Toda empresa tem um sênior caro que passa o dia respondendo e-mail de estagiário. A busca evolutiva guiada por LLM, a família de métodos que inclui o AlphaEvolve e seus primos abertos, costuma funcionar de modo parecido. Mutações, variações de programa e tentativas que iam dar errado de qualquer jeito passam com frequência pelo modelo de fronteira, cobradas a preço de fronteira.
O SpecEvo (abre em nova aba), preprint publicado no arXiv em 20 de outubro, parte de uma constatação quase doméstica. O raciocínio caro está sendo aplicado de maneira uniforme, e as tentativas fracassadas vão para o lixo sem que ninguém as leia. Dessa constatação o paper chega a uma tese que eu assino embaixo: em busca evolutiva, o modelo de fronteira deve atuar como consultor e não como operário. Quem continua chamando o modelo mais caro em toda geração agora precisa justificar o gasto.
O trabalho é assinado por Ha Minh Hieu, da Hanoi University of Science and Technology, que fez a pesquisa durante estágio no grupo WING da National University of Singapore. Os outros autores são Tongyao Zhu, Do Xuan Long e Min-Yen Kan, todos da NUS, com Kan como autor correspondente. São 43 páginas, e o código está no GitHub (abre em nova aba) sob licença Apache-2.0. O repositório traz as implementações dos baselines, adaptadores de tarefas, um guia de reprodução, e os templates de prompt aparecem no Apêndice H do paper. Numa área em que muito resultado chega no regime do "confie em mim", isso conta.
Três papéis, uma hierarquia
A arquitetura tem três personagens. Os Speculators são modelos leves rodando em paralelo, gerando e refinando programas candidatos. É a infantaria. O Advisor, também leve, cuida daquilo que os métodos anteriores, segundo os autores, subaproveitavam: lê o histórico de sucessos, fracassos e direções saturadas e destila tudo em orientação persistente para as rodadas seguintes. Funciona como a memória institucional da busca, o colega que lembra que "isso a gente já tentou em março e não deu".
Depois vem o Navigator, um modelo de fronteira que só aparece em checkpoints esparsos. Ele inspeciona a população de soluções e, conforme o grau de estagnação, escolhe entre três intervenções. Pode fazer síntese, combinando o que está funcionando, um refinamento cirúrgico (o paper usa mesmo a palavra surgical) ou um reenquadramento do problema. O cirurgião-chefe não troca curativo. Ele entra quando o paciente para de melhorar.
O que me parece mais interessante é de onde vem a economia. Nos métodos tradicionais, tentativa falha, tentativa redundante e direção saturada são custo afundado. No SpecEvo viram insumo: o Advisor transforma desperdício em instrução, e o Navigator usa a estagnação como gatilho para agir. A busca evolutiva sempre produziu lixo em quantidade industrial. A novidade é alguém ter resolvido fazer compostagem.
O que os números dizem
Na configuração padrão, o Navigator é o GPT-5, e os Speculators e o Advisor rodam no Qwen3-30B-A3B-Instruct-2507, tudo via OpenRouter (abre em nova aba). Os autores também testaram configurações com Kimi-K2-Thinking e com modelos Qwen entre 7B e 30B. A avaliação cobre 176 tarefas em quatro domínios, com resultados médios de três execuções:
| Domínio | Tarefas | Origem | Resultado relatado |
|---|---|---|---|
| Matemática | 7 | AlphaEvolve Math | Lidera a maioria das configurações |
| Otimização de sistemas | 4 | ADRS | Lidera todas as configurações |
| Otimização combinatória | 36 | CO-Bench | Maior pontuação agregada, 3,8% acima do melhor concorrente; melhor ou empatado em 20 tarefas |
| Descoberta de equações | 129 | LSR-Synth | Menor NMSE nas oito combinações de domínio e split, com 500 avaliações |
Sob um orçamento de três horas de relógio, o custo de API ficou, segundo o paper, de 50% a 80% abaixo do custo dos baselines que dependem pesadamente de modelos de fronteira, "sob a tabela de preços usada". A lista de adversários tem três grupos:
- Métodos de um único LLM: OpenEvolve, GEPA, AdaEvolve e EvoX.
- Métodos heterogêneos, que já misturam modelos: LEVI e RelayEvolve.
- Alocações de controle: tudo barato, troca fixa, escolha aleatória e escolha por bandit.
