O Test-Time Compute Está Reescrevendo as Leis de Escala do ML em 2026

Por anos, a receita para melhorar inteligência artificial foi simples: mais parâmetros, mais dados, mais GPU. Treine um modelo maior. Repita. Foi assim que surgiram GPT-4, Claude 3 e Gemini Ultra — modelos cada vez mais pesados, cada vez mais inacessíveis para a maioria das equipes de machine learning.

Mas um novo paradigma está emergindo em 2026. E ele não depende de modelos maiores. Depende de modelos que pensam mais.

O nome técnico é test-time compute — computação em tempo de inferência. A ideia é simples, mas as implicações são profundas: em vez de gastar recursos para treinar um modelo gigantesco que sabe "tudo de uma vez", você treina um modelo menor e permite que ele gaste mais tempo (e mais computação) raciocinando antes de responder.

Como resumiu Mostafa Ibrahim, do Towards Data Science: "Por anos, fazer um modelo mais inteligente significava aumentar parâmetros. Hoje, modelos de ponta alcançam alta performance gastando mais recursos computacionais em cada resposta individual."

A pergunta que este artigo responde é: até onde essa nova lei de escala pode nos levar?

O que são Inference Scaling Laws e por que elas mudam o jogo

Scaling laws tradicionais, formuladas por DeepMind e OpenAI entre 2020 e 2024, sustentavam uma relação quase física: aumentar o número de parâmetros, o tamanho do dataset e o orçamento de treino produzia ganhos previsíveis de performance. Quanto maior, melhor.

Inference scaling laws contam uma história diferente. Elas mostram que aumentar a computação gasta na hora da inferência — o momento em que o modelo responde a uma pergunta — pode produzir ganhos comparáveis ou superiores a aumentar o tamanho do modelo.

Esse "pensar mais" acontece por meio de técnicas como chain-of-thought (cadeia de raciocínio), busca em árvore (tree-of-thoughts), verificação automática de respostas e auto-correção em loop. O modelo não dá uma resposta direta: ele explora múltiplos caminhos, avalia resultados intermediários, refina e só então entrega a resposta final.

O trade-off é óbvio: mais qualidade em troca de mais latência e mais custo operacional. Mas os dados de 2026 mostram algo surpreendente: o custo de pensar mais está caindo mais rápido que o custo de treinar modelos maiores.

O que os benchmarks mostram: o3, R1, PaCoRe e a nova hierarquia

Os números de 2026 desafiam a intuição de que só modelos gigantes podem estar no topo. A tabela abaixo mostra o novo cenário:

O destaque mais impressionante é o PaCoRe. Com apenas 8 bilhões de parâmetros, atingiu 94,5% no HMMT 2025 — um dos benchmarks mais desafiadores de raciocínio matemático. Isso supera o GPT-5, que marcou 93,2%. O segredo? O PaCoRe escala test-time compute para cerca de 2 milhões de tokens efetivos por resposta, concentrando sua capacidade computacional no raciocínio, não no tamanho do modelo.

Já o o3 da OpenAI mostra o outro extremo do espectro. Performance de elite em GPQA Diamond (87,7%), ARC-AGI (87,5% em modo high-compute) e Codeforces (2.727 Elo), mas a um custo que poucas aplicações conseguem justificar: aproximadamente 57 milhões de tokens por pergunta difícil e cerca de 14 minutos de runtime. Para referência, isso é mais tokens do que um usuário médio consome em um mês inteiro de ChatGPT.

O custo real de pensar mais: 57 milhões de tokens por pergunta

Os 57 milhões de tokens que o o3 consome por pergunta difícil não são apenas um número de impacto. Eles representam um dilema econômico real para qualquer equipe de ML que queira adotar test-time compute em produção.

Cada resposta do o3 em modo high-compute pode levar 14 minutos para ser gerada. Em um chatbot, isso é inviável. Em cenários de pesquisa científica, análise de contratos complexos ou diagnósticos, o custo pode valer a pena — mas a conta precisa ser feita caso a caso.

DeepSeek R1 oferece um contraponto interessante: 79,8% no AIME 2024 (benchmark de matemática olímpica) a aproximadamente 1/20 do custo do o1 da OpenAI. O modelo chinês prova que é possível obter ganhos substanciais de test-time compute sem explodir o orçamento.

Para equipes de ML, a lição é clara: test-time compute não é uma tecnologia monolítica. Existe um espectro que vai desde micro-otimizações (chain-of-thought simples) até buscas exaustivas (o3 em modo máximo). Cada ponto nesse espectro tem um custo e um retorno diferentes.

