diff --git a/.claude/skills/ia-gondola-engine/SKILL.md b/.claude/skills/ia-gondola-engine/SKILL.md
index c233766..65988e6 100644
--- a/.claude/skills/ia-gondola-engine/SKILL.md
+++ b/.claude/skills/ia-gondola-engine/SKILL.md
@@ -88,6 +88,35 @@ Ambientes ativos: `"gondola"` (produtos), `"etiqueta"` (etiquetas de preço).
 - `pular_triagem: true` é útil quando as imagens já foram pré-validadas
 - Este serviço não tem estado persistente próprio — tudo no S3
 
+## Bugs conhecidos / pendentes de correção
+
+### Bug 1 — Triagem aprova imagens sem nenhuma detecção (CORRIGIDO em código, validar deploy)
+Linha 118 do `main.py`:
+```python
+# Antes (bug)
+decisao = "base-oficial" if media >= 0.15 or media == 0 else "descartados"
+# Depois (correto)
+decisao = "base-oficial" if media >= 0.15 else "descartados"
+```
+O critério `media == 0` aprovava imagens onde o YOLO não detectou nada (desfocadas,
+ângulo errado, fora de contexto), contaminando o dataset de treino.
+
+### Bug 2 — Validação e treino usam os mesmos dados (PENDENTE — aplicar após restaurar v1)
+Linha 152 do `main.py`:
+```python
+yaml.dump({'train': img_dir, 'val': img_dir, ...})  # val = train → mAP50 inflado
+```
+Precisa de split 80/20: 80% para `train/`, 20% para um `val/` separado. Só aplicar
+**após** a restauração da v1 e retreino de estabilização estarem concluídos.
+
+## Situação do modelo (2026-06-25)
+
+O modelo `cerebro.pt` (gondola) regrediu após rodadas de treino acumulativas. A v1
+original (timestamp mais antigo em `modelos/gondola/versionamento/`) performa melhor.
+Plano de restauração documentado em `ia-gondola-api/docs/plano-mitigacao-regressao-modelo.md`.
+O rollback pode ser feito pelo frontend: aba Treinamento → Ciclos → botão "↩ Rollback"
+no run mais antigo, ou via endpoint `POST /training/gondola/runs/{run_id}/rollback`.
+
 ## Como rodar
 
 ```bash
diff --git a/main.py b/main.py
index 95f7b8f..037e99c 100644
--- a/main.py
+++ b/main.py
@@ -115,7 +115,7 @@ def _executar_treino_sync(ambiente: str, pular_triagem: bool) -> dict:
                     pred = modelo_base(img_data, conf=0.1, verbose=False)
                     confs = [float(b.conf) for r in pred for b in r.boxes]
                     media = sum(confs)/len(confs) if confs else 0
-                    decisao = "base-oficial" if media >= 0.15 or media == 0 else "descartados"
+                    decisao = "base-oficial" if media >= 0.15 else "descartados"
                     log_print(f"{os.path.basename(img_key)}: Conf. {media:.2f} -> {decisao}")
                     for k in [img_key, txt_key]:
                         try: