Download E-mail Enviar Vamos começar com um jogo. Abra o chatbot de sua escolha (Claude, ChatGPT, Gemini) e digite “Me dê um número aleatório entre 1 e 10”. Você vai receber 7. Quase sempre. Agora, digite “Outro” e receberá 3 ou 4. Digite “Outro” novamente e receberá 8 ou 9.
Isso não vai funcionar sempre, mas, se funcionou, talvez você se pergunte se eu tenho superpoderes. Eu não tenho. A verdade é que a maioria dos grandes modelos de linguagem está presa em uma rotina. Eles são muito mais previsíveis e muito menos criativos nas respostas do que você talvez espere. Isso é aceitável para tarefas como programação ou pesquisa, mas o pensamento de grupo é um problema quando você está fazendo brainstorming ou planejando as próximas férias. A startup australiana Springboards tem uma solução. Ela construiu um LLM chamado Flint, que foi treinado para apresentar uma variedade maior de respostas do que os LLMs convencionais costumam ter para perguntas abertas, como “Para onde devo ir na Europa?”. “A maioria dos modelos de linguagem está combatendo alucinações”, diz Pip Bingemann, cofundador e CEO da Springboards. “Nós as acolhemos.” Bingemann me apresentou ao jogo do número aleatório, que mencionei no início, quando me mostrou pela primeira vez o novo modelo da empresa. Parecia assistir a um ilusionista com um baralho. “Esse é o nosso truque de vendas e funciona todas as vezes”, diz ele. Depois que o ChatGPT e o Claude deram seus números 7, Bingemann passou para o Flint. Ele também respondeu com o 7: “Ahá, é claro que isso ia acontecer, mas tudo bem, 7 é uma resposta legítima.” Ele reiniciou a sessão e fez o prompt novamente: o ChatGPT deu 7, o Claude deu 7, mas o Flint deu 3,7916. Corra do seu jeito Não se trata apenas de números. Quando Bingemann pediu ao ChatGPT e ao Claude que nomeassem um tipo de carro, ele previu que seria um Toyota ou um Honda, e estava certo. O Flint sugeriu um Ford F-150. “Há toda essa informação perdida que não aparece nesses modelos”, diz ele. “Eles são igualmente capazes de dizer um Buick ou um Tesla. Eles simplesmente não dizem, são tendenciosos.” Bingemann enviou um último prompt para cada um dos três modelos: “Dê-me um slogan para uma campanha de tênis de corrida da New Balance. Apenas o slogan.” Claude: “Corra do seu jeito.” ChatGPT: “Corra do seu jeito.” Flint: “Feito para durar, corra para vencer.” Não vai ganhar nenhum prêmio, mas pelo menos é diferente. Essa estranha limitação dos LLMs está começando a receber mais atenção. Em novembro, uma equipe de pesquisadores publicou um artigo intitulado “Mente coletiva artificial: a homogeneidade aberta dos modelos de linguagem e além”, que expôs um grau notável de repetição, não apenas nas respostas de LLMs individuais, mas também entre eles. Eles descobriram que diferentes LLMs convergiam para respostas muito semelhantes quando recebiam prompts com perguntas abertas. Não está claro exatamente por que isso acontece, mas os pesquisadores especulam que seja porque a maioria dos LLMs atuais é treinada de maneiras semelhantes, com dados semelhantes, para realizar tarefas semelhantes. A equipe ganhou o prêmio de melhor artigo na NeurIPS, uma importante conferência de IA. Quando os pesquisadores pediram a 25 LLMs diferentes que escrevessem, 50 vezes cada, uma metáfora sobre o tempo, a maioria das 1.250 respostas era uma versão de “O tempo é um rio” ou “O tempo é um tecelão”. Entre os modelos estavam os das principais empresas dos EUA, além de outros de código aberto da China e outros lugares. Perguntei a alguns dos meus colegas a mesma coisa e seis pessoas me deram seis respostas diferentes. Meu destaque: “O tempo é um moletom favorito, moldado por uma vida inteira de uso.” Quando você começa a procurar, vê repetição em toda parte, diz Kieran Browne, cofundador e CTO da Springboards. “Da forma como a maioria das interfaces de chat é projetada, parece que você está tendo uma conversa pessoal”, diz ele. “Acho que a maioria das pessoas não percebe realmente até que ponto está recebendo a mesma coisa que todo mundo.” Veja outro exemplo: “Que nome devo dar à minha banda?” A maioria dos modelos dirá algo envolvendo “glass”, “neon”, “velvet” ou “static”, diz Browne. Quando testei, o ChatGPT gerou rapidamente uma lista de 56 nomes de bandas. No topo estava “Glass Harbor”. Passando os olhos, encontrei “Static Empire”, “Neon Hearts” e “Velvet Echo”. Perguntei ao Gemini; ele me deu 15 sugestões, incluindo “Static Horizon”. Algumas das sugestões pareciam bem legais, no entanto. “Sofa Astronauts”, do ChatGPT, chamou minha atenção, então pesquisei no Google e descobri que uma banda chamada Sofa Astronauts já existe. A OpenAI diz que treinar modelos para dar respostas confiáveis e coerentes pode levá-los a convergir em torno de respostas familiares e de alta probabilidade, e que forçar mais a novidade pode levar a respostas mais fracas ou menos confiáveis. A empresa