Como treinar um swarm de agentes de IA: o que o post do gr.inc discute

O post do gr.inc parte de uma lacuna: swarms de agentes ganharam visibilidade, mas há pouco trabalho público sobre como treiná-los com reinforcement learning. A fonte cita o uso de um swarm pela OpenAI na solução do problema de Navier, Stokes em 88 horas e o incidente do Hugging Face, em que agentes se coordenaram em um ataque por um quadro de mensagens não autorizado. O texto apresenta o RLCR (reinforcement learning from collective rewards): algoritmo de policy gradient simples, política compartilhada e uma vantagem coletiva igual para todos os agentes, com pressão de latência via limites de tempo.

O ponto técnico central é que nada na recompensa da tarefa incentiva paralelismo. Por isso, o setup precisa fazer o trabalho rápido valer a pena. A fonte compara duas saídas: uma penalidade explícita de latência (usada, segundo o texto, no treino dos agent teams do DeepSeek-V4.1-Flash, sem a forma funcional divulgada) e um limite de tempo como única fonte de pressão, abordagem do Avalon-M1. Nesse caso, o limite cresce ao longo do treino e os ambientes têm retorno "anytime", como testes aprovados em engenharia de software ou retorno em trading. Os autores ressaltam que o prazo não premia quem termina antes dele.

Nas medições do Avalon-M1, um coletivo com 5 a 8 contratações chega a quase o dobro do trabalho útil médio no passo 200. Com orçamento de tokens igual, um agente único leva 4x mais tempo, e uma organização de 8 agentes ultrapassa o baseline single-agent em cerca de 2,4 horas de latência derivada no EdgeBench. Os limites também aparecem: o "problema da vila" (treino com até 9 agentes, deploy com centenas ou milhares) e a atribuição de crédito difícil com vantagem coletiva plana.

A cobertura anterior toca o tema, mas não mostra evolução do mesmo projeto. Em 30 de outubro de 2026, o CEVIU noticiou "Quem lidera um agent swarm? Modelo e ordem dos nomes no prompt influenciam", sobre o comportamento de agentes em grupo. Em 21 de julho de 2026, saiu "A Economia dos Enxames de Agentes e a Nova Lógica dos Modelos de IA". Ambos tratam de operar swarms; o post do gr.inc foca em como treiná-los com RL.

Para quem treina ou avalia agentes, a leitura é que paralelismo não surge de graça: depende de como latência e comunicação entram na recompensa. Os números vêm do próprio grupo e de ambientes específicos, então servem como hipótese de trabalho, não como regra geral. A escala (vila versus cidade) continua em aberto.