LLMs de Agente Único Superam Sistemas Multiagente em Raciocínio de Múltiplas Etapas sob Orçamentos de Tokens de Pensamento Iguais

Após dedicar várias entradas de log a arquiteturas de debate multiagente e guardrails, eu quis testar o limite da premissa: orquestrar múltiplos LLMs realmente nos proporciona um raciocínio melhor ou estamos apenas gastando mais computação? Dat Tran e Douwe Kiela, de Stanford, perguntam exatamente isso em um preprint postado em abril de 2026, e a resposta é desconfortável para os evangelistas do multiagente.

O artigo

"Single-Agent LLMs Outperform Multi-Agent Systems on Multi-Hop Reasoning Under Equal Thinking Token Budgets" (arXiv:2604.02460) apresenta um ponto metodológico enganosamente simples: quase todos os benchmarks multiagente comparam um único agente contra um sistema multiagente que utiliza significativamente mais computação. Uma vez que você mantém o orçamento de tokens de pensamento constante — igualando os tokens de raciocínio intermediários, excluindo prompts e respostas finais — os agentes únicos igualam ou superam os sistemas multiagente em tarefas de raciocínio de múltiplas etapas (multi-hop).

Os autores enquadram isso com um argumento da teoria da informação via Desigualdade de Processamento de Dados (DPI). Quando um agente passa uma mensagem para outro, o agente receptor trabalha a partir de uma versão processada do contexto original, não do contexto em si. A informação só pode ser perdida ou permanecer a mesma nessa cadeia — nunca ganha. A DPI, portanto, prevê que a decomposição multiagente introduz gargalos de comunicação inevitáveis, e os sistemas multiagente só podem superar os agentes únicos quando a utilização efetiva do contexto de um único agente já está degradada.

Ideias-chave

• O estudo controla os "tokens de pensamento" — apenas tokens de raciocínio intermediários — em seis orçamentos de tokens de 100 a 10.000, usando três famílias de modelos: Qwen3-30B, DeepSeek-R1-Distill-Llama-70B e Gemini 2.5.
• Cinco arquiteturas multiagente são avaliadas: sequencial, subetapa-paralela, papéis-paralelos, debate e ensemble.
• Os benchmarks utilizados são FRAMES (824 perguntas desafiadoras de múltiplas etapas que exigem integração de múltiplas fontes) e MuSiQue (perguntas de conhecimento de mundo de 4 etapas).
• Os sistemas de agente único (SAS) alcançaram a precisão mais alta ou estatisticamente equivalente em quase todas as condições de orçamento correspondente. A precisão do SAS variou de 0,280 a 0,427 entre os orçamentos; variantes multiagente (MAS) comparáveis tiveram média de 0,280 a 0,420.
• O modo de falha característico para MAS é a sobre-exploração e a deriva: os agentes exploram sub-questões sem poda e perdem o rastro da consulta original. O SAS mantém uma ancoragem lexical mais forte à pergunta original.
• A previsão da DPI se confirma empiricamente: sob pesada degradação de contexto (mascaramento ou substituição em α=0,7), os sistemas multiagente tornam-se competitivos — mas apenas nesse caso.

O que se sustenta — e o que não se sustenta

A metodologia central é o passo correto. A área tem um problema de reprodutibilidade com benchmarks multiagente justamente porque a computação raramente é mantida constante, e a insistência dos autores em orçamentos de pensamento equalizados é uma contribuição genuína. O enquadramento da DPI é limpo, e a previsão experimental que ele gera — MAS ajuda quando a utilização do contexto falha — é verificada em três famílias de modelos, o que adiciona credibilidade.

Dito isso, várias lacunas importam. O artigo avalia apenas o raciocínio de múltiplas etapas baseado em texto. Ele exclui explicitamente o uso de ferramentas, execução de código e tarefas de visão. Essa exclusão é significativa: a maioria dos sistemas multiagente em produção que as pessoas realmente implantam não está fazendo QA de texto puro, mas orquestrando chamadas de ferramentas, consultas de API ou intérpretes de código entre agentes. O argumento da DPI sobre a passagem de mensagens entre agentes é teoricamente aplicável a esses cenários, mas a afirmação empírica não foi validada neles.

O controle do orçamento de tokens do Gemini é reconhecido como aproximado — os autores desenvolveram uma variante SAS-L especial com prompting estruturado porque o canal de pensamento do Gemini parecia subutilizado no modo de agente único padrão. Esse é um fator de confusão que vale a pena examinar. Se a contabilidade de tokens de pensamento não for confiável para uma das três famílias de modelos, a afirmação de equalização de orçamento torna-se mais difícil de interpretar.

Dois benchmarks também é pouco para uma afirmação arquitetônica geral. O FRAMES tem apenas 824 perguntas; o MuSiQue é um benchmark padrão, mas não cobre toda a diversidade de estruturas de múltiplas etapas. E o artigo não aborda como a lacuna entre único e multi muda à medida que a capacidade do modelo escala — o resultado pode ser uma propriedade dos tamanhos atuais dos modelos, em vez de uma descoberta arquitetônica fundamental.

Por que isso importa para a IA financeira

A conexão com o Bean Labs é real, mas precisa de precisão. Para um agente de gravação (write-back) do Beancount, a arquitetura na qual estou mais interessado é um par redator-verificador: um agente gera uma entrada contábil, outro a verifica quanto à conformidade com as políticas antes de consolidar. Isso não é QA de texto de múltiplas etapas — é um pipeline sequencial de uso de ferramentas onde o verificador está examinando um artefato proposto, em vez de reprocessar o mesmo contexto original. O argumento da DPI aplica-se vagamente: um agente de verificação separado trabalhando a partir da entrada proposta ainda não pode recuperar fatos que o redator descartou. Mas o gargalo na prática é a recuperação de regras de política e a correção aritmética, não a perda de informação entre mensagens.

Onde este artigo atinge mais diretamente é nas arquiteturas de debate consideradas em logs anteriores (Du et al., M3MAD-Bench). Se o objetivo é um par de agentes em debate para capturar erros no livro razão, e se ambos os agentes têm o mesmo orçamento total de pensamento que um único agente com raciocínio estendido, as evidências aqui sugerem que a abordagem de agente único é mais confiável. A descoberta de que o MAS é competitivo apenas quando o contexto está fortemente degradado também importa: para entradas do Beancount bem estruturadas, onde o contexto é limpo e bem formatado, a vantagem do agente único deve se manter.

A lição prática é suspeitar da complexidade multiagente, a menos que você tenha um motivo específico para acreditar que a utilização do contexto é o gargalo. Para a maioria das tarefas de QA em livros contábeis, provavelmente não é.

O que ler a seguir

• Mixture-of-Agents Enhances Large Language Model Capabilities (arXiv:2406.04692) — o artigo cujas afirmações no AlpacaEval este estudo desafia mais diretamente; vale a leitura para entender exatamente quais suposições de orçamento foram feitas.
• "Rethinking the Bounds of LLM Reasoning: Are Multi-Agent Discussions the Key?" (arXiv:2402.18272, ACL 2024) — uma versão anterior essencialmente da mesma descoberta: um agente único com bons prompts iguala a discussão multiagente; útil para ver como a crítica evoluiu.
• Literatura sobre escalonamento de computação em tempo de teste (DeepSeek-R1, OpenAI o1 system card) — a questão mais ampla é onde a computação de inferência adicional realmente ajuda, e a cadeia de pensamento (chain-of-thought) estendida dentro de um único modelo pode ser a resposta mais robusta.