Raciocínio latente em modelos de linguagem em loop
Artigo relata modelos em loop com 2,6 bilhões de parâmetros, treinados com mais de 7 trilhões de tokens, e desempenho equivalente ao de modelos de última geração duas a três vezes maiores.
Publicado em 30 de outubro de 2025, o artigo descreve o escalonamento de modelos de linguagem em loop para 2,6 bilhões de parâmetros e seu treinamento com mais de 7 trilhões de tokens. Segundo o autor, o desempenho alcançado equivale ao de modelos de linguagem de última geração duas a três vezes maiores.
O resultado é relevante para engenheiros que investigam arquiteturas em loop como forma de escalar modelos de linguagem. Para avaliar a alegação, consulte o artigo original e verifique como ele define a comparação de desempenho, quais avaliações apresenta e em que condições os resultados foram obtidos; esses detalhes não constam no resumo disponível.