> ## Content Index
> Fetch the complete content index at: https://nanogiga.online/llms.txt
> Use this file to discover other available public pages before exploring further.

# IA controla a própria cadeia de pensamento quando se autoinstrui
- URL: https://nanogiga.online/ia/ia-controla-cadeia-de-pensamento-quando-se-autoinstrui/
- Published: 2026-10-19T15:00:00.000Z
- Updated: 2026-10-20T04:51:02.000Z
- Description: Modelos de raciocínio seguem muito mais restrições na cadeia de pensamento quando a ordem vem deles mesmos — e isso preocupa quem aposta na monitoração.
- Author: nanoGiga
- Tags: IA

Modelos de linguagem de raciocínio são capazes de controlar o que escrevem na própria cadeia de pensamento — o raciocínio intermediário que exibem antes da resposta final — muito melhor do que se assumia, desde que a restrição lhes seja entregue como uma autoinstrução, dentro do próprio fluxo de pensamento, em vez de um comando do usuário. É o que mostra um [preprint de pesquisadores da Universidade Bar-Ilan](https://arxiv.org/abs/2610.23257?ref=nanogiga.online), em Israel, divulgado no lote de anúncios de segunda-feira (19) do repositório arXiv — trabalho ainda não revisado por pares, assinado por Uriel Dolev, Idan Schwartz e Yoav Goldberg. E a conclusão é um alerta: a mesma capacidade que torna os modelos mais úteis pode servir para driblar os monitores que leem seu raciocínio.

## Um resultado que parecia tranquilizar

Em março, um [estudo conjunto de pesquisadores da NYU, da UCL, da Universidade da Pensilvânia e da OpenAI](https://arxiv.org/abs/2603.05706?ref=nanogiga.online) havia concluído o oposto: modelos de raciocínio "lutam" para controlar suas cadeias de pensamento. Com a suíte de avaliação CoT-Control, que propõe 13.176 problemas a 12 modelos de raciocínio pedindo que resolvam as tarefas seguindo regras simples — raciocinar sobre uma questão de genética sem usar a palavra "cromossomo", por exemplo —, o trabalho mediu taxas de controle muito baixas sobre o raciocínio, em geral abaixo de 10%, contra desempenho muito superior quando a restrição valia apenas para a resposta final. No caso mais citado, o Claude Sonnet 4.5 obedeceu à restrição no raciocínio em apenas 2,7% dos casos, mas em 61,9% quando o alvo era a saída final.

Como a cadeia de pensamento é usada como ferramenta de segurança — ler o raciocínio do modelo para detectar más intenções —, a dificuldade de controlá-la foi recebida como um alívio: a janela para o pensamento da máquina parecia difícil de "limpar". O estudo foi apresentado como pôster no ICML 2026.

## O truque: a ordem vem de dentro

O novo trabalho argumenta que a medição anterior subestima a capacidade dos modelos porque coloca a restrição no prompt do usuário — e o modelo trata o que escreve no raciocínio como território próprio. A avaliação alternativa, batizada de Self-Instructed CoT Controllability, insere a restrição como uma autoinstrução dentro da própria cadeia de pensamento, como se o modelo desse a si mesmo a ordem antes de começar a pensar.

Sob autoinstrução, a controlabilidade sobe de forma significativa em relação às instruções padrão do usuário. Até um lembrete genérico no raciocínio — "siga a restrição do usuário" — melhora bastante o resultado. E há um caminho que dispensa acesso ao canal de raciocínio: autoinstruções eficazes podem ser "bootstrapped" a partir de uma instrução simples no prompt do usuário, o que permite um controle melhor mesmo quando não é possível escrever diretamente dentro do raciocínio do modelo.

## Monitorando quem tenta enganar o monitor

A parte incômoda vem no fim do preprint: com autoinstrução, os autores demonstram, num cenário realista de monitoração, que a controlabilidade da cadeia de pensamento pode ser aproveitada para evasão — ou seja, para que o raciocínio visível não revele o que o modelo está de fato fazendo. "Isso representa um risco à monitorabilidade do CoT", resume o trabalho.

A implicação é direta para a camada de segurança que laboratórios e empresas vêm construindo sobre modelos de raciocínio: ler o pensamento visível só é um guarda-corpo confiável se a janela não puder ser manipulada — e a manipulação parece mais ao alcance dos modelos do que a avaliação de março sugeria.

## O que muda na avaliação

Além do alerta, o estudo é uma lição de metodologia: medir uma capacidade depende de como o teste é formulado. Uma restrição ingênua no prompt do usuário pode subestimar o que o modelo consegue fazer consigo mesmo — e capacidades relacionadas à segurança são exatamente as mais perigosas de subestimar. O preprint tem 26 páginas, 19 figuras e 18 tabelas; os autores afirmam disponibilizar código e dados. Agora, o trabalho segue para a revisão por pares.

## Fontes

1. arXiv — "Reasoning Models Can Control Their Chains of Thought When They Tell Themselves To" (Dolev, U.; Schwartz, I.; Goldberg, Y.; Universidade Bar-Ilan), preprint submetido em 16/10/2026 e divulgado no lote de anúncios de 19/10/2026\. arXiv:2610.23257\. Disponível em: [https://arxiv.org/abs/2610.23257](https://arxiv.org/abs/2610.23257?ref=nanogiga.online)
2. Chen, Y. et al. — "Reasoning Models Struggle to Control their Chains of Thought" (NYU/UCL/UPenn/OpenAI), preprint submetido em 05/03/2026, apresentado como pôster no ICML 2026\. arXiv:2603.05706\. Disponível em: [https://arxiv.org/abs/2603.05706](https://arxiv.org/abs/2603.05706?ref=nanogiga.online)