A maioria dos modelos modernos de inteligência artificial precisa escrever longos parágrafos para demonstrar raciocínio passo a passo, enquanto respostas diretas costumam falhar em problemas complexos. Pesquisadores da Universidade de Minnesota propuseram uma alternativa intermediária chamada SanSi (abre em nova aba), uma arquitetura que reflete internamente sem precisar emitir palavras antes do veredito.
O projeto foi apresentado pelos cientistas Shuyu Gan, Young-Jun Lee e Dongyeop Kang em outubro de 2026. A equipe buscou preencher o espaço existente entre a intuição imediata e a geração exaustiva de texto explicativo.
Em termos conceituais, a computação costuma comparar a tomada de decisão rápida ao chamado Sistema 1, modo intuitivo que processa a informação em uma única passagem direta pela rede neural. Quando o sistema precisa de mais precisão, a abordagem tradicional recorre ao Sistema 2, que obriga a inteligência artificial a produzir cadeias inteiras de palavras para organizar os pensamentos. O SanSi propõe o que os autores denominam Sistema 1.5: um processo em que o modelo repensa a resposta internamente, aplicando as mesmas camadas da rede várias vezes em ciclos antes de indicar a probabilidade final de cada opção.
Esses ciclos reaproveitam a estrutura existente em vez de adicionar blocos inteiramente novos. O modelo base utilizado foi o Ouro, desenvolvido para suportar essa repetição estrutural. Ao manter a base congelada, os pesquisadores treinaram adaptadores leves do tipo LoRA e um leitor final para cada volta, somando apenas 61 milhões de parâmetros ajustados na versão principal.
61 milhões de parâmetros extras bastaram para alterar o comportamento de resolução de problemas. A leitura das probabilidades de cada alternativa declarada ocorre ao final de cada volta executada. Cada repetição é avaliada com regras de pontuação próprias durante o treinamento, o que permite que uma única rede atenda a orçamentos computacionais variados, operando de um a oito ciclos sem precisar de configurações diferentes para cada demanda.
Em uma bateria de 10.027 decisões de teste reunidas a partir de 59 fontes distintas, o SanSi atingiu 72,0% de precisão. O resultado representa uma melhora expressiva de 13,5 pontos percentuais em comparação direta com um modelo de formato idêntico que não utiliza repetição de camadas e foi submetido ao mesmo processo de treino.
A escala também revelou comportamentos incomuns quando confrontada com modelos de portes variados:
| Configuração do modelo | Ciclos de repetição | Precisão registrada |
|---|---|---|
| SanSi (base Ouro-1.4B) | Até 8 voltas | 72,0% |
| SanSi-2.6B (versão maior) | 8 voltas | 75,8% |
| Modelo padrão sem ciclos | Passagem única | 58,5% (13,5 pontos abaixo) |
| Modelo sem ciclos do mesmo porte | Passagem única | 66,7% (5,3 pontos abaixo) |
Os números mostram que o SanSi superou em 5,3 pontos um sistema recente de tamanho equivalente sem ciclos. Ficou apenas 1,8 ponto percentual atrás de uma rede neural com o triplo do número de parâmetros, indicando que o tempo interno de cálculo compensa parte da falta de volume bruto de memória. A variante SanSi-2.6B, construída sobre uma base de 2,6 bilhões de parâmetros, elevou a taxa de acerto para 75,8% ao completar o oitavo ciclo.
A vantagem operacional apareceu também em tarefas cujo nível de profundidade lógica era controlado experimentalmente. Nesses testes, a repetição sucessiva de camadas permitiu resolver problemas em níveis mais profundos do que aqueles apresentados durante a fase de treino, cenário em que modelos maiores de passagem única falharam.
Quando aplicado como avaliador no treinamento por reforço para otimizar outras ferramentas de geração sem depender de gabaritos prontos, o SanSi elevou em 7,7 pontos a pontuação de qualidade técnica da IA geradora. A leitura interna oferece um julgamento probabilístico sem a lentidão de gerar textos explicativos extensos a cada tentativa do gerador.
O ganho de eficiência abre caminho para sistemas que dosam o tempo de processamento conforme a urgência da tarefa. O modelo consegue decidir se responde com um único ciclo rápido ou se executa até oito repetições para aumentar a certeza do resultado.
Apesar do avanço, a técnica deixa em aberto se a repetição interna de camadas pode substituir a transparência do raciocínio em texto gerado. O modelo pensa sem falar, mas, ao não transformar seus passos intermediários em palavras legíveis, mantém o processo analítico inacessível ao escrutínio humano direto.