Neurosimbólico, um ano depois: o que a investigação de 2026 realmente mostra
Há um ano, o argumento era sobretudo um argumento
Em novembro de 2025 publicámos «The neuro-symbolic renaissance», um ensaio que defendia que os sistemas de IA mais úteis dos anos seguintes não seriam apenas modelos de linguagem maiores. Combinariam modelos aprendidos, bons em perceção, linguagem e padrões, com estrutura simbólica explícita, boa em regras, restrições, proveniência e prova. Construímos esse argumento a partir de primeiros princípios e da nossa própria experiência de engenharia, porque é assim que a Dweve é construída: o Loom, com especialistas de domínio, muitos dos quais são solucionadores simbólicos, verificadores e motores de regras em vez de redes neuronais, e a resposta que devolve traz um rasto de que partes fizeram o quê.
Um argumento a partir de primeiros princípios é um ponto de partida razoável. Não é prova. Por isso vale a pena perguntar, um ano depois, o que mostra agora a investigação publicada. Não os comunicados de imprensa, nem o entusiasmo geral em torno da palavra «neuro-simbólico», que se tornou moda suficiente para ser aplicada a quase tudo. Os resultados específicos e medidos.
Dois artigos de 2026 são particularmente úteis, porque testam diretamente as afirmações centrais e apresentam números que podem ser verificados. Um diz respeito a agentes que têm de agir num mundo: acrescentar restrições simbólicas e pesquisa a um modelo de linguagem torna os seus planos executáveis? O outro diz respeito a respostas a perguntas sobre conhecimento: construir a estrutura de conhecimento de forma determinística a partir de fontes autoritativas, em vez de a extrair com um modelo de linguagem, torna as respostas mais rastreáveis? Ambos respondem que sim, por largas margens. E ambos são cuidadosos quanto ao que não demonstraram, o que é pelo menos tão instrutivo como o que demonstraram.
Plausível não é o mesmo que executável
O primeiro artigo, «Neurosymbolic Embodied Agents», de Albinhassan, Feng, Russo e Madhyastha, publicado no arXiv em agosto de 2026, parte de uma observação que qualquer pessoa que já tenha tentado usar um modelo de linguagem como planeador reconhecerá. Os modelos de linguagem e de linguagem e visão, diz o seu resumo, «geram planos incorporados plausíveis mas não garantem a executabilidade, uma vez que os seus resultados podem violar a dinâmica do ambiente ou atuar sobre entidades incorretamente fundamentadas».
A distinção entre plausível e executável é o problema todo numa frase. Um modelo a quem se pede que faça uma chávena de chá numa cozinha simulada produzirá uma sequência de passos que se lê bem: ir à cozinha, pegar na chaleira, enchê-la, ligá-la. Mas pode tentar pegar numa chaleira que não está lá, ou encher uma chaleira que está dentro de um armário fechado, ou verter de uma chaleira que não ferveu. Cada passo é plausível. O plano como um todo falha, porque o modelo não acompanha o estado do mundo nem as regras de como as ações o alteram.
O agente do artigo decompõe tarefas domésticas de horizonte longo em duas fases. Na primeira, um modelo de linguagem e visão e um sistema de exploração adquirem predicados relevantes para o objetivo e ligações de instâncias a partir de observações egocêntricas e interações fundamentadas, produzindo uma descrição simbólica do estado inicial: esta chaleira está aqui, este armário está fechado, esta chávena está vazia. Na segunda, um modelo de transição PDDL, uma descrição formal de que ações são aplicáveis em que estados e o que alteram, «restringe a descodificação a tokens que estendem ações aplicáveis». O modelo de linguagem só pode gerar ações que o modelo simbólico diz serem possíveis. A pesquisa em árvore de Monte Carlo avalia então continuações executáveis usando uma heurística de planeamento independente do domínio.
A consequência, nas palavras dos autores, é que «os planos resultantes são executáveis por construção sob o modelo de transição, com transferência para o ambiente condicionada a uma fundamentação visual correta». Essa última oração é importante, e voltamos a ela abaixo.
Modelos pequenos com restrições superam um modelo grande sem restrições
Os resultados são notáveis. Em dois benchmarks padrão de tarefas domésticas, VirtualHome e ALFWorld, o resumo indica que «modelos abertos de 4B a 27B ultrapassam 90% de sucesso em ambos os ambientes, e o nosso agente mais pequeno supera substancialmente uma política visual direta de 27B em cada um deles». Nos resultados do artigo, as taxas de sucesso variam entre 94,5 e 99,5 por cento no VirtualHome e entre 90,3 e 97,8 por cento no ALFWorld, consoante a dimensão do modelo. O agente de 4 mil milhões de parâmetros supera a política visual direta de 27 mil milhões de parâmetros em 32,0 pontos percentuais num dos benchmarks e em 63,4 no outro.
Vale a pena ler o segundo resultado com atenção. Um modelo com cerca de um sétimo da dimensão, ao qual se dá estrutura explícita sobre o mundo e um procedimento de pesquisa sobre ações executáveis, tem um desempenho drasticamente melhor do que um modelo muito maior ao qual se pede que atue diretamente. A diferença não é de afinação marginal. É a diferença entre um sistema que funciona na maioria dos casos e um que falha na maioria deles.
