Conceitos para entender modelos e aplicações de IA. Os exemplos são hipotéticos, não resultados de benchmarks nem relatos de produtos. Glossário não exaustivo; revisão editorial em 06/10/2026.
Sistema que usa um modelo e ferramentas para decidir próximos passos e realizar tarefas dentro de um ambiente e de permissões definidos. O grau de autonomia varia; memória, verificação e supervisão são componentes da aplicação, não garantias do modelo.
Exemplo hipotético: Um agente prepara uma alteração de código, executa testes autorizados e pede revisão antes de integrar a mudança.
Saída incorreta, inventada ou sem suporte nas fontes, apresentada de forma plausível. A fluência de um modelo não comprova verdade; checagem de evidências, avaliação e possibilidade de recusa continuam necessárias.
Exemplo hipotético: Um assistente cita um documento inexistente, e a aplicação rejeita a referência após verificar a fonte.
Aprendizado de uma política por interação com um ambiente e um sinal de recompensa. O objetivo é otimizar esse sinal ao longo do tempo; recompensa não é necessariamente uma medida completa de comportamento correto ou seguro.
Exemplo hipotético: Em uma simulação, um agente aprende a escolher ações que aproximam um robô de um destino respeitando restrições definidas.
Operação que combina representações da entrada com pesos calculados conforme suas relações. Ajuda redes a relacionar partes de uma sequência ou modalidade; não equivale à atenção ou compreensão humana.
Exemplo hipotético: Ao processar uma frase, o modelo relaciona palavras distantes que participam da mesma informação.
Medição do comportamento de modelos e aplicações com dados, critérios e procedimentos definidos. Pode examinar recuperação, resposta e ações de agentes, antes ou depois do deploy; critérios e limitações devem ser documentados.
Exemplo hipotético: Uma equipe verifica respostas e uso de ferramentas em exemplos revisados e acompanha regressões após mudanças.
Armazenamento e mecanismos de consulta para vetores e metadados, usados em tarefas como recuperação por similaridade. Pode ser um serviço dedicado ou parte de um banco existente; acesso e filtros continuam necessários.
Exemplo hipotético: Um aplicativo consulta embeddings de documentos com filtros que impedem recuperar dados de outra organização.
Conjunto de tarefas, dados, métricas e protocolo para avaliar um sistema. Resultados dependem de versão, configuração, ferramentas e condições; um placar não determina sozinho qualidade no seu caso de uso.
Exemplo hipotético: Uma equipe compara sistemas no mesmo conjunto de tarefas e também verifica desempenho em exemplos representativos da aplicação.
Combinação de sinais de recuperação, como correspondência lexical e similaridade vetorial. A fusão e o ranking precisam ser avaliados no domínio da aplicação; combinar métodos não garante melhores resultados em todo caso.
Exemplo hipotético: Uma busca combina termos exatos de um código de vulnerabilidade com trechos semanticamente relacionados.
Recuperação baseada em representações de significado aproximado, frequentemente por embeddings. Pode encontrar textos com palavras diferentes da consulta, mas também retornar resultados parecidos e irrelevantes.
Exemplo hipotético: O usuário procura uma política com palavras diferentes das usadas no documento e a aplicação verifica a relevância do resultado.
Produção ou uso de etapas intermediárias em tarefas de raciocínio. Explicações visíveis podem ser úteis, mas não garantem correção nem revelam fielmente os mecanismos internos do modelo; alguns produtos não expõem esse conteúdo.
Exemplo hipotético: A aplicação solicita uma justificativa curta e verifica o resultado por um método independente, em vez de confiar apenas na explicação.
Divisão de documentos ou outros dados em partes para processamento e recuperação. Tamanho, limites e sobreposição influenciam contexto, custo e perda de relações; a estratégia depende do conteúdo e da tarefa.
Exemplo hipotético: Um documento é dividido respeitando títulos e parágrafos para evitar separar uma regra de suas condições.
