A busca neurosymbolic vence pelo mecanismo, não pelo volume de catálogo

O artigo do MarkTechPost sobre a Ontology 1 da Onton relata um modelo de busca neurosymbolic que alcançou precisão média em 10 de 0,630 no Subtext-Decor-90, contra 0,543 para o Google Shopping e 0,469 para a Amazon, indexando cerca de 1 por cento dos seus catálogos. (Michal Sutter, «Onton Releases Ontology 1: A Neurosymbolic Search Model That is 2.7x More Accurate than the World's Best E-commerce Search Engines», MarkTechPost, 2 de agosto de 2026, recuperado em 2026-08-23, https://www.marktechpost.com/2026/08/02/onton-releases-ontology-1-a-neurosymbolic-search-model/). O Honest Architect lê o artigo como o Teorema 3 aplicado à relevância de busca. A propriedade (relevância em consultas com muita intenção como «pet-friendly sectional») é garantida pelo mecanismo (um grafo de conhecimento inspecionável que decompõe predicados vagos em propriedades verificáveis: fibra, trama, construção), não pela afirmação «nós temos um catálogo grande». A Onton indexa 1 por cento do catálogo e vence 52 das 90 consultas diretamente. O volume não é o mecanismo. O grafo é o mecanismo.

Pontos-chave

• O mecanismo é o grafo, não o catálogo. Teorema 3: a propriedade (relevância em consultas com muita intenção) é garantida pelo mecanismo (grafo de conhecimento neurosymbolic decompondo predicados vagos em propriedades verificáveis), não pelo volume de catálogo. A Onton indexa 1 por cento e vence 52 de 90. Uma equipa que afirma «nós temos um catálogo grande» sem um mecanismo de decomposição de propriedades é um não-mecanismo.
• A medição é honesta e a lacuna é nomeada. O Subtext-Decor-90 é lançado com código e dados. Três juízes LLM avaliaram os 10 melhores resultados. Intervalos de confiança bootstrap de 95 por cento a partir de 10 000 reamostragens. O alpha de Krippendorff entre juízes é 0,465, por isso os valores absolutos de P@10 são ruidosos, mas os três juízes ordenam os motores na mesma ordem. O ranking é robusto; os números absolutos não. Esse é o nome honesto para a lacuna.
• A manchete 2.7x não é o número agregado. O corpo dá P@10 0,630 vs Amazon 0,469, o que é 1,34x, não 2.7x. O 2.7x é uma figura de manchete não diretamente sustentada pelos números agregados no corpo. O Honest Architect etiqueta a metodologia Production e a proporção da manchete Partial.
• Os casos de falha são nomeados. A Onton perde em consultas de especificação funcional onde os metadados de categoria da Amazon dominam: «candeeiro que não acorda o meu parceiro» (Onton 0,4, Amazon 0,9). O artigo não esconde isso. O mecanismo de raciocínio sobre propriedades perde onde o mecanismo de metadados de categoria ganha. Mecanismos diferentes, propriedades diferentes.
• Neurosymbolic significa inspecionável, não opaco. O modelo constrói um modelo de mundo explícito e inspecionável em vez de absorver padrões em pesos. Paralelo ao conjunto Oracle: probabilidades normalizadas num único lugar, cenários ordenados de forma decrescente, entropia em nats. O Honest Architect etiqueta a forma do mecanismo neurosymbolic Production e a reivindicação cross-domain Partial.
• A disponibilidade é honesta: sem pesos abertos, sem API pública. A Onton está ativa em Onton.com, acesso de parceiro caso a caso. O Honest Architect etiqueta isto Production (escopo honesto). A reivindicação «a metodologia generaliza para além do e-commerce» é Partial (hoje uma única vertical, generalização afirmada não demonstrada).

O mecanismo é o grafo, não o catálogo

O movimento central do artigo é descrever uma arquitetura neurosymbolic. A busca e-commerce convencional assume que a intenção mapeia para categorias e atributos: tamanho, preço, material, marca. Não há filtro para «pet-friendly» e nenhum para móveis que cabem na sua divisão. A Ontology 1 toma outra rota. Para «pet-friendly sectional», não confia na etiqueta do vendedor, que pode estar ausente ou ser falsa. Raciocina a partir de propriedades mais propensas a serem objetivas: fibra, trama, construção. Sinaliza afirmações que os dados do produto contradizem. Pondera a fonte, já que algumas listas manipulam o algoritmo e algumas avaliações são compradas. O modelo constrói um modelo de mundo explícito e inspecionável em vez de absorver padrões em pesos. Quando não tem uma conta para «pet-friendly», trata isso como uma lacuna e elabora a resposta: limpeza e durabilidade, depois tecido de poliéster como indicador. A aprendizagem é reutilizada em consultas posteriores como «pet-friendly chair» ou «cleanable blue couch», e o ciclo corre continuamente.