Para quem se preocupa com o custo, o consumo de energia e a controlabilidade dos sistemas de IA, isto é relevante. Um modelo aberto pequeno pode correr em hardware modesto, pode ser inspecionado, pode ser fixado a uma versão e pode ser alojado onde o operador quiser. Se acrescentar estrutura permite a um modelo deste tipo superar um modelo grande em tarefas que exigem ação fiável, então os argumentos de soberania e eficiência a favor dos modelos pequenos tornam-se muito mais fortes. A dimensão não é o único caminho para a capacidade. A estrutura é outro.
Restrições e pesquisa são complementares, não intercambiáveis
A descoberta mais interessante, para nós, é uma ablação. Os autores testaram as restrições e a pesquisa em separado. No ALFWorld, cada uma por si "resolve menos de um terço das tarefas, enquanto a sua combinação resolve mais de 95%." Os valores detalhados são 32,3 por cento para as restrições isoladas e 29,2 por cento para a pesquisa isolada, contra 95,5 por cento em conjunto.
É um resultado que uma narrativa simples sobre IA neurosimbólica não preveria. Poder-se-ia esperar que as restrições, ao impedirem ações inválidas, fizessem a maior parte do trabalho, e que a pesquisa acrescentasse pouco. Ou que a pesquisa, ao explorar muitos caminhos, encontrasse bons planos e que as restrições apenas a acelerassem. Em vez disso, cada uma falha por si na maioria das tarefas, e juntas têm sucesso em quase todas.
A intuição não é difícil de reconstruir. Restrições sem procura garantem que cada passo é válido, mas não fazem nada para assegurar que a sequência de passos válidos chega ao objetivo. Um modelo pode vaguear pela cozinha a executar ações perfeitamente legais para sempre. A procura sem restrições explora muitas continuações, mas a maioria inclui ações inválidas, pelo que o espaço de procura é dominado por planos que vão falhar, e a heurística tem pouco com que trabalhar. Em conjunto, as restrições reduzem o espaço a planos válidos e a procura encontra os bons entre eles.
Essa complementaridade é, na nossa opinião, o apoio empírico mais forte até à data para a afirmação arquitetural que fizemos há um ano. O valor não está em aparafusar um módulo simbólico a um módulo neural. Está numa divisão específica do trabalho, em que cada parte faz aquilo em que é boa e compensa a fraqueza da outra.
Menos tokens, e falhas que apontam para algum lado
Há mais dois resultados do artigo que são fáceis de deixar passar e merecem atenção.
O primeiro é a eficiência. O resumo refere que o método "usa várias vezes menos tokens gerados do que o pensamento estendido e muito menos imagens visíveis ao modelo do que a interação direta". No artigo, a redução de tokens em relação ao pensamento estendido é indicada como até quatro vezes. O pensamento estendido, em que um modelo escreve longas cadeias de raciocínio antes de agir, é a principal estratégia alternativa para melhorar a fiabilidade dos planos do modelo. Funciona até certo ponto, mas é caro: cada token de raciocínio é computado e, em serviços alojados, pago. Um método que obtém melhores resultados com uma fração dos tokens é melhor em custo e energia, bem como em sucesso.
O segundo é a diagnosticabilidade. O resumo observa que "as falhas residuais localizam-se na aquisição de estado e não na geração de planos, sem qualquer treino especializado." Quando o agente falha, falha porque a sua imagem do mundo estava errada, não porque planeou mal dada essa imagem. É exatamente o que se esperaria de um sistema cujos planos são executáveis por construção. Também diz ao engenheiro onde trabalhar a seguir. Num sistema neural ponta a ponta, uma falha é muitas vezes uma propriedade difusa de todo o modelo, e o único remédio são mais dados ou um modelo maior. Num sistema fatorizado, uma falha tem um endereço.
Consideramos que a diagnosticabilidade é subvalorizada na investigação em IA. Um sistema que falha menos é bom. Um sistema cujas falhas podem ser localizadas, explicadas e corrigidas é melhor, porque pode ser melhorado de forma deliberada e porque o seu comportamento pode ser merecedor de confiança nos casos em que se sabe que os seus componentes são fiáveis.
O mesmo padrão surge na resposta a perguntas
O segundo artigo aborda um problema diferente, com um resultado surpreendentemente semelhante. "Ontology-guided neuro-symbolic GraphRAG for grounded query answering", de Domenico Benfenati e Antonio Maria Rinaldi, da Universidade de Nápoles Federico II, foi publicado na Neural Computing and Applications em outubro de 2026. Estuda a resposta a perguntas sobre conhecimento de cibersegurança: vulnerabilidades, fraquezas, padrões de ataque e produtos afetados, extraídos de repositórios públicos como CVE, CWE, CAPEC e CPE.
