Microsoft Mapeia Falhas de Planejamento em Agentes Multilingues, Eleva Precisão em 5.6%

Uma equipe de nove autores da Microsoft Research, University of Edinburgh e parceiros da indústria publicou a primeira taxonomia estruturada de falhas em pipelines de agentes multilingues. O modo de falha não reside na camada de raciocínio do LLM, mas no planejador — o componente que converte intenção do usuário em instruções de sub-tarefas executáveis. O artigo, "An Actionable Diagnosis of Multilingual, Multi-Agent Planning Failures," foi publicado no arXiv em 4 de agosto de 2026, com uma técnica de mitigação chamada TART. TART adiciona 5.6 pontos percentuais de precisão média em GAIA multilíngue em onze idiomas.

Quando uma requisição em idioma não-inglês atinge um pipeline multi-agente, o planejador a analisa e emite um plano estruturado: chamadas de ferramentas, instruções de sub-agentes, parâmetros de API. Se o planejador mal-fundamentar a intenção nesta etapa, agentes downstream executam fielmente o plano errado. Nenhuma exceção é disparada. O agente completa. O resultado está errado. Os autores chamam isso de interface requisição-para-ação. Falhas de planejamento-fundamentação crescem como uma fração do total de falhas conforme você se afasta de idiomas de alto recurso como inglês ou alemão.

A taxonomia decorre de execuções reais que falharam, não de entradas adversariais sintéticas. Os pesquisadores classificaram falhas em rastreamentos de execução, agrupando-as em categorias que os planejadores podem reconhecer e agir. Cada tipo de falha carrega um sinal diagnóstico, tornando a taxonomia "acionável" em vez de post-hoc. Em ambientes de baixo recurso, falhas de planejamento-fundamentação representam a maior e mais rápida crescente fração de execuções malsucedidas.

TART torna as categorias de falha da taxonomia explícitas no prompt do planejador e instruções para agentes downstream. Em vez de retreinar, ele scaffolda ambas as camadas para observar padrões de falha específicos. A avaliação abrange três backbones de LLM, dois datasets (incluindo GAIA multilíngue), e duas configurações agentic. TART eleva o sistema GAIA state-of-the-art em 5.6 pontos percentuais em onze idiomas, de baixo a alto recurso. O ganho se mantém em todos os três modelos — a melhoria não depende de nenhum treinamento multilíngue do provedor único.

Pesquisa LILT separada usando MultiChallenge descobriu que Instruction Retention e Inference Memory caem 3–7% em idiomas não-ingleses mesmo para modelos frontier. Reliable Version Editing colapsa para 32–37% para árabe e coreano versus baselines de inglês muito mais altos. A análise atribui 70–80% da lacuna não-inglesa a limitações fundamentais de modelo — ineficiência de tokenizer e raciocínio centrado em inglês — não artefatos de dados. O benchmark MAPS mostra que sistemas agentic herdam diretamente modos de falha dependentes de linguagem, adicionando invocações de ferramentas incorretas e calibração de confiança degradada no topo das quedas de precisão.

Trabalhos anteriores identificaram degradação dependente de linguagem. Este artigo adiciona um mapa de falha específico do planejador. Saber que seu agente se degrada em japonês não é acionável. Saber que o planejador mal-fundamenta referências de objeto de frases nominais declinadas em parâmetros de ferramentas é. A abordagem de prompt do TART não fechará a lacuna completa — degradação de baixo recurso persiste mesmo com a intervenção — mas fornece um esqueleto diagnóstico que equipes podem estender, logar e triagar. Categorias de taxonomia se tornam campos de primeira classe em rastreamentos de execução, não inferências pós-incidente.

Se você rotear tráfego não-inglês através de um pipeline multi-agente, instrumente saída do planejador como um sinal de primeira classe. Corretude do plano — se o plano emitido corresponde à intenção do usuário fundamentada no idioma de origem — é um modo de falha separado de falha de execução de agente. Misturá-los mascara a fonte de erro dominante em deployments não-ingleses.