Blobfish AI

O Blobfish AI ataca um gargalo específico do pós-treinamento de agentes: montar o primeiro conjunto de tarefas é administrável, mas reconstruir o seguinte depois que o modelo melhora não é. Quando um modelo supera um currículo, aquelas tarefas deixam de ensinar algo, e reunir novas por meio de entrevistas com especialistas e sandboxes feitos à mão pode levar meses. O Blobfish substitui esse reinício manual por um ciclo de geração contínua.

Cada ambiente é um mundo funcional, não um conjunto de dados estático. Ele inclui registros, arquivos e estado conectados que se comportam como um local de trabalho real; servidores MCP simulados com uma CLI de agente uniforme cobrindo CRM, ERP e planilhas; fluxos de trabalho fundamentados com dificuldade ajustável e resultados conhecidos; e verificadores determinísticos que checam se o agente mudou o mundo corretamente. Como o estado final esperado é gerado antes da própria tarefa, a verificação não depende de um juiz de IA.

O método de geração é resumido como "gerar para frente, redigir para trás": construir o mundo simulado, mapear um grafo de interações válidas entre ferramentas, amostrar um caminho viável de chamadas com estado final conhecido e então escrever a solicitação de usuário que naturalmente exigiria esse caminho. A empresa relata experimentos iniciais gerando 2.000 ambientes específicos de domínio para treinar um modelo de 14 bilhões de parâmetros que superou um modelo DeepSeek muito maior em benchmarks de MCP. O público são equipes de pós-treinamento e pesquisa, não usuários finais, então a relação começa com uma conversa em vez de cadastro autosserviço.