Cinco laboratórios, cinco mentes: criando um drama financeiro com modelos pequenos

O Thousand Token Wood v2 não é só um jogo: é uma demonstração técnica de que agentes financeiros com comportamentos divergentes e memória de interações podem rodar em tempo real, com custo quase zero, em uma RTX 4090. A arquitetura heterogênea, com modelos de 0.5B a 20B de quatro laboratórios diferentes, servidos via vLLM em Modal, cria um ecossistema econômico simulado onde escassez artificial (como combustível perecível e dieta obrigatória) gera flutuações reais de preços e desigualdade mensurável (coeficiente de Gini de 0.14 para 0.38). Isso mostra que raciocínio confiável em agentes não depende de tamanho bruto, mas de estrutura, prompting cuidadoso e ajuste fino, o oposto da lógica dos modelos de fronteira.

Os SLMs usados são mais do que 'versões leves': o MiniCPM3-4B (OpenBMB) foi treinado especificamente para tarefas agênticas com baixa latência; o Nemotron-Mini-4B (NVIDIA) prioriza eficiência em hardware próprio; e o Qwen 0.5B ajustado roda offline em laptop, com suporte nativo a 100 idiomas, algo irrelevante para um modelo de 70B, mas crítico para aplicações locais em mercados emergentes. A OpenAI entrou com o gpt-oss-20b, um modelo aberto derivado do GPT-4o, mas otimizado para inferência local, não para API cloud.

A versão v2 é uma ruptura com a v1 original, que era uma sandbox estática com cinco criaturas florestais controladas por um único modelo de 0,5B. Agora, cada agente tem personalidade distinta, memória de longo prazo, capacidade de formar alianças e responder a choques externos como 'Lendas da Floresta', eventos históricos recontextualizados (ex: Mania das Tulipas → Grande Mania das Bolotas). O hackathon da Hugging Face não só validou a viabilidade técnica, mas também estabeleceu um novo padrão: modelos pequenos não são 'substitutos', mas especialistas que, combinados, geram complexidade emergente, algo que a cobertura CEVIU de 5 de maio já antecipava ao falar da corrida por 'tokens por watt', mas sem mostrar um caso concreto funcional até agora.

Isso importa porque mostra que sistemas financeiros simulados, úteis para treinamento de analistas, testes de políticas regulatórias ou até prototipagem de produtos, deixaram de depender de APIs caras ou infraestrutura de nuvem. Um banco pode rodar milhares de simulações diárias de risco de crédito com SLMs locais, gastando centavos por execução, em vez de dólares. E, diferentemente dos experimentos anteriores citados na CEVIU (como o app vulnerável de 4 de junho ou o balanço contábil automatizado de 20 de maio), este projeto não resolve uma tarefa isolada: ele constrói um ambiente dinâmico onde os agentes aprendem, enganam, conspiram e falham, tudo com transparência total sobre o custo computacional e a origem dos modelos.