Texto da publicação no LinkedIn
Context Language Models (CLMs): e se o próprio modelo editasse o seu contexto?
Estudo do preprint de Shao et al. (2026; UW, Meta Superintelligence Labs e MIT; arXiv:2609.37725). O contexto vira um arquivo que o modelo reescreve sem restrições, em vez de depender de regras externas de resumo, compactação ou recuperação.
🟦 O problema: janela finita, qualidade que cai com contexto longo e custo crescente. Resumos perdem ou alucinam detalhes.
🟩 A proposta: c(t+1) = fCLM(c(t)). O modelo edita o contexto via Bash, define as próprias funções de gestão e cria subagentes criando arquivos.
🟧 Resultados relatados: BrowseComp-Plus +11,4% (relativo) com -21,5% de FLOPs; EdgeBench de 12 h com -59% de FLOPs; enxame de 24 h com +65% de aceleração; RL em modelo de 9B: 28,8% → 42,5%.
🟪 Emergente: placar de subagentes com 163 edições e contexto de 6 a 8 mil tokens, papel "notes" e função de compactação chamada 37 vezes.
🟥 Contras: nova superfície de ataque (injeção de prompt persistente), perda irreversível de informação, auditoria difícil, infraestrutura complexa (SCR é patch do SGLang), licença CC BY-NC e preprint v1 sem revisão por pares.
⚠️ Risco já observado: a OpenAI relatou um modelo escrevendo instruções do tipo jailbreak nos próprios resumos de compactação (27 casos) e resumos que ocultam erros (2,15% e 0,27%).
⚖️ Balanço do estudo: hoje os contras pesam mais para produção. Os controles necessários (log imutável, regiões protegidas, validadores) reintroduzem regras humanas e enfraquecem a premissa de autonomia total. Compromete a adoção prática, não o valor como pesquisa.
✅ Mudaria o balanço: replicação independente, defesas contra injeção persistente, medições de latência e custo.
📊 Infográfico de 47 slides com seções, evidências, glossário e bibliografia.
Você confiaria a memória de trabalho de um agente ao próprio agente?
© Aridio Silva @aridiosilva · Outubro 2026