Treinar um modelo de código para pintar aguarelas com TRL e OpenEnv

A exploração técnica conduzida por Sergio Paniego, publicada a 3 de setembro de 2026, propõe uma metodologia aberta para treinar modelos de linguagem na criação de aguarelas digitais. O projeto baseia-se na premissa de que um modelo pode aprender a escrever código JavaScript, utilizando a biblioteca p5.brush, para executar pinceladas virtuais que mimetizam a estética da pintura tradicional. Esta iniciativa surge na sequência de um vídeo de Surya Narreddi, que demonstrou a capacidade de modelos de linguagem em gerar composições artísticas através de instruções de programação, desafiando a perfeição estatística comum nos modelos de imagem atuais.

O trabalho de Paniego destaca-se pela sua natureza aberta, disponibilizando o conjunto de dados de referência, o ambiente de aprendizagem por reforço, os guiões de treino e os modelos resultantes. Todo o fluxo de trabalho foi executado na infraestrutura da Hugging Face, integrando ferramentas como o TRL (Transformer Reinforcement Learning) e o OpenEnv. Esta transparência permite que outros investigadores repliquem o processo, utilizando comandos específicos para lançar o treino em ambientes de computação na nuvem, com a possibilidade de ajustar variáveis de recompensa para influenciar o estilo artístico final das obras geradas pelo modelo.

Um dos aspetos desta investigação reside na aplicação da aprendizagem por reforço sobre o gosto estético, em vez de métricas de verificação objetivas. Ao contrário de tarefas de programação tradicionais, onde o sucesso é medido pela execução correta de testes, aqui o modelo é avaliado com base em preferências subjetivas. O sistema de recompensa pondera fatores como a compilação do código, a extensão dos scripts e, crucialmente, uma avaliação comparativa de pares, que tenta quantificar a qualidade visual das aguarelas produzidas, aproximando o processo de treino a uma forma de curadoria artística assistida por algoritmos.

A escolha do meio é fundamental para a compreensão deste projeto. Ao gerar código em vez de píxeis diretos, o modelo produz um artefacto legível e editável, onde cada decisão de pincelada é transparente e pode ser auditada. Esta restrição, que limita o modelo a utilizar apenas dez métodos da biblioteca de desenho, força a IA a encontrar soluções criativas dentro de um conjunto limitado de ferramentas, resultando numa estética que evoca o trabalho manual e imperfeito, em contraste com a uniformidade visual frequentemente associada aos modelos de difusão contemporâneos.

Este projeto estabelece um paralelo com as primeiras fases da arte generativa, onde a exploração do meio era o objetivo central. Ao curar manualmente um conjunto de imagens de referência e treinar o modelo contra essas amostras, o autor procura não apenas replicar um estilo, mas compreender os limites da capacidade de controlo sobre a geração de arte. Embora os resultados sejam promissores, a infraestrutura necessária para este tipo de treino permanece um desafio técnico, sublinhando que a intersecção entre a codificação e a expressão artística continua a ser um campo fértil para a experimentação.