
No dia 27 de outubro, o Google Research publicou o "sleep framework", método em que um modelo de linguagem consolida, numa fase offline agendada, o que aprendeu em uso nos pesos de longo prazo. A leitura do autor do post: esse é o próximo formato de atualização do Google, muda o que o modelo acredita em vez do índice e chega sem nenhum anúncio.
No dia 27 de outubro, Ali Behrouz e Vahab Mirrokni, do Google Research, publicaram o sleep framework, um método que dá ao modelo de linguagem uma fase offline agendada, na qual ele move para os pesos de longo prazo o que captou durante o uso e depois ensaia com dados que ele mesmo gera. A versão viral da história diz que o modelo se torna mais inteligente sozinho, mas o próprio post afirma algo mais preciso: o método opera dentro de uma arquitetura fixa, sob regras de treinamento definidas por humanos, de modo que nada se modifica sem supervisão. O que a leitura viral perde é a parte que interessa: se esse design for lançado, o conhecimento dentro dos modelos do Google para de ser congelado num cutoff e passa a ser atualizado num ciclo que ninguém fora do Google verá.
Em março, o autor argumentou que o cutoff de treinamento já virou fator de ranqueamento, porque conteúdo de cada lado do cutoff vive em sistemas diferentes, com comportamentos de confiança diferentes, e sugeriu timing de afirmações importantes para chegarem antes dos grandes treinamentos. Esse conselho assumia que o cutoff era um muro com data. O post descreve um muro que se move sozinho, sem data: o próximo formato de atualização do Google, que muda o que o modelo acredita em vez de como o índice é ranqueado, e chega sem anúncio porque não há evento a anunciar.
O que o Google publicou é um ciclo de vida em duas fases. Na fase de "wake" (desperto), o modelo recebe entrada e guarda a informação nova em componentes de memória rápida e de curto prazo, algo como o que o contexto faz hoje. Na fase de "sleep" (sono), ele para de receber entrada e roda dois estágios. O primeiro é a consolidação: o modelo libera novos especialistas de baixa ordem, antes dormentes, dentro de uma arquitetura mixture-of-experts, os atribui a blocos de memória de atualização mais lenta e destila os rastros de curto prazo para eles num processo que os autores chamam de knowledge seeding, ou seja, os fatos novos ganham parâmetros novos em vez de sobrescrever os antigos. Depois, os parâmetros temporários são reiniciados para liberar a capacidade. O segundo estágio é o que os autores chamam de "dreaming" (sonho): o modelo gera amostras sintéticas roteando aleatoriamente entre os especialistas, de modo que conhecimento de domínios diferentes se mistura, filtra as amostras com um método de seleção baseado em gradiente e ajusta o modelo nas que sobrevivem.
Os resultados reportados vêm de quatro cenários: tradução sequencial para línguas que o modelo nunca tinha visto, em que o ajuste fino padrão e as abordagens in-context esqueciam as línguas anteriores e o modelo do sleep manteve queda de desempenho próxima de zero; recall num benchmark de contexto longo de até dez milhões de tokens; incorporação de conhecimento factual a partir de trechos de documento, em que o modelo do sleep venceu o ajuste fino supervisionado e um método anterior de auto-edição; e raciocínio matemático num modelo base aberto de 8 bilhões de parâmetros. O paper que embasa o método está no arXiv desde junho e no OpenReview desde setembro de 2025: o blog do Google é a decisão de dizer isso em voz alta, não uma descoberta.
Isso não é um evento isolado. Os mesmos autores publicaram Nested Learning em novembro de 2025, com a arquitetura Hope e a ideia de um sistema de memória em contínuo, uma cadeia de blocos de memória que atualizam em frequências diferentes, com os blocos rápidos guardando informação de curto prazo e os lentos guardando conhecimento durável. O sleep framework é o que se constrói quando já existem blocos com taxas diferentes: um horário para mover informação dos rápidos para os lentos. O Titans veio antes do Hope, o Hope veio antes do sleep, e o arco já dura cerca de dois anos.
