Meta e pesquisadores acadêmicos lançam modelos de IA para priorizar experimentos de aprendizado de máquina

A equipe de pesquisa FAIR da Meta, em colaboração com a Universidade de Oxford e a Universidade College London, introduziu Modelos de Preferência de Pesquisa de IA (RPMs) para ajudar a priorizar experimentos de aprendizado de máquina antes de investir em recursos de GPU. Esses modelos classificam candidatos não executados e selecionam o mais promissor para execução, evitando as previsões pouco confiáveis de modelos de linguagem. Os RPMs utilizam modelos de linguagem grandes pré-treinados, frameworks de código aberto como AIRA-dojo e AIRS-Bench, e o modelo Qwen3.6-27B como base. Eles empregam uma abordagem de busca em árvore evolutiva, gerando múltiplos candidatos em paralelo e selecionando o melhor por meio de comparações em pares. Duas variantes foram testadas: um RPM apenas para inferência com 77,7% a 79,0% de precisão offline, e um RPM autônomo que executa experimentos em pequena escala antes de decidir sobre o próximo passo. Os resultados mostraram uma probabilidade de melhoria de 59,23% e 59,13% em relação à linha de base sem RPM, com ganhos de eficiência de 1,61× e 1,55×, respectivamente. O RPM autônomo alcançou uma nova pontuação de última geração de 94,1% no WinoGrande, superando os 90,4% anteriores, enquanto o RPM apenas para inferência alcançou 95,7% no SVAMP, superando o anterior de última geração humano de 94,2%.