A comparação é entre duas formas de construir o grafo de conhecimento em que um modelo de linguagem se baseia ao responder a perguntas. Na abordagem GraphRAG, amplamente utilizada, um modelo de linguagem lê texto não estruturado e extrai entidades, relações e resumos de comunidades, que depois servem de substrato de recuperação. Na abordagem dos autores, o grafo é materializado de cima para baixo a partir dos repositórios autoritativos, através de crawling focado, unificação de esquemas orientada por ontologias e inferência simbólica baseada em regras, como o encadeamento transitivo e o impacto multi-hop em produtos. A própria ontologia é derivada da estrutura de domínio dos repositórios reais, em vez de ser sintetizada por um modelo. O modelo de linguagem recebe então evidência deste grafo, num fluxo que os autores descrevem como estritamente unidirecional: o substrato simbólico é "totalmente determinístico, preservador de proveniência e inspecionável de forma independente".
A auditoria de proveniência é a experiência mais reveladora. No grafo orientado por ontologias, 100 por cento das arestas amostradas eram rastreáveis a registos de origem autoritativos ou a regras de inferência declaradas. No grafo extraído por LLM, 83 por cento eram rastreáveis, e apenas 58 por cento ligavam extremos com identificadores canónicos. A diferença reflete-se nas respostas: o sistema orientado por ontologias alcançou 95 por cento de precisão de citação, contra 66 por cento da linha de base GraphRAG.
A explicação estrutural dos autores é a parte importante. No GraphRAG extraído por LLM, as respostas assentam em resumos escritos pelo mesmo tipo de modelo que gera a resposta, pelo que a cadeia de proveniência termina num intermediário neural em vez de chegar a um registo autoritativo. Uma citação a um resumo escrito por um modelo é uma citação a uma interpretação. Uma citação a um registo de origem, através de arestas que são cada uma rastreável a esse registo ou a uma regra declarada, é uma citação a evidência.
As citações não são toda a proveniência
Um terceiro artigo, mais pequeno, de 2026 acrescenta uma complicação útil. "Why Neighborhoods Matter: Traversal Context and Provenance in Agentic GraphRAG", publicado no arXiv em maio de 2026, estuda sistemas em que um agente explora um grafo de conhecimento antes de responder e depois cita um pequeno conjunto de entidades. Pergunta se as citações finais são suficientes para explicar as evidências de que a resposta dependeu.
A sua conclusão é que não são. As entidades citadas costumam ser importantes: removê-las altera substancialmente as respostas e reduz a precisão. Mas as experiências mostram que responder com exatidão também depende da travessia do grafo, da estrutura da vizinhança e de entidades que o agente visitou mas não citou. Os autores concluem que uma citação fiel "deve também ter em conta o contexto do grafo e o percurso de recuperação que moldam a resposta final."
Esse resultado aguça a lição do artigo de Benfenati e Rinaldi. Um grafo determinístico e rastreável é necessário para respostas cujas evidências possam ser verificadas. Não é suficiente se o sistema registar apenas o que cita e não o que leu. A proveniência tem de incluir o percurso, não apenas o destino. É, aliás, a mesma conclusão a que chegámos do lado da engenharia ao conceber o Knot, o registo de eventos que publicamos no quarto trimestre de 2026: o registo de uma execução de agente tem de incluir todas as leituras e todos os passos intermédios, não apenas o resultado final, porque são os passos que explicam o resultado.
O que os resultados não mostram
Ambos os artigos principais são cuidadosos quanto aos seus limites, e vale a pena enunciá-los com clareza, porque o entusiasmo por um resultado tende a apagar as suas condições.
Os resultados com agentes incorporados são obtidos em simulação. O VirtualHome e o ALFWorld são benchmarks bem estabelecidos, mas são ambientes domésticos simulados com dinâmicas conhecidas. A garantia de que os planos são executáveis "por construção" verifica-se ao abrigo do modelo de transição, ou seja, ao abrigo da descrição simbólica do funcionamento do mundo. Se essa descrição estiver errada ou for incompleta, a garantia não se transfere. No mundo real, escrever um modelo de transição completo e correto é difícil, e o mundo tem o hábito de incluir coisas que o modelo não previu.
Os mesmos resultados dependem de um enraizamento visual correto. O artigo afirma-o explicitamente. Se a fase de exploração identificar mal um objeto, ou deixar escapar algum, o estado simbólico fica errado, e um plano perfeitamente executável sob o estado errado pode falhar na realidade. A conclusão do artigo de que as falhas residuais se localizam na aquisição do estado é uma boa notícia para a diagnosticabilidade e, ao mesmo tempo, um lembrete de que a perceção continua a ser a parte difícil.
Os resultados do GraphRAG situam-se num único domínio, a cibersegurança, onde existem repositórios estruturados de referência com identificadores estáveis. Muitos domínios não são assim. Quando o conhecimento reside sobretudo em documentos não estruturados, sem identificadores canónicos, a materialização descendente não está disponível e alguma forma de extração é inevitável. O método do artigo mostra o que se torna possível quando existem boas fontes. Não mostra como criá-las onde elas não existem.
A avaliação da correção das respostas no GraphRAG recorreu a um modelo de linguagem como juiz, o Gemini 2.5 Flash, sobre quinze perguntas por tarefa. É um desenho razoável para um artigo de investigação, e a auditoria de proveniência constitui uma medição mais direta. Ainda assim, os leitores devem encarar os valores de qualidade das respostas como indicativos e não como definitivos, e os valores de proveniência como o resultado mais sólido.