Mas o post é pesquisa, não produto. Não há nenhuma menção a implantação, prazos ou a qual modelo do Google poderia usar. Os experimentos rodaram em modelos abertos Qwen de 1,7 e 8 bilhões de parâmetros, não no Gemini. Nenhum custo computacional de um ciclo de sleep é reportado, e ninguém fora da equipe replicou os resultados. Nos experimentos, os fatos novos chegam como documentos, não como conversas de usuário ou páginas obtidas por leitura automática da web.
As atualizações já foram uma vez para o silêncio. O Google diz que atualiza a busca milhares de vezes por ano e compartilha só as que considera notáveis, e em uma entrevista de 2022 Danny Sullivan colocou os experimentos e testes de qualidade do ano anterior acima de 800 mil. Os core updates nomeados são a minoria que ganha entrada no dashboard, e tudo o mais chega de forma contínua e silenciosa. A indústria se adaptou construindo um ritual de diagnóstico em volta da minoria anunciada: o tráfego se move, a data é conferida com os rastreadores de update e a atribuição segue.
A busca por recuperação já tinha tomado o mesmo caminho para o frescor: AI Overviews e respostas com base em recuperação puxam páginas novas todos os dias, sem nenhum anúncio. O que o sleep framework muda é a camada que fica silenciosa. Recuperação muda o que o modelo pode consultar. Consolidação muda o que o modelo acredita sem consultar nada. Fato recuperado é citado, matizado e substituível na próxima consulta. Fato consolidado é falado com a confiança de algo que o modelo sabe.
E o que é aprendido vira o novo "estar indexado". O detalhe que o autor não sai de repetir é que a consolidação é seletiva: os autores dizem que o modelo não é pedido para copiar cada detalhe dos rastros de curto prazo para os parâmetros, e o estágio de sonho pontua as próprias amostras com um filtro baseado em gradiente. Isso é uma função de ranqueamento: decide quais fatos o modelo carrega adiante como conhecimento durável e quais deixa expirar. Ser visto na fase de wake não é ser aprendido. Três consequências seguem, e as duas primeiras são inferência do autor a partir do design: o filtro favorecerá fatos consistentes entre fontes, e a versão que é aprendida é a que melhor encaixa, não a que você prefere; o sonho significa que o modelo ensaia com dados que você nunca publicou, e a representação de uma empresa pode mudar sem nenhuma entrada nova de ninguém. E existe uma janela: entre o fato entrar na memória rápida e a próxima consolidação, corrigir é barato, porque nada durável foi escrito. Depois, corrigir um fato falso vira unlearning, e remover um fato específico dos pesos sem danificar o resto segue um problema aberto de pesquisa. O autor chama esse período de janela de consolidação, e a propriedade desconfortável dela é que a duração e o timing são desconhecidos para você.
Sobre o que o provaria errado: se nenhum anúncio de modelo do Google em cerca de 18 meses mencionar atualização periódica entre lançamentos ou aprendizado contínuo em produção, isso continua direção de pesquisa. Se o custo computacional do sleep for comparável a um treinamento, a economia derruba a ideia do ciclo. E se o Google publicar eventos de consolidação como publica core updates, o argumento do silêncio falha, e essa é a menos provável das três, porque o Google nunca publicou mudanças anônimas e disse que não pretende.
