--- type: Article title: "Self-MoA: Quando Misturar Modelos de IA Pode Ser uma Má Ideia" description: "A combinação de múltiplos Modelos de Linguagem de Grande Porte (LLMs) em uma única abordagem, conhecida como Mixture-of-Agents (MoA), tem sido uma estratégia amplamente adotada…" resource: https://felipecferreira.com.br/biblioteca/self-moa/ generated: { by: process:okf-bridge, at: 2026-09-03T01:39:02Z } status: stable sources: - id: canonical-html resource: https://felipecferreira.com.br/biblioteca/self-moa/ title: "Página oficial em HTML" last_modified: 2026-08-19T20:10:08Z --- # Self-MoA: Quando Misturar Modelos de IA Pode Ser uma Má Ideia A combinação de múltiplos Modelos de Linguagem de Grande Porte ([LLMs](https://felipecferreira.com.br/biblioteca/o-que-sao-llms-large-language-models/)) em uma única abordagem, conhecida como **Mixture-of-[Agents](https://felipecferreira.com.br/biblioteca/o-que-sao-agentes-de-ia/) (MoA)**, tem sido uma estratégia amplamente adotada para buscar melhorar a geração de respostas obtidas por [inteligência artificial](https://felipecferreira.com.br/biblioteca/o-que-e-inteligencia-artificial/).. No entanto, um estudo recente questiona essa prática, sugerindo que **misturar diferentes modelos nem sempre é um "bom negócio"**.. Seja muitíssimo bem vindo(a) a uma nova revisão de um importante paper publicado em fevereiro de 2025, com o Título original: *Rethinking Mixture-of-Agents: Is Mixing Different Large Language Models Beneficial?* Nossa tradução (didática): Repensando mix-de-agentes: misturar diferentes Large Language Models é realmente benéfico? A pesquisa desenvolvida por **Wenzhe Li et al (2025)**, introduz uma nova abordagem chamada Self-MoA, que propõe que utilizar múltiplas amostras de um único modelo de alto desempenho pode ser mais eficaz do que combinar modelos distintos. Você pode acessar o paper em inglês e na íntegra, [clicando aqui](https://arxiv.org/abs/2502.00674). ## O Mito da Diversidade de Modelos (Mixed-MoA)?! A abordagem tradicional, conhecida como **Mixture-of-Agents (MoA)**, busca combinar as forças de diferentes LLMs para resolver tarefas complexas. A ideia é que, ao reunir uma variedade de "especialistas" (modelos como GPT-4o, Gemini 2.0, Claude Sonnet, DeepSeek V3, etc.), podemos obter um **resultado final superior**, compilando as diferentes respostas para uma única solução. Imagine um comitê de especialistas em diversas áreas, cada um contribuindo com sua expertise para solucionar um problema. Essa é a essência do **Mixed-MoA**. No entanto, o estudo da **Universidade de Princeton** revela que essa busca pela diversidade pode ter um lado negativo: **Qualidade comprometida:** Ao incluir modelos de baixa qualidade na "mistura de inputs, para a versão final", o desempenho geral pode ser prejudicado, pois esta resposta será agregada as demais e pode comprometer a consistência ou razoabilidade das informações. **Trade-off inevitável:** Existe um **equilíbrio delicado entre diversidade e qualidade**. A busca por uma variedade maior de modelos pode inadvertidamente levar à inclusão de opções menos competentes (considerando variáveis como o tamanho do modelo - parâmetros; fine-tuning; penalizações e outros setups que podem estar fora do alcance de ajuste pelo usuário, etc.). ## Compreendendo as Diferenças Práticas entre o MoA, Self-MoA e Self-MoA-Seq Vamos a uma imagem direta do artigo: *Fonte: Wenzhe Li et al (2025).* A imagem acima apresenta uma comparação entre três métodos para agregar respostas de Modelos de Linguagem de Grande Porte (LLMs): ### **(a) MoA (Mixture-of-Agents)** Consulta múltiplos modelos para gerar respostas, isto é, você quer* escrever um post para Blog sobre Jejum Intermitente*. Logo, você elabora um prompt explicando como quer a produção de conteúdo, fornece fontes (pdfs, sites, etc.) e usa o exato prompt para diferentes modelos (GPT, Mistral, Qwen, etc.). Depois de ter todos os potenciais artigos em mãos, você utiliza um **modelo agregador** seleciona e sintetiza a melhor resposta final. **Essa abordagem busca diversidade, mas pode comprometer a qualidade ao misturar modelos inferiores** (ou consideravelmente díspares). ### **(b) Self-MoA** Em vez de misturar modelos diferentes, ele amostra múltiplas respostas do **mesmo modelo de alto desempenho**. Isso reduz a variação de qualidade e melhora a