Nenhum destes limites põe em causa os artigos. São as condições normais de uma boa investigação. Mas têm peso para quem seja tentado a ler "neurossimbólico" como uma solução geral. Trata-se de um conjunto de escolhas arquiteturais que funcionam muito bem quando as suas precondições se verificam: um modelo simbólico correto do domínio, um enraizamento fiável da perceção nesse modelo e fontes de referência para o conhecimento. Grande parte do trabalho prático consiste em estabelecer essas precondições.
O que acontece depois do primeiro erro
As taxas de sucesso dizem-nos com que frequência um sistema conclui uma tarefa. Não dizem como se comporta quando algo corre mal, que é muitas vezes a questão mais importante para quem tem de o implementar. O artigo sobre agentes incorporados inclui um anexo que responde a isso, e é uma das partes mais reveladoras do trabalho.
Os autores mediram o que as políticas fizeram "após a primeira execução falhada ou impossível de enraizar", registando com que frequência as tarefas continham um evento desse tipo, com que frequência a política conseguia recuperar a tarefa, com que frequência repetia imediatamente o pedido falhado e com que frequência entrava num ciclo de ações persistente. Os resultados das políticas visuais diretas, que planeiam sem as restrições simbólicas, são notáveis.
No VirtualHome, a política direta Qwen de 4B encontrou uma falha em 64,5 por cento das tarefas. Recuperou a tarefa em 5,4 por cento desses casos, repetiu imediatamente o pedido falhado em 74,5 por cento e terminou num ciclo persistente em 45,5 por cento. No ALFWorld, o mesmo modelo encontrou uma falha em 73,9 por cento das tarefas, recuperou em 1,0 por cento e terminou num ciclo persistente em 94,8 por cento. O maior modelo direto saiu-se melhor, como seria de esperar: no VirtualHome, a política de 27B encontrou uma falha em 29,0 por cento das tarefas, recuperou em 37,9 por cento, repetiu o pedido em 8,3 por cento e entrou em ciclo em 9,5 por cento. No ALFWorld, mesmo esse modelo só recuperou em 25,7 por cento dos casos.
A introdução do artigo explica por que razão isto acontece. Uma política direta tem de identificar objetos, acompanhar o seu estado, selecionar ações aplicáveis e raciocinar sobre efeitos diferidos "dentro de um único histórico autorregressivo, onde são livres de se acumular". Os autores observam que "o feedback de execução pode expor esse erro depois de ocorrer, mas não impede o modelo de repetir uma escolha inválida ou de se afastar do estado que as suas próprias ações induziram."
Essa frase descreve um padrão que muitas pessoas reconhecerão em agentes fora do laboratório. Um agente tenta algo, falha, o erro é devolvido como feedback e o agente volta a tentar o mesmo, ou algo equivalente. O feedback é informação, mas a informação não impõe restrições. Um sistema que trata a validade das ações como algo a inferir, em vez de a impor, pode ser informado de que errou sem que isso o impeça de errar novamente.
A abordagem com restrições altera isto ao fazer da aplicabilidade, na expressão usada no artigo, "uma restrição mantida ao longo da geração e da pesquisa". Uma ação cujas pré-condições não se verificam nunca chega a ser produzida, pelo que não há nada a repetir. Isto não torna o sistema infalível. Desloca a falha para outro ponto.
O artigo localiza as suas próprias falhas
Um relato honesto dos resultados tem de dizer onde o agente com restrições falha, e o artigo fá-lo. O seu planeador simbólico só consegue planear sobre o estado que lhe é dado. Quando a fase de exploração visual não deteta um objeto necessário, escrevem os autores, "a falha propaga-se então porque o estado inicial fundamentado omite um objeto necessário. Trata-se de uma limitação do componente de aquisição do estado visual e não da garantia de aplicabilidade."
Essa distinção é importante. A garantia que o sistema oferece é estreita e forte: todas as ações que planeia são aplicáveis no estado em que acredita estar. Se essa crença corresponde ao mundo depende da perceção, e a perceção continua a ser feita por um modelo neuronal com toda a incerteza que isso implica. Os autores esperam que "melhorias no reconhecimento visual e na seleção ativa de pontos de vista deverão transferir-se diretamente para o método completo", o que é uma expectativa razoável e também um lembrete de que a parte simbólica não consegue compensar aquilo que a parte neuronal não vê.
Para quem avalia estes sistemas, a lição é perguntar onde termina a garantia. Um sistema neuro-simbólico oferece tipicamente certeza sobre uma parte do processo (o plano é válido, a inferência decorre das regras, a resposta é sustentada pelo grafo) e herda a incerteza das partes que o alimentam. Um bom sistema torna essa fronteira visível. Regista o que percecionou, o que assumiu e o que derivou, para que quem revê possa determinar se a falha veio do raciocínio ou do que alimentou o raciocínio.
É também por isso que a análise de falhas do tipo apresentado no apêndice do artigo é tão valiosa. Saber que um sistema falha sobretudo na fundamentação e não no planeamento diz a um engenheiro onde investir e diz a quem o implementa que tipo de supervisão é necessária. Quem revê o trabalho de um agente com restrições deve verificar a sua imagem do mundo, não a sua aritmética.