A resposta útil, na visão do autor, é parar de construir processo em volta de um evento que pode deixar de existir: audite o que já está paramétrico, por plataforma, perguntando a cada assistente com perguntas que não disparem recuperação e registrando o que ele afirma da sua empresa só de memória. Publique páginas canônicas de fatos: uma página autocontida, datada e declarativa por conjunto de fatos da empresa, sem linguagem de marketing no caminho. Resolva contradições entre os seus próprios domínios e os diretórios que descrevem a empresa. Corrija erros já conhecidos na fonte agora, como explicamos em como corrigir o que a busca por IA erra sobre a sua marca, e depois repita as perguntas para confirmar que a resposta mudou, porque página corrigida e resposta corrigida são eventos diferentes. Troque a forense de eventos por monitoramento de tendência: se o conhecimento chega de forma contínua, a pergunta deixa de ser "qual update causou isso" e passa a ser "quando a deriva começou e quais fatos se moveram", o que exige amostrar respostas num intervalo fixo e comparar ao longo do tempo. Aposente a data de cutoff como campo estático do relatório e acompanhe, por plataforma, a evidência de renovação. E fique de olho no aviso: qualquer linguagem de Gemini ou Vertex sobre modelos que continuam aprendendo, que atualizam entre versões ou que aprendem com documentos da sua organização é a primeira peça desse design chegando, e ela virá descrita como recurso, não como update.
O calendário que considera cutoff, sugerido pelo autor em março, ainda vale para o próximo grande treinamento, porque eles seguem acontecendo. O que muda é a meia-vida da palavra paramétrico. A suposição mais segura é que o que o modelo sabe sobre você está sendo revisado num horário que você não vê, por um filtro que você não inspeciona, e que o único observável é a resposta. O post é de Duane Forrester, publicado originalmente no Substack dele, Duane Forrester Decodes.
"Being seen during wake is not being learned."Duane Forrester, Search Engine Journal (19/11/2026) · original
Para o mercado brasileiro, a mudança troca o objeto do trabalho: o SEO deixa de ser só sobre o índice e passa a incluir a memória do modelo, e o time que começar a amostrar as respostas sobre a empresa antes dos concorrentes terá vantagem quando o efeito aparecer.
Na prática:
Radar de oportunidade: Dor: o tráfego cai e ninguém sabe se foi update, concorrente ou o que a IA passou a acreditar sobre a marca. Desejo: saber o que o assistente diz da empresa e por que mudou. Objeção: "assistente ainda não gera demanda suficiente para monitorar". Modelo de negócio: monitoramento mensal de respostas, com amostragem de prompts e diferença entre períodos. Aplicação no Brasil: o custo é baixo e o diferencial é a constância, e a primeira empresa a entregar o "relatório do que a IA diz sobre você" vira referência no setor.
Se a sua pergunta depois de cada queda é "foi o Google?", o audit SEO+GEO do Grupo Fornax separa o que é índice do que é memória do modelo. Agende uma avaliação gratuita com a Fornax e receba o mapa do que os assistentes sabem da sua empresa.
Quero saber onde meu site aparece nas IAs →Receba as notícias do Radar GF por e-mail: o que está movendo o mercado global de SEO, GEO, IA, marketing e vendas, traduzido para o português e com a análise do Grupo Fornax, direto na sua caixa de entrada.
Quer levar esse conhecimento para o seu negócio? O Grupo Fornax é assessoria de marketing digital: SEO, GEO/AEO (visibilidade nas IAs), tráfego pago, social media e estratégia de vendas. Fale com a equipe e contrate o serviço que o seu momento pede.
Não, pela leitura do autor. A tese é que o próximo formato de atualização muda o que o modelo acredita na memória de longo prazo, e não a ordem dos resultados no índice, e não será anunciada porque não há evento a anunciar.
Não. O post descreve pesquisa, não produto: não há menção a implantação, prazos ou a qual modelo seria aplicado, e os experimentos rodaram em modelos abertos Qwen de 1,7 e 8 bilhões de parâmetros, não no Gemini.
É o período entre o fato entrar na memória rápida e a próxima consolidação: enquanto dura, corrigir um erro é barato, porque nada durável foi escrito. Depois, corrigir vira unlearning, e remover um fato específico dos pesos do modelo sem danificar o resto segue um problema aberto de pesquisa.
Auditar o que já está paramétrico, perguntando aos assistentes sem gatilho de recuperação, publicar páginas canônicas de fatos, resolver contradições entre os próprios conteúdos e diretórios, corrigir erros conhecidos na origem e depois retestar as respostas, e trocar a forense de eventos por amostragem periódica.