Como os modelos aprendem
Um modelo de linguagem aprende padrões a partir de enormes quantidades de texto e depois é ajustado para seguir instruções.
Um modelo de linguagem é um programa que lê texto e escreve o texto que tem mais chance de vir em seguida. Ele faz isso um pedacinho de cada vez. Faça uma pergunta, e ele escreve uma resposta que se encaixa nos padrões que aprendeu.
Os modelos aprendem em duas etapas principais. Primeiro vem o pré-treinamento: o modelo lê uma quantidade enorme de texto, como livros, sites e código, e aprende a prever a próxima palavra. É aí que ele absorve a língua, os fatos e os padrões de raciocínio. Depois vem o ajuste: pessoas o treinam mais com exemplos de boas respostas, para que ele siga instruções e se comporte como um assistente útil em vez de só continuar o seu texto.
Os modelos têm uma data de corte de conhecimento. O treinamento para em uma certa data, e o modelo não sabe nada do que aconteceu depois dela. Ele não pesquisa nada por conta própria. Se você precisa de fatos recentes, tem que fornecê-los ao modelo, por exemplo adicionando um documento ao prompt ou ativando uma ferramenta de busca na web.
Os modelos de raciocínio pensam antes de responder. Eles gastam tokens extras trabalhando no problema primeiro e depois escrevem a resposta. Isso ajuda em problemas difíceis, como matemática, código ou planejamento, mas demora mais e custa mais, porque esses tokens de raciocínio contam como saída. No Phaseo, você escolhe quanto um modelo pensa com reasoning.effort (ou reasoning_effort no Chat Completions), de none a max. Um esforço maior ajuda em problemas difíceis e custa mais tempo e tokens.
Modelos de pesos abertos e modelos fechados. Alguns laboratórios publicam os pesos de um modelo, os números que ele aprendeu no treinamento, para que muitos provedores possam hospedá-lo. Outros mantêm os pesos privados e só oferecem o modelo pela própria API ou por parceiros escolhidos. No Phaseo, você chama os dois tipos do mesmo jeito. A página de um modelo mostra a licença em Sobre e lista todos os provedores que o hospedam.
Confira o que você aprendeu
Você pergunta a um modelo sobre algo que aconteceu na semana passada, e ele dá uma resposta desatualizada ou inventada. Por quê?
Aplique
Você usa um modelo de raciocínio para responder perguntas simples de clientes, como o horário de funcionamento. As respostas estão corretas, mas são lentas e custam mais do que você esperava. O que dá para mudar?
Mostrar a respostaOcultar a resposta
Perguntas simples raramente precisam de muito raciocínio. Diminua reasoning.effort (ou reasoning_effort) ou use um modelo que não raciocina. Os tokens de raciocínio contam como saída, então menos raciocínio significa respostas mais rápidas e mais baratas. Deixe o esforço maior para tarefas difíceis.
Resumo
Links relacionados
Verificado em 17 de novembro de 2026