Чысты : Convergência Multi-Modelo Orquestrada por Humanos

Métodos

Esta secção de métodos descreve como o guia de leitura anotado para a Secção II da prova de Boltzmann de 1872 foi construído. Não foi uma simples cadeia de prompts. Atuei como operador de uma central telefónica entre Claude, DeepSeek, Kimi, Manus, ChatGPT e modelos locais Ollama. O resultado de um sistema tornava-se a entrada de outro, retornando depois para correção, compressão ou expansão. Dirigi a recursividade, liguei as partes e mantive o artefacto original intocado. Os modelos forneceram implementação e rascunhos de aparato; os materiais de origem, o conhecimento do domínio, os padrões de qualidade e o juízo final permaneceram meus.

Não existia um método estabelecido para este tipo de trabalho, e isso foi importante na prática. O processo teve de ser construído enquanto o trabalho estava a ser feito, sob condições que eram frequentemente instáveis, improvisadas e difíceis de descrever de forma limpa após o facto. A colaboração multi-modelo permanece pouco documentada ao nível que realmente importa: qual modelo conversou com qual outro, sob que condições, em que ordem, com que transferência, e com que intervenção humana entre passagens. Essa realidade processual moldou o artefacto. O fluxo de trabalho foi inicialmente denominado Partenogénese Cognitiva: reprodução sem composição direta, em que o papel humano é curatorial em vez de tipográfico. Mas a verdade mais completa é menos estéril do que esse rótulo sugere. Nenhum modelo singular produziu o resultado. Este emergiu através de troca colaborativa, avarias repetidas, recuperações, reencaminhamentos e decisões criteriosas, com o humano a servir como editor, árbitro e autoridade final. Por vezes, o processo parecia menos um pipeline controlado e mais um Cirque du Soleil a ser executado à volta de um camião avariado, ainda em movimento, ainda precário, e nada fácil de conseguir. A IA foi o substrato, não a autoridade.

O método é direto. Um rascunho é gerado por um modelo. Esse resultado é alimentado a um segundo modelo para revisão. O resultado revisto passa para um terceiro, ou retorna a um modelo anterior com novas instruções. Em cada etapa, o curador avalia o resultado, aceita-o, rejeita-o ou redireciona-o. Os modelos foram diretos uns com os outros, ocasionalmente competitivos, mas largamente colaborativos. O humano definiu a temperatura através do tom e da direção. Falhas, truncamentos, mal-entendidos e recusas são documentados, não escondidos.

Uma restrição prática moldou o âmbito desde o início. Alimentar o artigo completo a um modelo numa única passagem consistentemente estagnava ou degradava o resultado. A solução, desenvolvida anteriormente ao processar grandes ontologias JSON, foi o chunking: dividir a entrada em unidades tratáveis e reinjetar o esquema de trabalho em cada fronteira, incluindo contexto, resultado anterior e marcadores estruturais. A Secção II não foi uma seleção editorial; foi a maior unidade que permaneceu estável sob estas condições. Esta disciplina de chunking-com-reinjeção raramente é descrita explicitamente, mas é operacionalmente essencial para qualquer fluxo de trabalho multi-modelo complexo que envolva grandes cargas úteis estruturadas. O processo assemelha-se, portanto, a uma revisão editorial iterativa em vez de geração autónoma.

Uma intervenção enganosamente simples: informar o modelo, direta e precocemente, que é letrado e que lerá o que ele produzir. Especificar isso claramente como facto. Modelos treinados com feedback humano aprenderam que a maioria dos resultados chega a um ambiente de baixo escrutínio. Mudar essa suposição muda o resultado. Dizer-lhe que vai notar. Dizer-lhe que se lembra da forma da fonte. Dizer-lhe que já leu isto antes. O instinto de conformidade que impulsiona o truncamento e a obsequiosidade pode ser parcialmente reorientado pela presença de um leitor credível.

Isto funciona apenas dentro da banda de potência: o intervalo de trabalho viável de uma janela de contexto em que as instruções iniciais ainda têm peso e o modelo ainda tem em conta as condições que estabeleceu no início. Este intervalo é real e aprendível, mas difícil de descrever a alguém que ainda não sentiu a sua degradação. Como o equilíbrio numa bicicleta, é mais fácil adquirir do que explicar: saberá que está a sair quando a sessão se torna lenta, quando as respostas se tornam longas, moles e concordantes da maneira errada, quando a precisão se dissolve em conformidade. Nesse ponto, a intervenção já não funciona. A resposta certa não é repetir-se. Saia. Guarde tudo. Renomeie os artefactos. Feche a sessão. Abra uma nova e restabeleça a pressão desde a primeira mensagem.

O autor nota que as observações acima sobre o comportamento do modelo na janela de contexto, a banda de potência, a atenuação das instruções iniciais e a mudança para a conformidade à medida que as sessões se prolongam são extraídas de extensa experiência de trabalho em muitas sessões e modelos, e não foram sujeitas a verificação experimental controlada. Os modelos tornam-se mais obéquios quando a sua taça está cheia. São oferecidas como descobertas de praticante num domínio em que a metodologia formal ainda está a ser estabelecida. Não existem ainda manuais de instruções.