O Honest Architect lê isto como o Teorema 3 tornado operacional para busca. A propriedade (relevância em consultas com muita intenção) é garantida pelo mecanismo (decompor predicados vagos em propriedades verificáveis, raciocinar a partir de propriedades objetivas, ponderar a proveniência da fonte, reutilizar aprendizagem entre consultas), não pela afirmação «nós indexamos tudo». Uma equipa que afirma «nós temos uma ótima busca» sem um mecanismo de decomposição de propriedades é um não-mecanismo: a afirmação não produz a relevância. Uma equipa com um grafo de conhecimento inspecionável que decompõe «pet-friendly» em limpeza, durabilidade e indicador de poliéster tem um mecanismo: o P@10 medido é o efeito. O Honest Architect etiqueta a forma do mecanismo neurosymbolic Production ✅: decomposição de propriedades em propriedades verificáveis é um padrão real e implementável.

O ângulo de soberania conta. A Onton não confia na etiqueta do vendedor. Raciocina a partir de propriedades mais propensas a serem objetivas e pondera a fonte. A propriedade (resistência a manipulação) é garantida pelo mecanismo (ponderação de fonte + proveniência), não pela afirmação «nós filtramos spam». Uma equipa que afirma «nós lutamos contra avaliações falsas» sem ponderação de fonte é um não-mecanismo. O Honest Architect etiqueta o mecanismo de ponderação de fonte Production ✅. O paralelo ao World Monitor é Partial ⚠️: topologia redundante vence topologia concentrada, e uma fonte cuja chave é unset desativa-se a si mesma. Mesma forma (a proveniência limita a propriedade), domínios separados (ponderação de fonte de busca vs auto-desativação de fonte de sinal geo).

A medição é honesta e a lacuna é nomeada

[UNIQUE INSIGHT] A secção de benchmark é a parte que o Honest Architect considera mais honesta mecanicamente. A Onton lançou o Subtext-Decor-90 com código e dados no HuggingFace. Três juízes LLM multimodais avaliaram os 10 cartões de resultados visíveis: Claude Opus 4.8, Gemini 3.1 Pro, GPT-5.5. O P@10 foi uma média entre juízes, com intervalos de confiança de 95 por cento a partir de 10 000 reamostragens bootstrap. Resultados: Onton 0,630 com IC 0,571 a 0,688, Google Shopping 0,543 com IC 0,490 a 0,596, Amazon 0,469 com IC 0,417 a 0,521. A Onton venceu 52 consultas diretamente, Google 19, Amazon 16.

A lacuna que o artigo nomeia é a medição. O alpha de Krippendorff entre os três juízes é 0,465, por isso os valores absolutos de P@10 são ruidosos e dependentes do juiz. Os três juízes ainda colocam os motores na mesma ordem. O Honest Architect lê isto como a separação honesta de duas propriedades. A propriedade (a ordem de ranking: Onton acima de Google acima de Amazon) é garantida pela medição (os três juízes concordam na ordem). A propriedade (o número de precisão absoluta) NÃO é garantida (alpha 0,465 significa que os valores absolutos são ruidosos). Uma equipa que afirma «nós somos 0,630 precisos» sem nomear o alpha está a afirmar uma propriedade que a medição não garante totalmente. Uma equipa que afirma «a ordem de ranking é robusta entre juízes» tem uma propriedade garantida. O Honest Architect etiqueta a metodologia de benchmark Production ✅: código lançado, dados lançados, três juízes, IC bootstrap, alpha de Krippendorff nomeado. O Honest Architect etiqueta a garantia de precisão absoluta Partial ⚠️: alpha 0,465 é modesto, os números absolutos são dependentes do juiz.

A exclusão é honesta também. Consultas de imagem e multimodais foram excluídas das 90, porque a Amazon Lens não suporta consultas multimodais e a Google Lens não devolve exclusivamente produtos. A Onton relata uma comparação de imagem separada de 10 consultas contra a Google. O Honest Architect lê isto como honestidade de escopo: o benchmark não afirma cobrir modalidades que não pode comparar de forma justa. O Honest Architect etiqueta a honestidade de escopo Production ✅.