consistência das respostas. No benchmark AlpacaEval 2.0 (avalia a qualidade das respostas de modelos de linguagem de forma comparativa), Self-MoA demonstrou **6,6% de melhora** em relação ao MoA tradicional. Nos conjuntos de dados MMLU (Massive Multitask Language Understanding - avalia o conhecimento geral e a capacidade de raciocínio dos modelos, CRUX (avalia a capacidade dos modelos de justificar suas respostas) e MATH (conjunto de testes focado exclusivamente em problemas matemáticos complexos, abrangendo álgebra, cálculo, probabilidade e geometria), a abordagem garantiu um ganho médio de 3,8% na precisão das respostas ### **(c) Self-MoA-Seq** Uma versão escalável do Self-MoA, onde as amostras são agregadas passo a passo. **Resolve limitações de comprimento de contexto (*context window*)** dos modelos, permitindo uma síntese mais eficiente de múltiplas respostas. Essa comparação ilustra que **priorizar qualidade em vez de diversidade** pode gerar respostas mais precisas e úteis, desafiando a ideia de que misturar modelos sempre traz benefícios. ### Aplicações Práticas e Implicações para o Mercado Recapitulando.. *Felipe, como seria isso na prática?!* Você pode solicitar ao seu modelo de preferência, como o GPT-5.6 Terra para gerar um "mesmo artigo" 5 vezes, sem mudar o prompt (**important!**). Cada versão de saída será (sutilmente) diferente, pois os modelos de IA sempre introduzem variações naturais na geração de texto (característica técnica inata do LLM). *Nota: Essa variação funciona porque os LLMs são probabilísticos, ou seja, mesmo com o mesmo prompt e o mesmo modelo, a resposta pode variar a cada geração, especialmente se usarmos **[temperaturas](https://felipecferreira.com.br/biblioteca/temperatura-em-llms/)**mais altas ou técnicas como **sampling** (o processo em que o modelo de IA escolhe palavras de forma probabilística ao gerar uma resposta*)*.* No final, você pode comparar e combinar as melhores partes das 5 versões, sintetizando o artigo final **manualmente**.. Ou pegar **o mesmo modelo** e solicitar para que ele reajuste uma versão final com as melhores partes (aí vai do seu prompt e da sua habilidade prática em trabalhar com LLMs). *N* um contexto real*, eu também testaria solicitar a um modelo superior para fazer essa "versão final", como o GPT 5.6 Sol ou* Opus 5*(você pode manter ou não a mesma família de modelos).* E o que mais tudo isso significa para o mundo da inteligência artificial e suas aplicações práticas? **Otimização de recursos:** Em vez de investir em uma variedade de modelos, as empresas podem **concentrar seus esforços em aprimorar um único LLM de alta qualidade**. Isso pode gerar economias significativas e simplificar o processo de desenvolvimento, obviamente, desde que o modelo selecionado comporte todas as funcionalidade de atendimento *[multimodal](https://felipecferreira.com.br/biblioteca/multimodalidade-na-inteligencia-artificial/)*. **Aplicações em áreas específicas:** O Self-MoA se mostra particularmente eficaz em tarefas que exigem **alta precisão e consistência**, como: [1] **Análise de dados:** Extrair informações valiosas de grandes conjuntos de dados. [2] **Geração de código:** Desenvolver trechos de códigos, funções, testar e retirar bugs, etc. [3] **Resolução de problemas matemáticos:** Encontrar soluções para desafios complexos. [4] **Produção de conteúdo**: desenvolvimento de roteiros de vídeo, copys para publicidade geral, scripts de vendas, etc. ## Considerações Finais da Revisão do Self-MoA Achei muito interessante esse paper com os achados práticos da pesquisa.. Eu mesmo nunca pensei antes em aplicar esta estratégia para a execução de prompts, apesar de sempre triangular respostas, mais no intuito de** validar a minha ideia e a consistência da informação** nos múltiplos modelos que acesso todos os dias. Principalmente quando o assunto é **matemática e busca por informações na internet**. O que eu costumo falar é que, ter contato todos os dias com tecnologia, ler um pouco sobre os avanços e desenvolvimentos do mercado, abre a nossa mente e o cinto de utilidades para o trabalho real no dia-a-dia com inteligência artificial. E eventualmente, ganhamos mais e/ou trabalhamos melhor. ## Referência LI, Wenzhe et al. Rethinking Mixture-of-Agents: Is Mixing Different Large Language Models Beneficial?arXiv:2502.00674v1 [cs.CL] 2 Feb 2025