Simulação: conversa no navegador
https://assistente-iagen.exemplo/chat
Escreva seu prompt…
Revisão humana antes do uso
Simulação: o caminho de um token
Use as setas ← e → do teclado para navegar.EntraSai
No dia a dia:
Todo este ciclo produz um único token. O token escolhido é anexado ao contexto e o ciclo recomeça, até surgir o token de fim.
Simulação: tokenizador
0caracteres
0tokens
0caracteres por token
Vocabulário ilustrativo. Cada modelo tem o seu próprio tokenizador; os números deste simulador servem para comparação, não para estimar custos reais.
Simulação: mapa de embeddings
Contexto de “banco”:
Selecione dois pontos.
Simulação: janela de 8.000 tokens
Aproveitamento por posição no contexto (forma qualitativa)
Simulação: escolhendo o próximo token
Distribuição para o próximo token
Painel de decodificação
p(tokeni) = ezi/T / Σj ezj/T
20 gerações com o mesmo prompt
Clique em “Gerar 20 respostas” para ver a variação.
Distribuições ilustrativas, construídas para fins didáticos.
Simulação: um DOI que não existe
Prompt: “Informe o DOI do artigo de Souza (2019) sobre jogos educacionais no ensino de física.” (artigo fictício)
Técnicas de mitigação:
A base de documentos contém o artigo?
Recuperação (RAG)
Instrução de sistema inserida no início do contexto
Responda somente com base nas fontes fornecidas. Se a informação não constar nelas, responda: “A informação não consta nas fontes disponíveis.”
Clique em “Gerar resposta”.
Como o DOI inventado foi gerado, token a token
Os tokens de formato (“10.”, “/j.”) têm alta probabilidade; os dígitos finais, probabilidade baixa e espalhada. Cada passo é plausível, mas a sequência não corresponde a nenhum registro.
Distribuição de desfechos (valores ilustrativos)
20 gerações
Clique em “Gerar 20 respostas”.
Antes dos detalhes
Onde cada técnica atua e quem participa
As técnicas de mitigação não atuam no mesmo lugar. Algumas mudam o próprio modelo durante o treinamento; outras são configuradas na aplicação e atuam a cada pergunta; e outras dependem diretamente de você, durante e depois do uso. Nenhuma delas substitui o mecanismo básico de predição do próximo token: as de treinamento alteram os pesos do modelo; as da aplicação alteram o que entra no contexto ou o que se faz com a saída; as humanas alteram o pedido e decidem o que será usado.
1Treinamento do modelo
Quando: antes de o modelo ser disponibilizado.
Quem: fornecedor do modelo, com avaliadores e curadores humanos.
Quem: fornecedor do modelo, com avaliadores e curadores humanos.
RLHFAjuste fino
Altera os pesos do modelo.
2Aplicação
Quando: a cada requisição, automaticamente.
Quem: desenvolvedor da aplicação, que configura instruções, bases e verificações.
Quem: desenvolvedor da aplicação, que configura instruções, bases e verificações.
Instruções de sistema e guardrailsRAGGrounding
Altera o contexto de entrada ou trata a saída.
3Interação humana
Quando: durante e depois de cada uso.
Quem: você, usuário.
Quem: você, usuário.
Prompt com instruções de incertezaFornecer as fontesRevisão humana
Altera o pedido e decide o uso.
Há pessoas em todas as camadas. Avaliadores humanos comparam respostas no RLHF; especialistas selecionam os dados do ajuste fino; desenvolvedores escrevem as instruções de sistema e organizam as bases do RAG; e você formula o pedido, fornece fontes e decide se a resposta pode ser usada. A camada 3 é a única que confere a resposta contra o mundo real no momento do uso.
Panorama
As técnicas estão presentes na maioria das IAGen?
Não de forma uniforme. Um LLM “puro” é apenas o modelo treinado; várias técnicas existem somente quando a aplicação ou o usuário as adotam. O quadro resume a situação geral descrita na documentação consultada em outubro de 2026. Os produtos mudam com frequência, por isso convém verificar a documentação da ferramenta utilizada.
| Técnica | Faz parte do modelo? | Presença nas IAGen e LLMs | O usuário controla? |
|---|---|---|---|
| RLHF | Sim: altera os pesos no treinamento | Amplamente usado em assistentes conversacionais, como o Claude e os modelos InstructGPT . Modelos-base, sem pós-treinamento, não o possuem. | Não |
| Ajuste fino | Sim: gera uma versão especializada do modelo | Oferecido por alguns provedores e em modelos abertos, mas não por todos; a API do Claude, por exemplo, não oferece ajuste fino atualmente . | Não no uso comum; apenas equipes técnicas |
| Instruções de sistema e guardrails | Não: é texto inserido no contexto e verificações da aplicação | Aceitas pelas APIs dos principais provedores e usadas por praticamente todos os assistentes . | Em parte, por instruções personalizadas ou pelo próprio prompt |
| RAG | Não: é uma arquitetura da aplicação | Comum em produtos que permitem anexar arquivos, consultar bases institucionais ou pesquisar na web; ausente quando se usa apenas o modelo . | Sim, ao escolher e fornecer os documentos |
| Grounding | Não: é um recurso da aplicação | Opcional em alguns serviços, como a ancoragem em busca da API Gemini, que devolve citações . Não está ativo por padrão em todo LLM. | Em parte: pedir citações e conferi-las |
| Revisão humana | Não | Depende exclusivamente de quem usa . | Sim, totalmente |
Lista de referências
Notas de precisão conceitual
Caracteres por token. A estimativa de cerca de 4 caracteres por token vale para o inglês; em português, o mesmo conteúdo costuma gerar mais tokens.
Ultrapassar a janela. O comportamento depende da aplicação: a API pode recusar a requisição, enquanto interfaces de chat podem descartar ou resumir as partes mais antigas.
RLHF. O treinamento otimiza preferências humanas entre respostas; não pune individualmente cada dado falso.
Instruções de sistema e guardrails. Aumentam a probabilidade de o modelo declarar incerteza, mas não a garantem.
Analogias. Cada analogia simplifica um aspecto do funcionamento. Os quadros “Onde a analogia falha” indicam o ponto em que a comparação deixa de valer.