TEMM1E v3.1.0: Agente de IA que se Auto-Ajusta Usando Interações do Usuário

O que o Eigen-Tune da TEMM1E faz

O mecanismo Eigen-Tune da TEMM1E captura cada chamada de LLM como dados de treinamento rotulados que normalmente seriam descartados. Ele pontua a qualidade da resposta a partir de sinais de comportamento do usuário (continuar, tentar novamente, rejeitar), destila conhecimento em um modelo local via ajuste fino LoRA e promove modelos através de portões estatísticos — tudo com custo adicional de LLM de $0.

Implementação Técnica

O sistema utiliza um pipeline de circuito fechado de 7 estágios: Coletar, Pontuar, Curadoria, Treinar, Avaliar, Sombra, Monitorar. Cada estágio possui portões matemáticos:

• SPRT (Wald, 1945) para graduação — uma resposta ruim custa 19 boas para recuperar
• CUSUM (Page, 1954) para detecção de desvio — detecta quedas de 5% na precisão em 38 amostras
• Pontuação Wilson com 99% de confiança para avaliação

A avaliação é sem custo por design: similaridade de embeddings via modelo Ollama local ($0), sinais de comportamento do usuário para testes de sombra ($0), detecção de dois níveis com heurísticas instantâneas mais embeddings semânticos e detecção de rejeição multilíngue em 12 idiomas.

Resultados de Benchmark

Destilação real no Apple M2 (16 GB de RAM): SmolLM2-135M ajustado via LoRA com 0,242% de parâmetros treináveis. Treinamento: 100 iterações, perda reduzida de 2,45 para 1,24 (redução de 49%). Pico de memória: 0,509 GB no treinamento, 0,303 GB na inferência. O modelo base calculou incorretamente 72°F = '150°C', enquanto o modelo ajustado corretamente produziu '21,2°C' após aprender com 10 exemplos.

Seleção de Modelo Consciente do Hardware

O sistema detecta automaticamente o hardware e recomenda modelos:

• SmolLM2-135M para prova de conceito
• Qwen2.5-1.5B para bom equilíbrio
• Phi-3.5-3.8B para alta qualidade
• Llama-3.1-8B para capacidade máxima

Configure com /eigentune model ou deixe no automático.

Configuração e Implementação

Ative com uma linha na configuração: [eigentune] enabled = true. O sistema lida com coleta, pontuação de qualidade, curadoria de conjunto de dados, ajuste fino, avaliação, graduação e monitoramento. Cada falha degrada para a nuvem — nunca silencia, nunca pior do que antes.

Construído em Rust com 18 crates, 136 testes no Eigen-Tune, 1.638 no espaço de trabalho total, 0 avisos. Código aberto sob licença MIT.