O estudo sobre travessia é pequeno, e assume-o
O artigo sobre o contexto de travessia também é cuidadoso quanto aos seus próprios limites. Os autores escrevem que o estudo "é limitado pela pequena dimensão do benchmark e pela utilização de um grafo de conhecimento controlado, construído a partir do 2WikiMultiHopQA, em vez de um grafo de conhecimento de grande escala do mundo real". Apelam a uma avaliação "em conjuntos de dados maiores, estruturas de grafo mais ricas e bases de conhecimento específicas de domínio", e a mecanismos de citação "que exponham não só as entidades de suporte finais, mas também o contexto de travessia relevante".
Essa franqueza é útil. A conclusão de que as citações são necessárias mas não suficientes para explicar a resposta de um agente é plausível e importante, mas assenta num cenário controlado. Antes de alguém construir políticas com base nela, deve ser reproduzida nos tipos de grafos que os sistemas reais utilizam: bases de conhecimento empresariais, corpora regulamentares, catálogos de produtos. Até lá, é melhor lê-la como um aviso bem concebido do que como uma medição consolidada.
O aviso continua a merecer atenção. Os autores concluem que "a proveniência na recuperação agêntica baseada em grafos deve ser tratada como uma propriedade ao nível da trajetória". Para quem constrói sistemas, isso significa registar o caminho, não apenas o destino: que entidades foram visitadas, que arestas foram seguidas, que vizinhos foram vistos e não citados. Uma lista de citações é um resumo desse caminho. Como qualquer resumo, pode ser exata e ainda assim omitir algo que era relevante.
Registar o caminho tem um custo prático, e convém dizê-lo. Os registos de travessia são maiores do que as listas de citações, podem conter material que nunca foi mostrado ao utilizador e exigem o mesmo cuidado no acesso e na retenção que qualquer outro registo. Mas a alternativa é pior. Quando uma resposta é contestada, um sistema que guardou apenas as suas citações consegue mostrar aquilo para que apontou. Um sistema que guardou a sua trajetória consegue mostrar como lá chegou, que é a pergunta que um revisor fará de facto. Na recuperação agêntica, é provável que essa diferença decida se uma explicação é aceite ou apenas tolerada.
O antigo debate sobre a explicação continua a aplicar-se
Nada disto é novo em espírito. O debate sobre a explicação em aprendizagem automática dura há anos, e os resultados de 2026 encaixam nele em vez de o substituírem.
Em 2017, Finale Doshi-Velez e Been Kim observaram que "apesar do interesse pela interpretabilidade, há muito pouco consenso sobre o que é a aprendizagem automática interpretável e como deve ser medida". Em 2018, Cynthia Rudin defendeu que "tentar explicar modelos de caixa negra, em vez de criar modelos que sejam interpretáveis desde o início, é provável que perpetue más práticas e pode causar danos catastróficos à sociedade". No mesmo ano, Julius Adebayo e colegas mostraram que alguns métodos de saliência "são independentes tanto do modelo como do processo de geração de dados", produzindo explicações semelhantes quer o modelo tivesse aprendido algo quer não.
Os resultados de planeamento com restrições e do GraphRAG podem ser lidos como evidência para a posição de Rudin num novo contexto. Quando o plano resulta de uma pesquisa sobre regras explícitas, a sua validade é uma propriedade da forma como foi feito, e uma explicação de por que razão uma ação foi escolhida pode ser lida a partir da pesquisa. Quando uma resposta resulta da travessia de um grafo, a sua proveniência é uma propriedade da travessia, desde que esta seja registada. Em ambos os casos, a explicação não é a interpretação de um segundo modelo sobre o primeiro. É o registo daquilo que o primeiro fez.
O que os resultados de 2026 acrescentam é a prova de que este tipo de sistema também pode ter um bom desempenho. A antiga objeção às abordagens interpretáveis era o seu custo em precisão. Resultados como estes, em que modelos pequenos e com restrições superam modelos maiores sem restrições em tarefas estruturadas, não resolvem essa questão de forma geral. Mostram, isso sim, que, para tarefas com regras explícitas e resultados verificáveis, o compromisso não é o que se supunha.
Pensar durante mais tempo não ajudou, e o benchmark fácil esconde isso
A ablação de componentes no artigo sobre agentes incorporados contém dois outros detalhes que merecem atenção, porque contrariam pressupostos comuns.
O primeiro diz respeito ao raciocínio prolongado. Com o modelo Qwen de 27B, a descodificação greedy simples alcançou 61,0 por cento de sucesso no VirtualHome e 15,4 por cento no ALFWorld. O mesmo modelo em modo de pensamento, com um orçamento de até 32 768 tokens de saída segundo as definições de descodificação do artigo, alcançou 59,0 e 16,9 por cento. Deixar o modelo raciocinar durante muito mais tempo não fez praticamente diferença. Já a adição de restrições de aplicabilidade à descodificação greedy elevou o sucesso no VirtualHome de 61,0 para 98,5 por cento. Nas palavras dos autores, isso mostra que "as restrições de aplicabilidade são responsáveis pela maior parte do ganho".
Trata-se de uma correção útil à ideia de que mais tokens de raciocínio são um remédio geral para erros de planeamento. Quando o erro consiste em escolher uma ação cujas pré-condições não estão satisfeitas, mais deliberação interna não o impede de forma fiável. Uma regra que torna essas ações impossíveis, sim.
