Uma equipe do Shanghai Artificial Intelligence Laboratory apresentou o Sage-Taiyi, uma arquitetura inspirada na metacognição projetada para regular como um sistema de IA busca ideias científicas. O trabalho está descrito no artigo arXiv 2611.12762v1 [cs.AI], de 9 de novembro de 2026, de autoria da Sage-Taiyi Team.
Arquitetura
O Sage-Taiyi divide a descoberta científica em dois níveis, apoiando-se na descrição de metacognição de Nelson e Narens como monitoramento e controle dos próprios processos cognitivos.
No nível objeto, o sistema executa a busca científica para uma pergunta de pesquisa. Seu estado consiste em três estruturas: uma Target Tree que decompõe a pergunta de pesquisa em alvos, subalvos e estratégias locais; um Idea Graph que registra ideias e sua linhagem de transformação por meio de cinco operações (Merge, Fuse, Diverge, Repair e Evolve); e um Evidence State que retém resultados experimentais e computacionais, conhecimento da literatura e contribuições de especialistas com suas fontes.
No nível meta, dois recursos regulam essa busca. Um Cognitive State específico da tarefa mantém uma representação seletiva da compreensão científica do nível objeto junto com avaliações derivadas do monitoramento sobre suporte evidencial, conflitos não resolvidos e dependências compartilhadas entre ideias. Um Cognitive Repertoire reutilizável armazena dez heurísticas metodológicas, incluindo descoberta orientada por evidências, transferência analógica, design inverso e redesign orientado por gargalos, junto com Cognitive Operators organizados por função em Framing, Constructing, Evaluating e Learning. A instanciação de domínio adapta essas entradas gerais a campos específicos usando a literatura, e o aprendizado por feedback as refina a partir dos resultados das tarefas.
O monitoramento interpreta os resultados da busca para atualizar o Cognitive State; o controle usa o estado atualizado e as condições de aplicabilidade do repertório para decidir qual alvo ou ideia abordar, se deve continuar, revisar, redirecionar ou interromper um ramo e quais métodos aplicar. Um harness de pesquisa traduz as decisões de controle em tarefas, invocando ideação ou avançando para execução e validação, com os resultados retornando ao Evidence State. Especialistas de domínio participam da seleção e validação de ideias, e um componente chamado Taiyi-Optimizer busca em espaços de condições ou de design especificados.
Resultados de benchmark
Os autores avaliam o Sage-Taiyi no Taiyi-Bench, um benchmark de ideação para co-cientistas de IA que eles construíram com 265 tarefas derivadas de 50 artigos em dez disciplinas, incluindo ciências da Terra, neurociência, economia, física, química e engenharia de comunicações. Para reduzir o risco de contaminação por dados de treinamento, os artigos foram divulgados publicamente pela primeira vez em 1º de março de 2026 ou depois, posterior ao knowledge cutoff reportado do modelo de base. As tarefas divulgam progressivamente decisões estabelecidas reconstruídas de cada estudo, e a avaliação combina métricas de redescoberta histórica com avaliação aberta de novidade, efetividade, viabilidade e diversidade, pontuadas por um verificador fundamentado na literatura que, segundo os autores, concorda bem com os julgamentos de especialistas humanos.
O Sage-Taiyi, executado no GPT-5.6-Sol com esforço de raciocínio alto e dez ideias solicitadas por tarefa, ficou em primeiro lugar em todas as oito métricas, com pontuações de grupo Rediscovery e Open-ended de 44,6 e 63,3 e uma pontuação geral de 54,0, contra 47,9 da baseline mais forte, AI Scientist-v2. Sua maior vantagem foi em Novidade, 70,5 contra 55,2. Nas comparações pareadas, obteve o maior rating Elo, 1.322,5, vencendo 66,3 por cento das comparações contra o AI Scientist-v2. O tempo de geração registrado foi de 29,9 minutos por tarefa, contra 39,3 minutos do AI Scientist-v2 e 44,8 minutos do Codex na configuração de raciocínio ultra. A comparação cobriu dez configurações de baseline entre geração direta, harnesses de uso geral e harnesses de descoberta científica, com os últimos avaliados apenas nas etapas de ideação.
Em dois benchmarks externos, o Sage-Taiyi alcançou uma média ponderada de 7,195 no AgentIdeaBench em 40 subcampos, contra 6,852 do AI Scientist-v2, e um Population-Evolution Score médio de 87,634 nas 30 questões de fronteira do IG-Arena. Em ambas as avaliações, o sistema selecionou suas próprias consultas de busca e artigos para consultar.
Colaborações guiadas por especialistas
Cinco colaborações conectaram as propostas do sistema a validação experimental ou computacional:
- Catálise metálica: o Sage-Taiyi propôs uma rota de carbonilação catalisada por cobalto para cetonas alenil tetrasubstituídas, combinando carbonilação nucleofílica e radicalar em um centro de cobalto. A otimização bayesiana do espaço de condições elevou o rendimento da reação modelo de quantidades vestigiais para 84 por cento; as condições otimizadas também produziram derivados a partir de precursores de flurbiprofeno, piriproxifeno e salicina com rendimentos de 40, 74 e 86 por cento.
- Fotoquímica: para aminação alílica sítio-seletiva com aminas heteroaril, o sistema propôs uma adição de radical-cátion amínio seguida de transferência de átomo de hidrogênio mediada por cobaloxima. A otimização elevou o rendimento da reação modelo entre 2-aminopiridina e um alceno 1,1-disubstituído de 13 para 69 por cento.
- Metamateriais: para um filtro eletromagnético de banda de corte em múltiplas camadas, o feedback de otimização levou o sistema a identificar uma espessura fixa de substrato como gargalo e a recomendar relaxá-la. A busca revisada produziu um design com transmissão média simulada de 6,2 por cento na banda de corte de 8 a 12 GHz e 94,5 por cento na banda de passagem de 14,5 a 15,5 GHz, contra 9,5 e 87,4 por cento de uma referência em espinha de peixe projetada por especialista.
- Design de ligas: a otimização conjunta de composição e tratamento térmico, partindo de um candidato Mg–4Y–1Nd–3Gd–0,4Zr selecionado por especialista, produziu uma liga de magnésio fundido (Mg–4Y–1Nd–2Gd–0,5Zr nominal) com resistência à tração média medida de 342 MPa em testes repetidos.
- Engenharia de compressores: o refinamento geométrico de um compressor centrífugo, guiado por avaliações de CFD, alcançou uma eficiência de impulsor de 91,5 por cento em uma razão de pressão de 4,0.
Limitações e escopo reportados
O artigo enquadra esses resultados como os resultados reportados pelos autores. As pontuações no Taiyi-Bench dependem de um verificador automatizado fundamentado na literatura, e os resultados do mundo real foram produzidos por meio de colaborações guiadas por especialistas, nas quais especialistas de domínio participaram da seleção e validação de ideias, em vez de uma operação totalmente autônoma. Os autores descrevem os resultados como apoio à regulação metacognitiva como abordagem para a ideação científica e sua progressão rumo à validação prática.