# Dory1.0-4B aumenta a precisão com computação repetível

> O modelo de 4 bilhões de parâmetros pode executar várias vezes o mesmo bloco durante a inferência, trocando computação extra por maior precisão em benchmarks, sem aumentar o cache KV.

Oossa · 2026-11-04 · https://oossa.com/pt/dory1-0-4b-uses-repeatable-computation-to-boost-accuracy

Pesquisadores apresentaram o Dory1.0-4B, um modelo de linguagem com 4 bilhões de parâmetros cujo bloco compartilhado pode ser executado várias vezes durante a inferência. Assim, um único checkpoint pode usar diferentes quantidades de computação, sem exigir um modelo maior separado para cada orçamento.

O artigo relata que usar dois ou mais ciclos superou vários modelos maiores na média de 12 benchmarks. Com quatro ciclos, o Dory gerou de 1,3 a 2,5 vezes menos tokens em benchmarks agênticos do que com um ciclo. Segundo os pesquisadores, o espaço ocupado pelo cache KV do modelo permanece igual qualquer que seja o número de ciclos, e foram disponibilizados checkpoints em quatro formatos.

## Os fatos

- Pré-treinado com 6 trilhões de tokens; o contexto foi ampliado para 256K tokens.
- Há checkpoints abertos disponíveis nos formatos BF16, MXFP8, NVFP4 e GGUF.

## Por que importa

Para desenvolvedores que escolhem um modelo aberto, o Dory oferece uma maneira de usar mais computação durante a inferência sem aumentar o espaço ocupado pelo cache KV. No entanto, os ganhos relatados em benchmarks vêm do artigo e não comprovam resultados em todas as aplicações.

## Fontes e referências

1. [Dory1.0-4B: A Looped Normalized-GPT](https://arxiv.org/abs/2611.03998) – arXiv, 2026-11-04

Última atualização: 2026-11-04