Modelo de decisão
Um modelo de decisão lê uma situação e uma lista de perguntas e retorna uma probabilidade para cada resposta permitida, em vez de escrever texto.
Um modelo de chat gera palavras e deixa a interpretação para você. Um modelo de decisão é construído para o passo em que um agente precisa escolher: você envia a situação e perguntas tipadas, como “verdadeiro ou falso”, “escolha um destes times” ou “avalie a gravidade de um a quatro”. O modelo pontua todas as opções permitidas em uma única passada, então o resultado é um conjunto de probabilidades que seu código pode usar para definir limiar, rotear ou passar para uma pessoa. O Clef, da Cloudflare, pós-treinado a partir do Qwen, é um exemplo aberto, e seu formato de requisição é compatível com o Jev, da Typesafe AI. Outros exemplos: o d1, da Liquid AI; os modelos Decider da AutoTrust; o pplx-decider, da Perplexity; o Prism, da Sarvam, construído sobre um modelo de 105B; o Smaug-Decisions, da Abacus.AI, que também aceita áudio; o hs-decide-1-flash, da Hindsight; e o DuplexJev, da Adventists AI, que decide vez de fala, interrupções e tom direto do áudio de voz.
Como nenhum texto é gerado, esses modelos podem ser rápidos e consistentes, e você pode mudar os rótulos sem retreinar. Eles não conseguem se explicar nem executar ações, e perguntas muito pesadas em raciocínio podem ficar melhor em um modelo de chat maior. Trate as probabilidades como pontuações a validar com seus próprios exemplos rotulados, porque a calibração varia, e as tabelas de benchmark dos fornecedores vêm das execuções do próprio fornecedor.
Termos relacionados
- Agente de IA Um agente de IA é um sistema em que um modelo planeja e executa tarefas de várias etapas chamando ferramentas, como rodar código, pesquisar na web ou editar arquivos.
- Chamada de ferramentas (function calling) A chamada de ferramentas permite que um modelo peça ao seu programa para executar uma função, como uma busca ou uma calculadora, e depois use o resultado na resposta.
- Modelo multimodal Um modelo multimodal pode lidar com mais de um tipo de dados, como texto, imagens, áudio ou vídeo, como entrada, como saída ou ambos.
- Ajuste fino (fine-tuning) O ajuste fino continua o treinamento de um modelo pré-treinado com seus próprios exemplos, para que ele se comporte melhor em uma tarefa, estilo ou domínio específicos.