O segundo detalhe diz respeito à dificuldade do benchmark. No VirtualHome, a busca sem restrições por si só alcançou 99,0 por cento, o mesmo que o método completo, embora os autores observem que o fez "a um custo de geração mais elevado", como mostram os seus gráficos. Um leitor que olhasse apenas para o VirtualHome poderia concluir que a busca é tudo o que é preciso. O ALFWorld mostra o contrário: as restrições por si só alcançaram 32,3 por cento, a busca sem restrições 29,2 por cento e a combinação 95,5 por cento. Os autores atribuem a diferença maior a um problema de planeamento mais difícil. Os planos bem-sucedidos do modelo de 27B tiveram, em média, 8,0 ações de alto nível no ALFWorld e 6,4 no VirtualHome, com máximos de 30 e oito, e o ALFWorld "introduz mais ligações de instâncias e recetáculos em cada etapa."
A lição geral é que um benchmark fácil pode fazer com que dois designs diferentes pareçam equivalentes. Só quando o problema se torna suficientemente longo e suficientemente restrito é que as diferenças aparecem. Quem compara arquiteturas de agentes deve testá-las em tarefas pelo menos tão longas e tão fortemente restritas como aquelas que pretende implementar, e não nas tarefas mais curtas disponíveis.
As experiências são reprodutíveis por conceção
Há mais um aspeto do artigo que vale a pena assinalar, porque se liga a um tema abordado noutro ponto desta série. Os autores publicam integralmente as suas definições de descodificação. As fases com restrições do Qwen correm a uma temperatura de 0,0. Onde é usada amostragem de núcleo, para as execuções suplementares de pensamento e as referências de agentes incorporados, as avaliações são repetidas com três sementes nomeadas: 0, 42 e 1738. A pesquisa está limitada a 250 segundos por tarefa, e o artigo afirma que os seus hiperparâmetros de pesquisa "foram selecionados empiricamente".
São estes detalhes que tornam um resultado verificável. Um leitor que queira reproduzir o trabalho sabe que definições usar, quantas execuções fazer e que variação esperar. Também tornam visíveis os limites: os hiperparâmetros selecionados empiricamente podem precisar de ser reajustados noutros ambientes, e um limite de tempo significa que algumas tarefas podem falhar por falta de tempo e não por falta de um plano. Indicar ambos é boa prática. É o padrão que consideramos que qualquer resultado publicado, incluindo os nossos, deve cumprir. Um resultado que não pode ser repetido pode continuar a ser interessante, mas ainda não é fiável, e a diferença é mais importante quando o resultado serve para justificar um design.
A palavra está a tornar-se um rótulo, por isso precisa de um teste
O sucesso traz imitação, e "neuro-simbólico" aplica-se hoje a sistemas que têm pouco em comum com as arquiteturas destes artigos. Um modelo de linguagem com um prompt que diz "pensa passo a passo" é por vezes chamado neuro-simbólico. Também o é um modelo que chama uma calculadora, um chatbot com uma saudação baseada em regras, ou um sistema de recuperação que usa uma base de dados. Cada um destes combina algo neural com algo que não é, e a palavra perde o sentido se abranger todos eles.
Consideramos útil aplicar um teste simples, inspirado no que fez funcionar os resultados de 2026. Um sistema merece a palavra quando a sua parte simbólica restringe ou verifica a parte neural de uma forma que altera o que o sistema pode produzir, e quando essa restrição pode ser inspecionada.
No artigo sobre agentes incorporados, o modelo de transição PDDL restringe a descodificação a ações aplicáveis. O modelo de linguagem não consegue, literalmente, produzir uma ação inválida. Trata-se de uma restrição que altera o espaço de saída, e o modelo de transição pode ser lido por qualquer pessoa. No artigo sobre GraphRAG, o grafo de conhecimento é construído por regras declaradas a partir de registos autoritativos, e o modelo de linguagem recebe evidência apenas desse grafo. A proveniência de cada aresta pode ser verificada. Ambos os sistemas passam o teste.
Um prompt que pede a um modelo que raciocine com cuidado não passa. Pode melhorar os resultados, mas não os restringe, e nada nele pode ser inspecionado para ver o que o modelo tem permissão para dizer. Um modelo que pode chamar uma calculadora passa apenas em parte: o resultado da calculadora é exato, mas é o modelo que decide se a chama e o que faz com o resultado, e nada o impede de ignorar o resultado ou de fazer ele próprio as contas. O teste não tem a ver com pureza. Tem a ver com a origem das garantias.
Perguntas a fazer a um sistema que reivindica a palavra
Para as organizações que avaliam sistemas descritos como neuro-simbólicos, o teste traduz-se em algumas perguntas concretas.
O que impede a parte simbólica? Uma resposta útil nomeia uma classe de resultados que o sistema não pode produzir, como ações inválidas, afirmações sem suporte ou violações de regras, e explica o mecanismo. Uma resposta que diz que a parte simbólica "orienta" ou "informa" o modelo, sem nomear nada que impeça, é sinal de que a garantia é frágil.