Interação de um sistema de IA com interfaces de computador por recursos como captura de tela, mouse e teclado. A aplicação ou runtime executa as ações e controla acesso; ambientes isolados e aprovação para ações sensíveis são importantes.
Exemplo hipotético: Um agente navega por um aplicativo de teste e solicita confirmação antes de enviar um formulário com consequências reais.
Limite de conteúdo que um modelo pode considerar em uma chamada, expresso normalmente em tokens. Instruções, histórico, resultados de ferramentas e saída podem compartilhar limites conforme o provedor; contexto maior não implica memória permanente nem uso correto de tudo.
Exemplo hipotético: Uma aplicação seleciona trechos relevantes e resume histórico para respeitar o limite de contexto.
Conjunto de dados preparado para treinamento, validação, avaliação ou outra finalidade. Origem, permissões, qualidade, representatividade e separação entre usos precisam ser controladas.
Exemplo hipotético: Uma equipe separa exemplos de treino e teste e verifica se conteúdo sensível pode ser utilizado para a finalidade definida.
Família de métodos de aprendizado de máquina com redes neurais de várias camadas, que aprendem representações dos dados. Inclui arquiteturas e tarefas diversas, não apenas modelos de linguagem.
Exemplo hipotético: Uma rede é treinada para reconhecer padrões em imagens e avaliada com exemplos que não foram usados no treinamento.
Treinamento de um modelo com sinais ou saídas de outro sistema para transferir comportamentos ou capacidades. Pode reduzir custo ou tamanho, mas o resultado depende de dados, objetivo e avaliação; não preserva automaticamente toda capacidade.
Exemplo hipotético: Um modelo menor aprende com exemplos revisados produzidos por um sistema maior e é testado antes de substituir o original.
Método de ajuste de modelos com comparações de preferência entre respostas, sem exigir o mesmo processo de treinamento por reforço com um modelo de recompensa separado usado em certos métodos de RLHF. Preferência nos dados não garante correção factual.
Exemplo hipotético: Uma equipe usa pares de respostas revisados para adaptar o comportamento e depois avalia efeitos e regressões.
Representação numérica aprendida de dados, útil para tarefas como comparação e recuperação. Proximidade entre vetores depende do modelo e da métrica; similaridade não comprova verdade, autorização ou relação causal.
Exemplo hipotético: Uma busca usa embeddings para recuperar documentos relacionados à pergunta e depois valida a pertinência dos trechos.
Recurso de certos modelos ou produtos para dedicar mais computação a tarefas antes de responder. Implementação e limites variam; mais tempo de processamento não garante acerto nem significa que o modelo aprendeu permanentemente durante a conversa.
Exemplo hipotético: A aplicação compara qualidade, latência e custo com diferentes modos de processamento em exemplos revisados.
Uso de poucos exemplos para orientar uma tarefa. Em prompting de LLMs, exemplos no contexto podem guiar o comportamento sem atualizar os pesos; isso deve ser distinguido de treinar um modelo com poucos dados.
Exemplo hipotético: O contexto inclui exemplos revisados de classificação para orientar o formato esperado de novas respostas.
Continuação do treinamento de um modelo para adaptar comportamento ou capacidade a dados e objetivos específicos. Exige dados adequados, autorização de uso e avaliação; não é necessário para toda aplicação e não substitui atualização de fontes.
Exemplo hipotético: Uma equipe adapta um modelo ao formato de documentos internos com dados autorizados e testa generalização em exemplos separados.
Saída estruturada que solicita o uso de uma função ou ferramenta, com argumentos. A aplicação, runtime ou serviço valida e executa a operação; o modelo não recebe automaticamente permissão para acessar uma API.
Exemplo hipotético: O modelo propõe consultar disponibilidade, e a aplicação valida os argumentos e a autorização antes de chamar o serviço.
