Assistentes de pesquisa com IA são bons em produzir ideias e ruins em lembrar por que as anteriores falharam. O Sage-Taiyi, descrito num novo preprint, foi feito para corrigir isso, e sua prova mais convincente não é uma nota de benchmark, mas duas reações químicas que funcionaram muito melhor depois das sugestões dele.
O desenho toma emprestada da psicologia a metacognição, ou seja, pensar sobre o próprio pensamento. Uma camada faz a busca científica: divide a pergunta em alvos, gera e refina ideias e guarda evidências de experimentos, artigos e especialistas humanos. Uma segunda camada mantém um retrato atualizado do que essas evidências sustentam, quais suposições são frágeis e quais perguntas continuam abertas, e o usa para escolher o que investigar em seguida e que método de raciocínio aplicar. O objetivo é impedir que um agente corra atrás do resultado mais recente enquanto esquece uma falha de três rodadas atrás.
No Taiyi-Bench, que a equipe montou com 265 tarefas tiradas de 50 artigos de dez disciplinas, o Sage-Taiyi marcou 54,0 no total, contra 47,9 do AI Scientist-v2, o melhor dos sistemas comparados, e ficou em primeiro nas oito métricas. Ele rodou sobre o GPT-5.6-Sol, e as referências incluíam o mesmo modelo dentro do Codex e do Claude Code, além do Claude Opus 5 e de outros agentes de pesquisa, então o ganho é atribuído à arquitetura e não a um modelo mais forte. Os artigos foram escolhidos entre os posteriores à data de corte do treinamento do modelo, para limitar a contaminação.
Os resultados de laboratório pesam mais. Em cinco colaborações guiadas por especialistas em química, ciência de materiais e engenharia, as propostas do sistema foram testadas de verdade. Otimizar as condições de uma carbonilação catalisada por cobalto elevou o rendimento de quantidades-traço para 84%, e uma aminação alílica fotocatalítica subiu de 13% para 69%. São ganhos que um grupo de química notaria.
Há bons motivos para cautela. O benchmark é dos próprios autores, e as ideias são pontuadas por um verificador automático baseado na literatura que, segundo a equipe, concorda bem com especialistas humanos, mas continua sendo um modelo avaliando outro. As cinco colaborações foram guiadas por especialistas, então é difícil separar a contribuição do sistema da dos cientistas que o conduziam, e dois bons resultados em reações não dizem com que frequência as sugestões dele falham. Por ser um preprint, nada disso passou por revisão por pares, e os autores não informam o custo computacional de cada execução.