---
type: Article
title: "GEPA: um novo paradigma para otimização de prompts que supera o Reinforcement Learning"
description: "Você já imaginou treinar um sistema de inteligência artificial sem precisar rodar dezenas de milhares de execuções?"
resource: https://felipecferreira.com.br/biblioteca/genetic-pareto-prompt-optimizer/
generated: { by: process:okf-bridge, at: 2026-09-03T01:38:50Z }
status: stable
sources:
  - id: canonical-html
    resource: https://felipecferreira.com.br/biblioteca/genetic-pareto-prompt-optimizer/
    title: "Página oficial em HTML"
    last_modified: 2026-07-28T17:33:13Z
---

# GEPA: um novo paradigma para otimização de prompts que supera o Reinforcement Learning

Você já imaginou treinar um sistema de [inteligência artificial](https://felipecferreira.com.br/biblioteca/o-que-e-inteligencia-artificial/) sem precisar rodar **dezenas de milhares de execuções**?

Pois é exatamente essa a proposta do **Genetic-Pareto Prompt Optimizer** (**GEPA**), um novo otimizador de prompts que está dando o que falar na comunidade de IA.

A pesquisa foi conduzida por um consórcio de universidades e empresas como UC Berkeley, Stanford, MIT e Databricks, e mostra que **usar linguagem natural para refletir sobre erros e acertos** pode ser mais eficiente do que o tradicional treinamento por Reforço.

Você pode acessar o paper na íntegra, [clicando aqui](https://arxiv.org/pdf/2507.19457).

## O que é o GEPA e por que ele é diferente?

GEPA é a sigla para **Genetic-Pareto Prompt Optimizer**.

Em vez de depender de recompensas numéricas e técnicas de reinforcement learning como o [GRPO](https://felipecferreira.com.br/biblioteca/geometric-mean-policy-optimization/), o GEPA adota uma **abordagem inspirada em evolução genética e reflexão textual**.

*Vaamos Traduzir: ele pega o histórico de tentativas de um sistema (incluindo raciocínios e chamadas de ferramentas), e reflete em linguagem natural sobre o que deu certo ou errado.*

Com base nessa **autoanálise**, propõe novas versões de prompts mais eficazes, e o faz de maneira iterativa, como em um processo evolutivo.

*A cereja do bolo?!*

GEPA faz isso mantendo um conjunto de candidatas de alto desempenho, a chamada **fronteira de Pareto**, garantindo diversidade de estratégias e evitando cair em armadilhas de melhoria local.

**Simplesmente sensacional!!**

## Resultados impressionantes em benchmarks

A equipe por trás do GEPA testou sua abordagem em quatro benchmarks distintos:

* **HotpotQA** (raciocínio multi-hop)
* **IFBench** (instruções com múltiplas restrições)
* **HoVer** (verificação factual)
* **PUPA** (reescrita com preservação de privacidade)

A **imagem abaixo** mostra a performance dos diferentes métodos de otimização de prompts no benchmark **HotpotQA** (à esquerda) e **HoVer** (à direita), utilizando o modelo **Qwen3**8B.

A linha azul representa o **GEPA**, enquanto as linhas verde e laranja indicam os otimizadores MIPROv2 e GRPO, respectivamente.

O gráfico deixa claro que o **GEPA** atinge resultados superiores com muito menos *rollouts*, superando com folga os concorrentes tanto na validação quanto nos testes.

Destaque para a escalada rápida de desempenho do **GEPA** nas primeiras interações, enquanto os demais métodos estagnam mesmo após milhares de execuções adicionais.

Em todos os casos, o **GEPA** superou tanto o **GRPO** (Reinforcement Learning com 24.000 rollouts) quanto o melhor otimizador anterior, o MIPROv2.

**Destaques dos resultados:**

* Obteve **até 20% de vantagem sobre o GRPO**, utilizando até **35x menos rollouts**.
* Superou o MIPROv2 em todos os testes e com ambos os modelos avaliados (Qwen3 8B e GPT‑4.1 Mini).
* Produziu prompts com **mais desempenho e até 9x mais curtos**, o que reduz o custo de execução e latência.