Processador com capacidade de computação paralela, usado em muitos treinos e execuções de modelos. Necessidade, memória e desempenho variam; algumas tarefas e modelos também podem rodar em CPUs ou outros aceleradores.
Exemplo hipotético: A equipe escolhe hardware após medir memória necessária, latência e custo do modelo na carga prevista.
Vinculação de uma saída a informações ou contexto verificáveis. Uma referência deve realmente sustentar a afirmação; inserir uma citação ou fornecer documentos ao modelo não comprova fundamentação.
Exemplo hipotético: A aplicação checa se o trecho citado contém a evidência necessária para a resposta apresentada.
Controles e validações usados para limitar comportamento e reduzir riscos, como regras de acesso, restrições de ferramentas e checagem de entrada e saída. Podem falhar e não são uma garantia geral de segurança.
Exemplo hipotético: Um agente só pode consultar serviços permitidos e precisa de aprovação para operações de maior impacto.
Participação de pessoas em decisões ou etapas de uma automação, especialmente para revisar, aprovar ou corrigir ações. Precisa de responsabilidade e informação suficientes, não apenas de um botão sem contexto.
Exemplo hipotético: Um editor recebe título, resumo e fontes e decide se a proposta pode ser publicada.
Uso de um modelo para produzir saídas a partir de entradas. Na inferência usual, os pesos não são atualizados; o comportamento também depende de contexto, configurações e ferramentas da aplicação.
Exemplo hipotético: Um classificador já treinado recebe um novo documento e retorna uma categoria sem realizar novo treinamento.
Cache de representações de chaves e valores usados na atenção durante certas execuções de modelos, evitando recomputação de partes do contexto. Consome memória e depende da arquitetura; não é a memória permanente de um agente.
Exemplo hipotético: O servidor dimensiona o uso de cache considerando tamanho das sequências e número de requisições simultâneas.
Latência é o tempo para uma resposta ou etapa; throughput é a quantidade de trabalho processada por unidade de tempo. Melhorar um indicador pode afetar o outro, além de custo e qualidade; compare cargas e condições equivalentes.
Exemplo hipotético: Um serviço mede tempo até o primeiro token e capacidade sob a carga real antes de escolher uma configuração.
Modelo de linguagem de grande escala treinado para prever ou gerar sequências e apoiar tarefas com linguagem. Pode ser adaptado para instruções e ferramentas; respostas plausíveis não significam conhecimento perfeito nem acesso automático à internet.
Exemplo hipotético: Uma aplicação usa um LLM para redigir um resumo e verifica fatos e fontes antes da publicação.
Uso de um modelo para avaliar respostas ou comportamentos segundo critérios. O avaliador também pode errar ou ter vieses; precisa ser validado com referências humanas e não deve ser tratado como verdade absoluta.
Exemplo hipotético: A equipe compara avaliações automáticas com revisões humanas e investiga divergências antes de confiar nos resultados.
LoRA adapta um modelo treinando matrizes adicionais de baixo rank, em vez de todos os seus pesos. QLoRA combina essa adaptação com uma base quantizada. A economia de memória e a qualidade dependem de modelo, dados, contexto e implementação.
Exemplo hipotético: Uma equipe testa adaptadores para uma tarefa específica e compara qualidade e recursos com outras opções de adaptação.
Métodos que ajustam comportamento a partir de dados ou interação, segundo objetivos definidos. Inclui aprendizado supervisionado, não supervisionado e por reforço; depende de decisões humanas sobre dados, modelagem e avaliação.
Exemplo hipotético: Um modelo aprende a classificar mensagens com dados rotulados e é avaliado em mensagens separadas do treinamento.
Protocolo de integração entre aplicações de IA e ferramentas, recursos e sistemas externos. Padroniza a conexão, mas não concede automaticamente autorização nem transforma um servidor em agente.
Exemplo hipotético: Uma aplicação conecta uma ferramenta aprovada e valida os acessos a dados e ações expostos por ela.