A parte simbólica pode ser lida? Regras, restrições, ontologias e modelos de transição devem estar disponíveis para inspeção pelas pessoas que dependem do sistema, pelo menos na forma relevante para as suas decisões. Se a camada simbólica for ela própria um componente aprendido e opaco, não está a fornecer o tipo de garantia que torna valiosos os desenhos neuro-simbólicos.
Onde termina a proveniência? Para qualquer resposta, siga as citações. Conduzem a registos de origem autoritativos, através de passos rastreáveis, ou a textos intermédios escritos por um modelo? A auditoria de proveniência do GraphRAG é um modelo para esta verificação.
Onde estão as falhas? Peça uma decomposição dos casos de falha por componente. Um sistema bem estruturado deve conseguir dizer se as suas falhas surgem na perceção, no grounding, na recuperação, no raciocínio ou na geração. Um sistema que não consegue dizê-lo ou não está estruturado ou não está medido.
O que é registado? Pergunte se o sistema registra o caminho que seguiu, incluindo o que leu e que componentes contribuíram, e não apenas a resposta final. As conclusões do GraphRAG agêntico mostram porque isto é importante.
Nenhuma destas perguntas exige grande especialização para ser feita. Todas elas separam arquiteturas que fornecem garantias verificáveis de sistemas que usam o vocabulário.
Porque isto é importante para a explicação e a supervisão
Há uma dimensão regulatória nestes resultados que vale a pena destacar, porque liga a arquitetura de investigação a obrigações que se aplicarão a muitas organizações.
O Regulamento da Inteligência Artificial exige um enorme esforço de explicação. O artigo 13.º impõe que os sistemas de alto risco sejam concebidos de modo a que os responsáveis pela implantação possam interpretar os seus resultados e utilizá-los adequadamente. O artigo 14.º exige que as pessoas encarregadas da supervisão possam interpretar corretamente os resultados do sistema e decidir ignorá-los, anulá-los ou revertê-los. O artigo 86.º confere às pessoas afetadas o direito a explicações claras e significativas sobre o papel de um sistema de IA em determinadas decisões. Estas obrigações aplicam-se aos sistemas de alto risco a partir de dezembro de 2027 ou agosto de 2028, na sequência do Digital Omnibus, mas as escolhas de conceção que as tornam exequíveis estão a ser feitas agora.
Um sistema fatorizado e neuro-simbólico é muito mais fácil de explicar do que um modelo ponta a ponta, exatamente pelas razões que os artigos de 2026 demonstram. Quando um plano é executável por construção segundo um modelo de transição, a explicação de por que motivo um passo foi permitido consiste numa referência à regra que o autorizou. Quando uma resposta cita arestas rastreáveis a registos autoritativos, a explicação de por que motivo foi feita uma afirmação é a cadeia de registos. Quando as falhas se localizam num componente, a explicação de por que motivo o sistema errou nomeia o componente. Cada explicação é uma afirmação sobre algo que existe e pode ser inspecionado, não uma racionalização a posteriori de um cálculo neuronal.
Isso não torna a explicação trivial. Alguém continua a ter de traduzir regras e registos para uma linguagem que uma pessoa afetada consiga compreender. Mas altera a natureza da tarefa: de reconstrução passa a apresentação. A reconstrução pergunta "o que poderá ter causado este resultado?" e só pode oferecer hipóteses. A apresentação pergunta "como mostramos as regras e os registos que produziram este resultado?" e pode oferecer provas. Para a supervisão e para o direito à explicação, essa diferença é decisiva.
É também por isso que consideramos que os resultados de eficiência devem interessar tanto aos reguladores como aos engenheiros. Um modelo pequeno e restringido, mais barato de executar, é também um modelo mais barato de auditar: pode ser alojado onde o auditor lhe consiga aceder, fixado a uma versão durante uma investigação e reproduzido de forma determinística com os mesmos dados de entrada. Os argumentos de soberania, energia e responsabilização a favor de sistemas pequenos e estruturados acabam por ser o mesmo argumento visto de três lados.
O que retiramos disto
Para o nosso próprio trabalho, os resultados de 2026 confirmam três decisões de conceção e aguçam uma quarta.
Confirmam que modelos pequenos com estrutura podem superar modelos grandes sem ela em tarefas que exigem fiabilidade. É a premissa subjacente ao encaminhamento do Loom, com especialistas de domínio: a maioria das perguntas é melhor respondida pelo especialista certo, muitas vezes um modelo pequeno ou um solucionador simbólico, e não pelo maior modelo disponível. A ablação do agente incorporado é a prova publicada mais clara de que temos conhecimento de que esta premissa se verifica no planeamento.
Confirmam que o conhecimento deve ser construído a partir de fontes autoritativas, com regras declaradas, e citado pela sua fonte. A camada de conhecimento da Dweve cita cada elemento de conhecimento utilizado numa resposta por nó e por hash de versão, para que um revisor possa seguir a citação até ao registo e à versão exatos. A auditoria de proveniência do GraphRAG mostra o que se perde quando essa cadeia termina num intermediário escrito por um modelo.
Confirmam que registar o percurso é tão importante como registar a resposta. A conclusão do artigo sobre GraphRAG agêntico relativa a entidades visitadas mas não citadas é exatamente a razão pela qual o Knot registra leituras e passos intermédios, e a razão pela qual o trace do Loom mostra que especialistas contribuíram.
