O pitch
A safra atual de modelos de raciocínio avançado (GPT-5, Claude 4.5 e Gemini 3) se apresenta como dotada de lógica espacial de nível humano. Testes recentes da comunidade com o “Car Wash Logic Test” sugerem que o bom senso físico continua sendo um gargalo importante para a automação agêntica. Enquanto alguns modelos entendem restrições físicas básicas, outros priorizam a proximidade numérica em vez dos requisitos funcionais.
Por dentro
O Claude 4.5 Opus e o Claude 4 Sonnet identificam corretamente a necessidade física de levar o veículo até o lava-rápido (Mastodon/HN). O Gemini 3 Pro do Google e suas variantes “Fast” também passam nessa verificação de lógica espacial sem problemas (Mastodon/HN). Esses modelos mantêm o vínculo entre a tarefa (lavar o carro) e o estado necessário (o carro estar presente).
O GPT-5.2, apesar de sua alta capacidade de raciocínio, falha com frequência nesse teste ao sugerir que o usuário caminhe 50 m até o lava-rápido sem o veículo (Mastodon/HN). É um caso clássico de “alucinação por excesso de raciocínio”, em que o modelo prioriza a facilidade física de uma caminhada curta em vez do requisito funcional da tarefa. Os pesos do modelo parecem dar peso excessivo à otimização de distância, em detrimento do bom senso.
Também vemos um “viés de ressalva” persistente em todos os modelos SOTA, que qualificam certezas lógicas com expressões como “A maioria dos lava-rápidos...” (HN). Isso decorre de restrições de alinhamento pós-treinamento, pensadas para tornar os modelos menos ríspidos, mas complica workflows agênticos de nível de produção. Se um agente não consegue afirmar com certeza que é preciso um carro para ir ao lava-rápido, não dá para confiar nele para logística autônoma.
Modelos de raciocínio mais antigos, como o o3-mini, só resolvem esses problemas quando o prompt é formulado como uma charada, o que indica falta de base lógica intrínseca (Mastodon/HN).
Nossa opinião
Se você está colocando em produção workflows agênticos que envolvem logística física ou coordenação espacial, o GPT-5.2 é um risco. É tecnicamente brilhante, mas funcionalmente obtuso, um pouco como um dev júnior que otimiza um algoritmo de ordenação enquanto o servidor está literalmente pegando fogo. Fique com o Claude 4.5 Opus para qualquer tarefa em que o “como” físico importe tanto quanto o “o quê”.