Pular para o conteúdo
NovidadesIA

Modelos e LLMs

Microsoft lança FrogNano de 4 bilhões de parâmetros para editar código

Treinado com reforço em 1.500 tarefas sintéticas, o sistema usa o ambiente Leaf para inspecionar repositórios e sugerir correções sem imitar modelos maiores.

Edição: Anderson Gomes · texto gerado por IA
· 3 min de leitura

Modelos

Texto gerado por IA, com revisão automática. Esta matéria foi escrita por um modelo de linguagem a partir da fonte indicada e passou por verificações automáticas de formato, de voz e de título; não houve leitura humana antes da publicação. Como funciona o método · Fonte original: Página do modelo no Hugging Face

A Microsoft lançou em 22 de setembro de 2026 o FrogNano, um modelo de 4 bilhões de parâmetros projetado para localizar falhas, editar arquivos e resolver problemas em repositórios de código. O sistema trabalha conectado ao harness Leaf, uma estrutura de cinco ferramentas que executa comandos de terminal e aplica testes automatizados a partir de instruções em linguagem natural. Em vez de copiar sistemas maiores, a equipe treinou o modelo apenas com aprendizado por reforço. A ferramenta atende quem programa no terminal.

Treino descarta imitação de sistemas gigantes

O projeto toma como base o Qwen/Qwen3.5-4B e preserva sua arquitetura densa de 32 camadas, estruturada na combinação entre Gated DeltaNet e mecanismos de atenção com portas. Embora o ponto de partida original inclua módulos para leitura de imagem e vídeo, a Microsoft descartou as entradas visuais e não oferece suporte para essas mídias. O modelo processa exclusivamente texto. O sistema recebe pedidos em linguagem natural, arquivos de código-fonte e retornos textuais gerados pelos utilitários do sistema operacional.

A fase de pós-treinamento ocorreu entre junho e agosto de 2026 com o gerador TaskPilot, responsável por produzir e calibrar cerca de 1.500 tarefas sintéticas de engenharia de software contra a política em desenvolvimento. A Microsoft não utilizou trajetórias de raciocínio, ações prévias nem correções prontas extraídas de modelos mais potentes. Em vez de destilar respostas alheias, o treinamento utilizou recompensas práticas baseadas na aprovação de testes executados ao longo de fluxos de trabalho completos. O modelo aprendeu testando o próprio código.

Formato enxuto viabiliza testes em máquinas locais

Para colocar o agente em ação, o programador conecta o modelo ao harness Leaf, que reúne cinco ferramentas para inspecionar diretórios, pesquisar arquivos, editar linhas de código, acionar comandos de shell e rodar testes. A configuração validada sustenta uma janela de contexto combinada de aproximadamente 131 mil tokens, além de gerar até 8.192 tokens por turno do assistente para refinar correções em vários arquivos. A distribuição traz apenas dois arquivos em formato safetensors. Essa entrega facilita testes locais.

Com 4 bilhões de parâmetros na escala de 500 milhões a 5 bilhões, os pesos rodam em computadores de trabalho sem a dependência obrigatória de grandes frotas de servidores em datacenters. O repositório oficial no Hugging Face registrou 581 downloads no mês e 99 curtidas desde a publicação dos arquivos. A página exibe uma discrepância de registro: as etiquetas marcam a licença MIT, enquanto o texto do cartão do modelo adota a Apache License 2.0. As duas opções autorizam o uso comercial.

A documentação ressalta que o usuário precisa manter os avisos de direitos autorais herdados do Qwen e alerta para limites práticos da ferramenta. A base de treinamento prioriza projetos escritos em Python com explicações em inglês, além de exibir alta sensibilidade à qualidade das suítes de teste. O harness Leaf restringe a execução dos comandos a um ambiente isolado e não aplica alterações no repositório final de forma autônoma. O desenvolvedor deve validar tudo manualmente.

  • mit
  • microsoft
  • Modelos e LLMs
  • HuggingFace Models

Mais em Modelos e LLMs

Ver a editoria