Estado ou informação que a aplicação guarda e recupera entre etapas ou sessões. Pode incluir histórico, fatos ou resultados; retenção, atualização e autorização precisam ser definidas. Não implica mudança nos pesos do modelo.
Exemplo hipotético: Um agente recupera uma preferência autorizada em nova sessão e permite sua correção ou exclusão conforme a política de dados.
Arquitetura com componentes chamados especialistas e um mecanismo de roteamento que escolhe quais ativar em partes do processamento. Menos parâmetros ativos não significa que só esses parâmetros precisem ser armazenados ou que cada especialista represente um tema humano.
Exemplo hipotético: Uma implementação ativa parte dos componentes por token, mas considera a memória dos pesos e a distribuição da carga ao dimensionar o serviço.
Sistema que processa ou produz mais de uma modalidade, como texto, imagem, áudio ou vídeo. Modalidades de entrada e saída variam; reconhecer imagens não implica gerar imagens ou vídeos.
Exemplo hipotético: Uma aplicação recebe uma imagem e uma pergunta em texto e retorna uma descrição textual validada.
Área de computação e IA dedicada ao processamento de linguagem humana, incluindo análise, classificação, tradução, extração e geração. Não depende exclusivamente de LLMs.
Exemplo hipotético: Um sistema identifica entidades em documentos e encaminha casos ambíguos para revisão.
Registro e análise das etapas de uma aplicação, como chamadas de modelo, recuperação, ferramentas, erros e latência. Traces ajudam a investigar comportamento, mas podem conter dados sensíveis e precisam de controle de acesso e retenção.
Exemplo hipotético: A equipe usa traces para encontrar a etapa que falhou sem registrar credenciais ou dados desnecessários.
Open-weight indica disponibilidade de pesos, com condições de licença que podem restringir usos. Open-source envolve direitos e componentes necessários para usar, estudar, modificar e compartilhar segundo critérios aplicáveis; publicar pesos sozinho não basta. Licença de código, modelos e dados deve ser analisada separadamente.
Exemplo hipotético: Uma equipe verifica os termos de um checkpoint antes de distribuí-lo, sem presumir que acesso aos pesos permita qualquer uso comercial.
Ajuste excessivo aos exemplos ou condições usados no desenvolvimento, com pior desempenho em casos novos. Pode afetar treinamento e escolhas de configuração quando a avaliação não representa o uso real.
Exemplo hipotético: Um modelo funciona bem em exemplos conhecidos, mas falha em documentos de outra origem, levando a uma revisão dos dados e testes.
Etapa de aprendizado inicial de um modelo com dados e objetivos escolhidos para formar capacidades gerais ou de domínio. Não é uma consulta ao vivo às fontes usadas nem garante acesso a informações posteriores.
Exemplo hipotético: Uma aplicação consulta fontes atualizadas para informações recentes em vez de presumir que o modelo já as conhece.
Projeto e revisão de instruções, contexto e formato de entrada para orientar um modelo. Pode melhorar resultados, mas não substitui dados adequados, avaliações, permissões e validação da saída.
Exemplo hipotético: A equipe define claramente a tarefa e o formato esperado e testa as instruções em exemplos relevantes antes de usá-las em produção.
Instruções em conteúdo não confiável que tentam desviar o comportamento de um modelo ou agente. Pode aparecer em documentos, páginas ou ferramentas; autorização, isolamento e validação não podem depender apenas de prompts. Consulte também a definição no dicionário de segurança.
Exemplo hipotético: Um conteúdo recuperado pede uma ação fora da tarefa, e a aplicação impede a operação por seus controles de permissão.
Representação de pesos ou outras operações com menor precisão numérica para reduzir recursos em determinadas implementações. Pode afetar qualidade e desempenho; arquivos menores não garantem execução mais rápida em todo hardware.
Exemplo hipotético: Uma equipe compara memória, latência e qualidade de versões compatíveis antes de trocar o formato de um modelo.