E aguçam a nossa atenção para o enraizamento. Ambos os artigos situam as suas falhas remanescentes no ponto em que o mundo, ou a fonte, é traduzido para a representação simbólica. É essa a fronteira onde a perceção neuronal passa o testemunho ao raciocínio simbólico, e é aí que o esforço de verificação se deve concentrar. Uma camada simbólica que raciocina perfeitamente sobre um estado errado produz uma resposta errada com confiança. A questão de engenharia para o próximo ano é como tornar essa fronteira tão verificável como as camadas de um e do outro lado.
O renascimento, com números
Há um ano, a afirmação de que os sistemas neuro-simbólicos superariam os modelos de linguagem puros em tarefas que exigem fiabilidade era um argumento. Em 2026, tem números: mais de 90 por cento de sucesso para modelos abertos pequenos no planeamento doméstico, um agente de 4 mil milhões de parâmetros a bater uma política direta de 27 mil milhões de parâmetros por larga margem, restrições e pesquisa a resolverem cada uma menos de um terço das tarefas sozinhas e mais de 95 por cento em conjunto, e cada aresta de um grafo construído a partir de uma ontologia rastreável à sua fonte, contra 83 por cento para um grafo extraído.
Esses números vêm com condições, e as condições são tão importantes como os resultados. Mas a direção é clara. Quando um sistema de IA tem de estar certo de formas que podem ser verificadas, a estrutura não é um obstáculo à capacidade. É uma das suas fontes.
Porque o desenho do benchmark importa tanto como o resultado
Há uma lição metodológica mais ampla em ambos os artigos que merece uma breve nota, porque tem incidência sobre como todo o campo deve avaliar sistemas que alegam ser fiáveis.
Ambos os artigos medem algo diferente da fluência. O artigo sobre o agente incorporado mede o sucesso: a tarefa doméstica foi concluída no ambiente? O artigo sobre GraphRAG mede a proveniência: cada aresta, e cada citação, pode ser rastreada até um registo autoritativo? Nenhum deles depende primordialmente de a resposta se ler bem ou corresponder a um texto de referência. Isso é significativo, porque grande parte da avaliação de IA ainda premeia a qualidade de superfície. A linha de trabalho "Why Neighborhoods Matter" e a investigação de avaliação relacionada fizeram o mesmo ponto a partir de outra direção: a sobreposição lexical com uma resposta de referência pode ser elevada enquanto a evidência para a resposta está ausente.
Para as organizações que avaliam sistemas de IA para decisões que importam, a lição é perguntar o que um benchmark mede antes de perguntar que pontuação um sistema alcançou. Um sistema que obtém boa pontuação num benchmark baseado na fluência pode ainda produzir planos que não se executam ou respostas cujas citações não levam a lado nenhum. Um sistema que obtém boa pontuação em executabilidade ou proveniência demonstrou algo mais próximo do que um decisor precisa. Gostaríamos de ver mais avaliações de contratação desenhadas como estes dois artigos: com uma tarefa que ou tem sucesso ou falha de forma verificável, e com uma auditoria de onde veio a evidência de cada resposta.
Fontes
- Neurosymbolic Embodied Agents, Albinhassan, Feng, Russo e Madhyastha, arXiv, agosto de 2026. Utilizado para o resumo citado, o método em duas fases, a ablação de componentes (Tabela 2), as definições de descodificação (Tabela 3), os números da resposta a falhas (Tabela 10), as taxas de sucesso no VirtualHome e no ALFWorld, a comparação com uma política direta de 27B, a ablação de restrições e de pesquisa, a eficiência de tokens e a localização de falhas.
- Ontology-guided neuro-symbolic GraphRAG for grounded query answering, Domenico Benfenati e Antonio Maria Rinaldi, Neural Computing and Applications, 2026. Utilizado para o método de construção, a auditoria de proveniência, a precisão das citações e o desenho da avaliação.
- Why Neighborhoods Matter: Traversal Context and Provenance in Agentic GraphRAG, arXiv, maio de 2026. Utilizado para a conclusão de que as citações finais não captam toda a base de evidência das respostas agênticas e para as limitações declaradas do estudo.
- Article 13: Transparency and provision of information to deployers, Serviço de Apoio do Regulamento IA da Comissão Europeia. Utilizado para o requisito de interpretabilidade dos sistemas de alto risco.
- Article 14: Human oversight, Serviço de Apoio do Regulamento IA da Comissão Europeia. Utilizado para as capacidades de supervisão.
- Article 86: Right to explanation of individual decision-making, Serviço de Apoio do Regulamento IA da Comissão Europeia. Utilizado para o direito à explicação.
- Towards A Rigorous Science of Interpretable Machine Learning, Finale Doshi-Velez e Been Kim, arXiv, 2017. Utilizado para a observação citada sobre a falta de consenso quanto à interpretabilidade.
- Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead, Cynthia Rudin, arXiv, 2018. Utilizado para o argumento citado a favor de modelos intrinsecamente interpretáveis.
- Sanity Checks for Saliency Maps, Julius Adebayo e outros, arXiv, 2018. Utilizado para a conclusão citada de que alguns métodos de saliência são independentes do modelo e dos dados.