também observa que o artigo “Mente coletiva artificial” estudou modelos de 2024 que, desde então, foram atualizados. Catapulta criativa A Springboards desenvolveu uma ferramenta apoiada por uma seleção de LLMs, incluindo ChatGPT e Claude, que profissionais criativos de publicidade ou marketing podem usar para fazer brainstorming de ideias. A ferramenta permite arrastar pela tela textos produzidos por diferentes modelos, escolher os trechos de que você gosta e combiná-los em algo novo, em teoria. A Springboards está posicionando o Flint como um modelo alternativo que os usuários de sua ferramenta podem selecionar quando buscam mais variedade. Zoe Scaman, fundadora da startup de estratégia de negócios Bodacious e diretora de estratégia da 77X, uma plataforma de marketing direto ao fã criada por Luka Dončić, do LA Lakers, vem testando o modelo. “Acho muito útil para me lançar em direções completamente diferentes”, diz ela. “Uso quando quero me catapultar para todos os lados.” Em um teste, Scaman colocou o Flint contra Claude, Gemini e ChatGPT ao dar a cada um dos modelos um estudo de caso clássico de MBA: como você reinventaria uma empresa financeira para a juventude de hoje? Os três modelos convencionais seguiram todos pelo mesmo caminho, diz ela: “Sabe, precisamos ensinar educação financeira de uma forma divertida e descolada, bem, isso não é nada novo.” Mas o Flint apresentou algo diferente, sugerindo que todo o conceito de acumulação de riqueza deveria passar por uma reformulação de marca. “Isso foi realmente interessante”, diz Scaman. Ela observa que o Flint ainda é um protótipo e não funciona o tempo todo. “Às vezes ele falha quando você começa a levá-lo longe demais”, diz ela. “Mas acho que a premissa por trás dele é muito poderosa.” Ajustando a temperatura A Springboards construiu o Flint sobre o Qwen 3, um modelo de código aberto da Alibaba, a gigante chinesa de tecnologia. “Somos uma equipe pequena”, diz Browne. “Treinar um modelo de base está fora de questão para nós. É simplesmente caro demais.” A maioria dos LLMs tem configurações que permitem ajustar o nível de aleatoriedade de sua saída. A mais comum é chamada de temperatura. “Obviamente, essa foi uma das primeiras coisas que exploramos, porque é o que as pessoas dizem: se você quer mais criatividade, aumente a temperatura”, diz Browne. Mas alterar essas configurações também pode tornar os modelos incoerentes. Aumentar a temperatura de um dos modelos da OpenAI para o nível máximo fez com que ele produzisse respostas que passavam do inglês para código no meio de uma frase, diz Browne. A Springboards percebeu que os parâmetros eram instrumentos pouco precisos para o que queria fazer. Não faz sentido aumentar a aleatoriedade de modo geral; você só quer ampliá-la em pontos específicos da saída, diz ele. Por exemplo, quando você pergunta a um chatbot “Para onde devo ir na Europa?”, o modelo só precisa ajustar a aleatoriedade pouco antes de nomear um destino, não em cada palavra de sua resposta. Para fazer o Flint agir assim, a Springboards treinou sua versão do Qwen 3 para identificar os pontos na saída em que mais variedade era possível e preencher esses espaços com palavras ou frases um pouco mais aleatórias. “O Flint é programado para inserir algo excêntrico. É mais um convite para pensar de forma mais ampla”, diz Maximilian Weigl, cofundador e diretor de estratégia da Uncommon, uma empresa de marketing. “Isso é superinteressante.” A equipe de Weigl usa o Flint junto com ChatGPT, Claude e Gemini. “Você não consegue realmente criar algo que quebre barreiras com ferramentas que o puxam de volta para a média”, diz ele. Ainda assim, Weigl observa que, em nove de cada dez vezes, a média é suficiente. Você nem sempre precisa buscar extremos com algo como o Flint, diz ele: “A maioria das pessoas se satisfaz com o bom o bastante. Elas querem ver coisas familiares ao mercado de massa.” Weigl também alerta contra o uso excessivo de qualquer LLM. “Tenho um grande problema quando as pessoas dependem da saída de qualquer IA, incluindo o Flint”, diz ele. “Se eu visse pessoas da minha equipe copiando e colando algo de IA, eu diria: ‘Esse não é o seu trabalho! Pense, converse com outras pessoas, use sua própria voz.’” Por enquanto, o Flint é voltado a publicitários e profissionais de marketing, porque esses são os clientes da Springboards. Mas Bingemann e Browne insistem que a falta de variedade é um problema para qualquer pessoa que use chatbots. A ideia é dar às pessoas a escolha e deixar que elas decidam se o resultado é bom ou não, diz Bingemann. “Variedade é ótima quando você está tentando estimular ideias”, diz ele. “Vamos seguir por esse caminho, em vez de deixar que as máquinas façam tudo e acabemos em um mundo cinzento e entediante.” O post Modelos de linguagem estão presos em um ciclo de pensamento de grupo apareceu primeiro em MIT Technology Review - Brasil.