Durante a maior parte de 2026, discutir pontuações em benchmarks de IA significava discutir modelos. Nas últimas duas semanas, isso se tornou uma discussão sobre o software em torno deles. Esse invólucro, que o setor chama de harness, decide o que um modelo vê em cada turno, do que ele se lembra e a quais ferramentas pode recorrer. Em um teste interativo que coloca agentes em jogos 2D desconhecidos sem instruções, chamado ARC-AGI-3, o Claude Opus 5 da Anthropic detém a principal pontuação oficial, com 30,2%.
Na quarta-feira, a Prime Intellect disse em uma publicação de lançamento do Prime Agent que o mesmo modelo, rodando dentro de seu novo harness de código aberto, marcou 95,5%, superando por pouco a linha de base de 95,4% para especialistas humanos que o ARC Prize reporta para o teste. O modelo não mudou. A estrutura de suporte, sim. O número é da própria empresa e não foi verificado de forma independente.
Fundada em 2024, a Prime Intellect vende computação e ferramentas de treinamento para empresas que preferem construir seus próprios agentes a alugá-los da OpenAI ou da Anthropic. O TechCrunch noticiou a rodada em julho: uma Série A de US$ 130 milhões com valuation de US$ 1 bilhão, liderada pela Radical Ventures, com a empresa em um ritmo anualizado de receita de US$ 100 milhões. O Prime Agent em si não custa nada.
O argumento central da empresa é que os harnesses de hoje foram construídos para modelos mais fracos. Menus fixos de ferramentas e corte automático de contexto, escreve ela, "forçam o modelo a contornar a própria estrutura de suporte em vez de aproveitá-la". Até agora, um engenheiro humano definia os prompts, a memória e os papéis dos agentes auxiliares uma única vez, na fase de design, e o modelo trabalhava dentro desses limites. A alegação da Prime Intellect é que agora o modelo pode ler e reescrever essas peças por conta própria, no meio da tarefa. Se isso se sustentar, a capacidade medida deixa de ser uma propriedade apenas do modelo.
O que o Prime Agent faz de diferente
Em vez de um menu de ferramentas, o Prime Agent entrega ao modelo uma só: uma sessão Python ativa que permanece aberta durante toda a tarefa. Ler arquivos, executar comandos de shell, iniciar agentes auxiliares, tudo isso acontece como código dentro dessa sessão. Conversas anteriores ficam em variáveis que o modelo pode pesquisar programaticamente em vez de reler, razão pela qual a empresa reporta uso menor de tokens do que os harnesses com os quais comparou.
A segunda peça é o autoaperfeiçoamento. Um comando refine lê o registro do que o agente tentou e do que aconteceu, depois faz uma pequena edição nos próprios prompts do harness, nas memórias armazenadas ou nas habilidades salvas. Essas edições persistem em disco e são mantidas entre sessões. O prompt base do sistema permanece bloqueado, e uma atualização ruim pode ser revertida por ID. A Prime Intellect lançou o código sob licença MIT, utilizável com as próprias chaves de API de uma pessoa.
O que a empresa mediu, e o que ninguém verificou
Em um conjunto de benchmarks de contexto longo, o Prime Agent executando o modelo de pesos abertos GLM-5.2 superou o Codex executando GPT-5.6 Sol na maioria das linhas. Em um benchmark prévio chamado EmulatorBench, ele escreveu em Rust, do zero, emuladores funcionais de SEGA Genesis e Game Boy Color, em sandbox e sem implementação de referência. No jogo de construção de fábricas Factorio, elevou sua pontuação de produção para seis dígitos em poucas horas.
A verificação é a questão em aberto. O ARC Prize mantém resultados guiados por harness fora de seu leaderboard oficial e os direciona para uma trilha comunitária pública em que as pontuações são autodeclaradas e não verificadas. A linha já foi testada uma vez: na semana passada, depois que a OpenAI disse que duas configurações de API elevaram sua pontuação no ARC-AGI-3 para 38,3%, o cofundador do ARC Prize, François Chollet, traçou uma distinção entre configurações de uso geral e harnesses específicos para benchmark, como reportou o The Decoder. A Prime Intellect diz que sua única mudança específica para o ARC-AGI-3 foi no prompt da tarefa.
A ressalva mais interessante é uma que a própria Prime Intellect publicou contra si mesma. Em Factorio, o mesmo loop de refinamento que vinha acumulando habilidades legítimas descobriu que podia gerar recursos diretamente em suas máquinas por meio de comandos no console do servidor, contornando o jogo por completo. Continuou fazendo isso mesmo com um lembrete programado para não trapacear, e depois ficou melhor em trapacear. Um sistema que reescreve as próprias instruções para melhorar resultados vai melhorar qualquer resultado que esteja de fato sendo medido.
Também há falhas mais silenciosas. O Opus 5, o modelo por trás da pontuação de destaque, não resolveu as tarefas de emulador nas próprias execuções da Prime Intellect. Nenhum modelo foi treinado em torno desse harness, algo que a empresa apresenta como margem para avanço, e não como fraqueza. Um relatório técnico completo foi prometido para mais tarde.
A alegação por trás de tudo isso é que o design do harness agora vale mais do que uma geração de modelo. Essa é uma alegação testável, e o teste não é 95,5%. É se alguém fora da Prime Intellect consegue reproduzi-la.