## Como o GEPA funciona na prática?

O GEPA segue uma lógica evolutiva:

1. **Executa o sistema com prompts iniciais**, e avalia os resultados.
2. **Reflete em linguagem natural** sobre o que funcionou ou falhou em cada etapa (inclusive utilizando mensagens de erro de compiladores e outputs de ferramentas).
3. **Gera uma nova versão do prompt** com base nesses aprendizados.
4. Avalia a nova versão e a mantém no "pool" de candidatos apenas se houver melhora mensurável.
5. **Seleciona candidatos de destaque com base em múltiplos critérios**, formando um conjunto diversificado de estratégias vencedoras (a fronteira de Pareto).

Esse processo continua **iterativamente** até que o orçamento de execuções (rollouts) se esgote.

## Exemplo aplicado: melhorando um sistema de resposta multi-hop

Imagine um sistema de Q&A (Question > Answering) que responde perguntas complexas com base em múltiplos documentos.

O prompt original apenas instruía:
*“Dado o campo ‘pergunta’ e o ‘resumo 1’, gere um novo ‘query’.”*

Já a versão otimizada pelo **GEPA** detalha o que é cada campo, quais conexões devem ser inferidas, o que evitar, e até fornece estratégias práticas.

Isso permitiu ao sistema **buscar informações complementares** com precisão, em vez de apenas repetir a pergunta original.

## GEPA: Mais leve, mais rápido e mais barato

Além de mais eficaz, o GEPA gerou prompts até **9x menores que os do MIPROv2**, o que significa:

* Redução de custo em APIs de LLMs (menos tokens enviados)
* Respostas mais rápidas
* Menos complexidade para debugging e manutenção de sistemas

Isso tem **implicações práticas imensas** para startups e empresas que operam sistemas baseados em LLMs sob restrição de orçamento ou tempo de resposta.

## O que isso muda para empresas que usam IA?

Para empresas que treinam agentes baseados em **LLMs**, o **GEPA** representa uma alternativa altamente vantajosa:

* **Não depende de acesso ao peso dos modelos**, o que é útil para APIs fechadas como OpenAI ou Claude.
* **Pode otimizar sistemas compostos com múltiplos módulos**, como pipelines de RAG, chatbots, agentes de atendimento, ferramentas de código e mais.
* **Oferece adaptação em tempo de inferência**, o que abre portas para otimizações mesmo sem necessidade de treinamento completo.

## O que nos Aguardo o Futuro com o GEPA?

A pesquisa sugere que o **GEPA** também pode ser utilizado como uma técnica de *search* em tempo real, como em tarefas de geração de código.

Em testes com GPT-4o, o GEPA conseguiu gerar kernels CUDA e NPU com desempenho superior a 70% de utilização vetorial, isto é, algo que agentes tradicionais não alcançaram, mesmo com múltiplas tentativas.

A evolução orientada por reflexão e diversidade parece ser uma chave promissora para o futuro da IA.

Ao invés de somente aprender com números, o GEPA nos mostra como modelos podem aprender com... **palavras.**

## Conclusões: um passo adiante na era dos agentes otimizáveis

O GEPA marca uma mudança de paradigma na forma como sistemas de IA são ajustados e otimizados.

Ele não apenas alcança **melhores resultados**, como também faz isso com **menor custo computacional** (olhar atento pra eficiência de automações aqui), menos tempo e com prompts mais claros.

Se você trabalha com agentes autônomos, sistemas de atendimento, pipelines de NLP ou automação de tarefas com LLMs, vale a pena estudar a fundo essa abordagem.

***Lembrando**, o link do paper tá logo no início desta revisão!*

Não Ignore IA, e se quiser ficar na fronteira do desenvolvimento, novidades e aplicações práticas de mercado, cola aqui.

**S2**