Geração apoiada na recuperação de informações de fontes externas ao modelo. Recuperação, permissões, relevância e atualidade precisam ser avaliadas; RAG pode ajudar a fundamentar respostas, mas não elimina alucinações nem garante fidelidade às fontes.
Exemplo hipotético: Um assistente consulta documentos autorizados e cita os trechos usados, recusando responder quando não há evidência suficiente.
Modelo computacional formado por operações e parâmetros organizados em uma arquitetura, cujos valores podem ser ajustados durante o treinamento. A inspiração histórica no cérebro não significa que funcione como uma cópia dele.
Exemplo hipotético: Uma rede ajusta parâmetros para uma tarefa e tem sua qualidade verificada em dados separados e cenários de uso relevantes.
Reordenação de candidatos recuperados com um critério ou modelo adicional. Pode melhorar a pertinência, mas acrescenta custo ou latência e deve respeitar filtros e permissões.
Exemplo hipotético: Após uma busca inicial, o sistema reavalia os trechos e envia ao gerador apenas os que mais ajudam a responder.
Família de abordagens que usa feedback humano para orientar treinamento por reforço, frequentemente com sinais de preferência e modelos de recompensa. Pode adaptar comportamento, mas não garante ausência de erro ou alinhamento a qualquer objetivo.
Exemplo hipotético: Uma equipe incorpora avaliações humanas e verifica se o ajuste melhora o comportamento desejado sem degradar outros casos.
Resposta em um formato definido, como JSON ou campos de um esquema, quando suportado. Validade do formato não garante verdade, autorização ou correção dos valores; a aplicação ainda precisa validar semântica.
Exemplo hipotético: Um resumo chega em JSON válido, mas a aplicação confere fonte, data e conteúdo antes de publicar.
Aplicações que coordenam mais de um agente, com divisão de tarefas, comunicação e estado compartilhado ou separado. Podem aumentar custo e complexidade; colaboração não equivale a verificação independente ou melhor qualidade automática.
Exemplo hipotético: Um fluxo separa coleta e revisão de conteúdo e mantém uma pessoa responsável pela decisão final.
Parâmetro de amostragem que altera a distribuição usada para escolher saídas, quando suportado. Valores menores tendem a reduzir diversidade, mas não garantem determinismo ou precisão; comportamento e faixas dependem da implementação.
Exemplo hipotético: A aplicação testa configurações compatíveis com o provedor e mede consistência e qualidade sem assumir que temperatura baixa elimina erros.
Unidade de representação usada por um modelo ou tokenizador. Em texto pode corresponder a partes de palavras, caracteres ou símbolos; contagem varia por modelo e modalidade e pode influenciar contexto e cobrança.
Exemplo hipotético: A aplicação usa o tokenizador apropriado para estimar o tamanho de entrada e não presume que cada palavra corresponda a um token.
Conversão de dados para as unidades usadas pelo modelo, segundo um tokenizador ou representação. Diferentes tokenizadores podem produzir contagens diferentes para o mesmo texto; a conversão precisa corresponder ao modelo utilizado.
Exemplo hipotético: A aplicação mede tokens com uma ferramenta compatível e evita estimar orçamento apenas por número de caracteres.
Família de arquiteturas neurais que usa mecanismos de atenção para combinar informações. É amplamente utilizada em linguagem e outras modalidades; nem todo modelo moderno é um Transformer puro, e geração autoregressiva também possui etapas sequenciais.
Exemplo hipotético: Uma equipe usa uma arquitetura adequada à tarefa e verifica suas limitações em vez de inferir capacidades apenas pelo nome.
Processo que coordena etapas, dados e ferramentas, com ou sem decisões de agentes. Partes determinísticas podem ser mais adequadas quando regras e ordem são conhecidas; nem toda automação precisa de um agente autônomo.
Exemplo hipotético: Um fluxo coleta informações, valida os campos e solicita aprovação editorial antes de publicar.