O problema com o aprendizado supervisionado e por reforço convencionais é que o sistema fica sujeito a atualizações de gradiente que ele não selecionou a partir de experimentos que ele não projetou. Se o nosso objetivo é "aumentar o tempo de raciocínio", não deveria o agente pensar muito mais sobre como aprende?
Carregando detalhes do thread
Buscando os tweets originais no X para montar uma leitura limpa.
Isso normalmente leva apenas alguns segundos.