam juntos” — para implementar a atenção. Na prática, apenas cerca de 5% dos neurônios ficam ativos em um dado momento, o que reduz drasticamente a computação por passo de inferência.
O resultado é um modelo que atualiza sua memória interna durante a inferência, resolve problemas novos sem gerar rastros de raciocínio verbalizados e não fica limitado por uma janela de contexto de tamanho fixo. O BDH-CQ, o sistema de raciocínio construído sobre essa base, aprende com exemplos e refina uma solução em espaço latente, com custo de memória fixo mesmo para um número arbitrário de demonstrações.
O resultado no ARC-AGI
No benchmark ARC-AGI-1 — que apresenta a um sistema de IA alguns exemplos de “antes e depois” que ilustram uma regra visual desconhecida e exige que ele a infira e aplique a uma nova grade — o BDH-CQ alcançou 29,2% de acerto (pass@2) a um custo de US$ 0,0007 por tarefa. Segundo a Pathway, isso muda a fronteira de Pareto de custo-precisão do benchmark, que passou a ser superada em agosto de 2026.
O mais notável: esse desempenho veio de um modelo de apenas 150 milhões de parâmetros, treinado com a ajuda do Amazon SageMaker HyperPod, usando instâncias EC2 p5en.48xlarge (GPUs NVIDIA H200) interconectadas com Elastic Fabric Adapter em um UltraCluster.
Por que isso importa
O padrão explorado pelo ARC-AGI se parece com desafios do mundo real: investigar incidentes de segurança cibernética, coordenar redes de transporte, responder a operações industriais em tempo real e operar agentes autônomos em fluxos de trabalho longos. Se a arquitetura se provar escalável, aplicações assim podem se tornar mais baratas, mais responsivas e mais confiáveis — sem depender da chuva de tokens dos modelos atuais.
A Pathway disponibilizou a documentação técnica e uma implementação de referência em seu repositório no GitHub, compatível com fluxos de trabalho padrão do PyTorch. Ainda é cedo para cravar que os transformers serão substituídos — mas o argumento de que “a arquitetura importa” ganhou um novo dado concreto.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