O que a academia descobriu: as T^2 scaling laws

Em abril de 2026, pesquisadores da University of Wisconsin-Madison e de Stanford publicaram o paper mais importante do ano sobre scaling laws: o artigo T^2 (Test-Time Training) Scaling Laws (arXiv:2604.01411).

A descoberta central é devastadora para quem ainda pensa em termos de "quanto maior, melhor". Quando se contabiliza o custo de inferência na equação, a decisão ótima de pré-treino muda radicalmente. Nas palavras dos autores:

"Optimal pretraining decisions shift radically into the overtraining regime when considering test-time compute."

Traduzindo: o ponto ótimo de pré-treino se desloca para modelos menores e mais sobre-treinados — ou seja, modelos que passaram mais epochs nos dados de treino, mas têm menos parâmetros. É exatamente o oposto do que a indústria vinha fazendo nos últimos anos.

O ICLR 2026, uma das conferências mais importantes de machine learning, dedicou uma track inteira ao tema, com nove papers aceitos. Pesquisadores de Google DeepMind, Microsoft Research, NVIDIA e Together.ai apresentaram trabalhos sobre como otimizar o trade-off entre computação de pré-treino e computação de inferência.

Entre as descobertas apresentadas, três se destacam:

• A relação entre compute de pré-treino e compute de inferência não é linear — existe um ponto ótimo que varia por tarefa
• Modelos menores se beneficiam desproporcionalmente de test-time compute em comparação com modelos grandes
• O overtraining (mais epochs de treino) se torna mais eficiente quando combinado com inferência com raciocínio

O consenso que emerge é sutil, mas inequívoco: a equação que conecta tamanho do modelo, dados de treino e computação de inferência é mais complexa do que se imaginava, e o ponto ótimo está se deslocando.

O limite do paradigma: ARC-AGI-3 e o abismo da generalização

Se test-time compute fosse a solução mágica para todos os problemas de IA, os resultados do ARC-AGI-3 seriam diferentes.

Lançado em março de 2026, o ARC-AGI-3 é um benchmark desenhado especificamente para testar a capacidade de generalização de modelos de IA. Os problemas são simples para humanos — envolvem padrões visuais e raciocínio abstrato — mas exigem algo que os modelos atuais ainda não dominam: aprender uma regra nova a partir de pouquíssimos exemplos e aplicá-la em contextos diferentes.

O resultado é humilhante para a indústria. Todos os modelos frontier — incluindo o3, GPT-5, Claude 4 e Gemini Ultra 2 — marcam abaixo de 1%. Humanos resolvem 100% das tarefas.

Isso não invalida o test-time compute. Mas coloca um limite claro no que o paradigma pode entregar. Gastar mais tempo pensando ajuda um modelo a explorar melhor o que já sabe. Não ajuda um modelo a aprender algo fundamentalmente novo. Você pode fazer um modelo de 8 bilhões de parâmetros superar um de 2 trilhões em matemática. Mas não vai fazê-lo adquirir intuição abstrata.

O que isso significa para equipes de ML em 2026

A principal implicação prática das inference scaling laws é que as equipes de ML precisam repensar suas decisões de arquitetura e alocação de orçamento. Gastar em test-time compute pode ser mais eficiente do que gastar em pré-treino — especialmente para tarefas que exigem raciocínio profundo, como análise de contratos, diagnósticos, pesquisa científica e programação.

Para tarefas mais diretas — classificação, extração, sumarização simples — modelos tradicionais ainda são a melhor escolha. O truque é saber onde cada abordagem brilha.

A segunda implicação é mais estratégica: modelos menores e mais eficientes podem competir com gigantes. O PaCoRe provou que 8 bilhões de parâmetros bem treinados e com bom test-time compute superam modelos com centenas de bilhões. Isso democratiza o acesso a IA de ponta e abre espaço para que times menores entrem no jogo.

Terceiro ponto: as T^2 scaling laws sugerem que o overtraining — que muitos times evitam por medo de overfitting — pode ser exatamente a estratégia certa quando combinado com inferência com raciocínio. É uma inversão completa do que se ensina nos cursos de ML.

O test-time compute não vai substituir as scaling laws tradicionais. Vai conviver com elas, formando uma equação mais rica. Mas, como os dados de 2026 mostram, quem continuar pensando exclusivamente em "mais parâmetros" provavelmente vai ficar para trás.

Artigos Relacionados

Confira também: O Renascimento do Aprendizado Auto-Supervisionado: DINOv3, V-JEPA 2.1 e o Fim dos Rótulos Confira também: Model Collapse: 50% da Web Já É Sintética e a IA Está se Alimentando do Próprio Veneno Confira também: A Grande Reforma do Transformer: Maio de 2026 Está Reescrevendo as Regras do ML