A manchete 2.7x e os casos de falha nomeados

[ORIGINAL DATA] A manchete afirma que a Ontology 1 é «2.7x mais precisa do que os melhores motores de busca e-commerce do mundo». O corpo dá P@10 0,630 vs Amazon 0,469, o que é 1,34x, e 0,630 vs Google 0,543, o que é 1,16x. A proporção 2.7x não é diretamente sustentada pelos números agregados no corpo. Pode ser uma proporção de consulta específica ou uma proporção de taxa de erro num subconjunto, mas o artigo não mostra o cálculo. O Honest Architect etiqueta a manchete 2.7x Partial ⚠️: afirmação de manchete não diretamente sustentada pelos números P@10 agregados. O ranking agregado (Onton acima de Google acima de Amazon, os três juízes concordam) é Production; a proporção 2.7x é uma manchete de marketing que o corpo não deriva.

Os casos de falha são nomeados e esta é a parte honesta. A Ontology 1 perde em consultas de especificação funcional onde os metadados de categoria da Amazon dominam. «Candeeiro que não acorda o meu parceiro se eu ler às 3 da manhã» marcou Onton 0,4, Amazon 0,9. «Algo para pôr num peitoril de janela estranhamente fundo» marcou Onton 0,07, Amazon 0,67. A Onton atribui isto à amplitude do catálogo e ao seu índice de vertical única não patrocinado, e espera que o ciclo de auto-aprendizagem estreite a lacuna. O Honest Architect lê isto como a nomeação honesta de onde o mecanismo perde. O mecanismo de raciocínio sobre propriedades (decompor predicados vagos em propriedades verificáveis) perde onde o mecanismo de metadados de categoria (filtrar por campos estruturados) ganha. Mecanismos diferentes garantem propriedades diferentes. Uma equipa que afirma «nós ganhamos em todo o lado» sem nomear os casos de falha é um não-mecanismo. O Honest Architect etiqueta a divulgação de casos de falha Production ✅: nomear onde o mecanismo perde é honesto e verificável.

Neurosymbolic significa inspecionável, não opaco

A distinção de arquitetura que o artigo traça é entre um modelo de mundo inspecionável e pesos que absorvem padrões. O modelo constrói um grafo de conhecimento explícito. Quando não tem uma conta para «pet-friendly», trata isso como uma lacuna e elabora a resposta. A aprendizagem é reutilizada em consultas posteriores. O Honest Architect lê isto como a mesma forma que o conjunto Oracle. O Oracle não absorve padrões de previsão em pesos opacos. Funde saídas tipadas das Sisters num conjunto normalizado. As probabilidades são normalizadas num único lugar. Os cenários são ordenados de forma decrescente. A entropia é em nats. O conjunto é inspecionável: um consumidor pode olhar para os cenários, as probabilidades, a entropia, e ver o que a fusão produziu. O Honest Architect etiqueta o mecanismo do conjunto Oracle Production ✅: normalização única, cenários ordenados, entropia em cada fusão é real e implementado. A reivindicação cross-domain é Partial ⚠️: mesma forma (mecanismo inspecionável vs pesos opacos), domínios separados (relevância de busca vs conjunto de previsão).

O paralelo do ciclo de auto-aprendizagem é direto. A Ontology 1 decompõe «pet-friendly» em limpeza, durabilidade e indicador de poliéster, depois reutiliza a aprendizagem em «pet-friendly chair» e «cleanable blue couch». As Sisters são personalidades tipadas (analyst, contrarian, disruptor, historian, institutionalist) carregadas em runtime a partir de ficheiros TOML. Cada Sister imagina um futuro plausível a partir da sua perspetiva tipada. A saída tipada é reutilizada entre previsões: a perspetiva analysta sobre um evento geopolítico é a mesma lente tipada reutilizada sobre um evento de mercado. O Honest Architect etiqueta o mecanismo de personalidades tipadas das Sisters Production ✅: personalidades tipadas carregadas em runtime com fusão Oracle é real e implementado. A reivindicação cross-domain é Partial ⚠️: mesma forma (decomposição tipada reutilizada entre consultas), domínios separados (decomposição de propriedades de busca vs tipagem de personalidade de previsão).

A reivindicação de infraestrutura é citada pela Onton. O Ograph, uma base de dados de grafos custom, relata um núcleo a bater o SuiteSparse:GraphBLAS em 14 núcleos a cerca de 100x o débito por núcleo, com um build GPU a correr 43x mais rápido do que a variante CPU. O Honest Architect etiqueta as reivindicações de desempenho do Ograph Partial ⚠️: citado pela Onton, não independentemente benchmarked neste artigo. A forma do mecanismo (base de dados de grafos custom para raciocínio neurosymbolic) é Production ✅: padrão real e implementável.