As alocações de controle são as mais reveladoras, porque separam duas coisas diferentes: o ganho de ter uma política sobre quando chamar o modelo caro e o ganho de simplesmente usar modelo barato. Um paper que se dá ao trabalho de competir contra o próprio sorteio merece crédito. Quem quiser medir o tamanho da vantagem sobre cada controle vai ter de ler além do resumo.
O número que vale mais que os dólares
Na descoberta de equações, o dado relevante não está na fatura. Os métodos concorrentes precisaram de aproximadamente 43% a 65% mais avaliações para alcançar a qualidade que o SpecEvo tinha na avaliação de número 500. O resumo fala em até 1,5 vez mais eficiência de avaliação, e a comparação é com baselines que também se apresentam como econômicos.
Fora do benchmark, isso pesa mais do que tokens. Em descoberta científica de verdade, avaliar um candidato pode significar rodar uma simulação de horas, ocupar uma GPU ou, no limite, gastar reagente. Economizar na API e desperdiçar na avaliação é cortar o cafezinho e esquecer a conta de luz.
O melhor argumento contra
O contraponto sério mira os números, e com razão, porque a manchete "até 80% mais barato" se apoia na parte mais estreita do experimento. No README, a comparação com até 80% menos custo de API aparece no bloco de matemática e sistemas, que soma 11 problemas (7 mais 4). "Até" marca o teto, e a faixa que o próprio paper informa vai de 50% a 80%. No CO-Bench, os 3,8% são um resultado agregado: o método foi o melhor ou empatou em 20 das 36 tarefas, o que deixa 16 em que outro método se saiu melhor. Três execuções por configuração seguem o padrão da área e mesmo assim são pouco para uma busca estocástica.
Há também uma pergunta que o desenho do experimento não responde, por construção. Com orçamento fixo de três horas, racionar o modelo de fronteira faz todo sentido. Sem esse limite, ou em problemas nos quais o salto decisivo só o modelo grande consegue dar, o racionamento pode custar justamente a descoberta que importava. Empatar ou vencer dentro do mesmo relógio não garante chegar ao mesmo lugar quando o relógio sai de cena.
Vale notar ainda que o AlphaEvolve entra no estudo como fornecedor de problemas, e não como adversário. A comparação de custo é feita contra métodos abertos que usam modelos de fronteira de forma intensiva. FunSearch e ShinkaEvolve, que costumam aparecer nessa conversa, não estão entre os baselines citados pelos autores.
Por fim, trata-se de um preprint de dois dias atrás, e ninguém o replicou ainda. O próprio README avisa que o link do arXiv e a citação seriam adicionados depois da submissão, o tipo de detalhe que lembra que a tinta ainda está fresca.
Minha resposta ao contraponto é que ele qualifica os números sem derrubar a tese. Considere o cenário mais conservador: 50% de economia e empate em vez de vitória. Mesmo assim, para quem opera um pipeline evolutivo, a pergunta deixa de ser "qual modelo de fronteira usar" e passa a ser "quando usá-lo". A presença dos controles aleatório e por bandit no paper sugere que os autores sabiam que essa era a pergunta certa.
Antes de rodar em casa
O quickstart pede Python 3.11 e acesso ao OpenRouter pela variável OPENAI_API_KEY. O exemplo de teste rápido usa gpt-4o-mini nos dois papéis, o que é barato o bastante para errar sem dor. Duas observações do próprio README merecem negrito.
A outra limitação é de contabilidade. Os percentuais de economia são relativos e valem para a tabela de preços que os autores usaram. Com outra combinação de modelos ou outro provedor, a conta muda. Fora do laboratório, o custo dominante provavelmente será o do seu avaliador, e não o do seu LLM. Faça essa conta antes de comemorar.
Conclusão
O SpecEvo não inventou a mistura de modelos leves e pesados, já que LEVI e RelayEvolve chegaram antes. A contribuição dele é dar a essa mistura uma regra de decisão: o modelo caro entra quando a busca empaca, e o fracasso vira memória em vez de lixo. A ideia é tão sensata que chega a constranger o fato de não ter sido o padrão desde o início. Minha aposta é que, em pouco tempo, pipelines evolutivos com modelo de fronteira em toda geração vão parecer exatamente o que são: o sênior respondendo e-mail de estagiário e cobrando por hora.