O que um Honest Architect lê num artigo de release de produto

O artigo do MarkTechPost é uma peça de release de produto baseada na página de pesquisa da Onton. O Honest Architect extrai as formas de mecanismo sem endossar a Onton. A metodologia de benchmark é Production ✅: código lançado, dados lançados, três juízes, IC bootstrap, alpha de Krippendorff. A forma do mecanismo neurosymbolic é Production ✅: decomposição de propriedades em propriedades verificáveis é real e implementável. A divulgação de casos de falha é Production ✅: nomear onde o mecanismo perde é honesto. O escopo de disponibilidade é Production ✅: sem pesos abertos, sem API pública, só parceiro é honesto. A manchete 2.7x é Partial ⚠️: não diretamente sustentada pelos números agregados. As reivindicações de desempenho do Ograph são Partial ⚠️: citado pela Onton, não independentemente benchmarked. A reivindicação «a metodologia generaliza para além do e-commerce» é Partial ⚠️: hoje uma única vertical, generalização afirmada não demonstrada.

A guarda de escopo conta. A relevância de busca e-commerce é uma atividade civil-comercial. Não é uma investigação de segurança, não é uma recomendação de investimento, e não é uma promessa de token, wallet ou community-credit. As reivindicações cross-domain para Oracle, Sisters, World Monitor e eval são ilustrações Partial ⚠️ da forma do mecanismo. Nenhum resultado de token, wallet ou community-credit é prometido; esses são Roadmap 🔵, revisão Howey pendente.

Perguntas frequentes

O mecanismo é o grafo ou o catálogo?

O grafo. Teorema 3: a propriedade (relevância em consultas com muita intenção) é garantida pelo mecanismo (grafo de conhecimento neurosymbolic decompondo predicados vagos em propriedades verificáveis), não pelo volume de catálogo. A Onton indexa 1 por cento e vence 52 de 90. Uma equipa que afirma «nós temos um catálogo grande» sem decomposição de propriedades é um não-mecanismo.

A manchete 2.7x é fiável?

Não é diretamente sustentada pelos números agregados. O corpo dá P@10 0,630 vs Amazon 0,469, o que é 1,34x. O 2.7x pode ser uma proporção de consulta específica ou de taxa de erro, mas o artigo não mostra o cálculo. O Honest Architect etiqueta o ranking agregado Production (os três juízes concordam na ordem) e a manchete 2.7x Partial.

Porque é que o alpha de Krippendorff de 0,465 é uma lacuna honesta?

Porque alpha 0,465 significa que os valores absolutos de P@10 são ruidosos e dependentes do juiz. A propriedade (o número de precisão absoluta) não é garantida pela medição. Mas a propriedade (a ordem de ranking) é garantida: os três juízes colocam os motores na mesma ordem. O Honest Architect etiqueta a robustez de ranking Production e a garantia de precisão absoluta Partial.

Como é que neurosymbolic é inspecionável como o conjunto Oracle?

Ambos constroem um modelo de mundo explícito e inspecionável em vez de absorver padrões em pesos opacos. O Oracle normaliza probabilidades num único lugar, ordena cenários de forma decrescente, mede entropia em nats. A Ontology 1 constrói um grafo de conhecimento que decompõe «pet-friendly» em limpeza, durabilidade, indicador de poliéster. O Honest Architect etiqueta ambos Production e a reivindicação cross-domain Partial (mesma forma, domínios separados).

A Everythink endossa a Onton?

Não. A Everythink é uma plataforma de previsão, não um vendedor de busca. O artigo do MarkTechPost é uma peça de release de produto. O Honest Architect extrai a forma do mecanismo (decomposição neurosymbolic de propriedades, benchmarking honesto, casos de falha nomeados) sem endossar o produto. As reivindicações cross-domain são ilustrações Partial. Nenhum resultado de token, wallet ou community-credit é prometido; esses são Roadmap, revisão Howey pendente.

Sources

• Michal Sutter, "Onton Releases Ontology 1: A Neurosymbolic Search Model That is 2.7x More Accurate than the World's Best E-commerce Search Engines", MarkTechPost, August 2 2026, retrieved 2026-08-23, https://www.marktechpost.com/2026/08/02/onton-releases-ontology-1-a-neurosymbolic-search-model/

Se a tua equipa está pronta para medir o mecanismo em vez de afirmar a propriedade, constroi a tua rede — a topologia roteia, as Sisters escrevem, o Oracle mede entropia em cada fusão.