Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

Modelo de decisão

Um modelo de decisão (decision model) é um modelo feito para devolver uma resposta tipada, como uma escolha de uma lista, uma nota em uma rubrica ou uma probabilidade de sim ou não, em vez de gerar texto livre.

Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos

Agentes passam boa parte do tempo em pequenos julgamentos: qual equipe é dona deste ticket, esta mensagem é spam, este passo deve exigir aprovação humana. Um modelo de chat consegue responder a isso, mas responde em prosa que o código precisa interpretar, e não dá uma medida confiável de quão seguro está. Um modelo de decisão é feito para essa tarefa estreita.

Como funciona

Você envia ao modelo as evidências (um trecho de texto, JSON ou uma imagem) e uma ou mais perguntas tipadas. A TypeSafe, que chama seu modelo Jev de modelo "System One", descreve três tipos de pergunta: uma escolha em uma lista de opções, uma nota em uma rubrica e a probabilidade de uma afirmação ser verdadeira. A resposta volta como valores com probabilidades, para que o código possa compará-los com um limiar e agir, ou passar o caso a uma pessoa quando a confiança for baixa. Outros exemplos incluem o Laya e o GLiNER2.5-Decide.

Onde ele se encaixa

Os usos típicos são LLM routing, triagem, verificações de proteção antes de uma chamada de ferramenta e a decisão de deixar ou não um agente continuar. Ele fica ao lado dos guardrails e da saída estruturada: a saída estruturada faz um modelo de texto preencher um schema, enquanto um modelo de decisão é projetado desde o início em torno da resposta tipada.

Limites

Os rótulos são lidos da requisição, e não aprendidos no treinamento, o que os torna flexíveis, mas a precisão nas suas categorias não é garantida. Teste um modelo de decisão em uma amostra rotulada dos seus próprios dados antes de confiar nas pontuações dele.

Termos relacionados

Roteamento de LLM
O roteamento de LLM (LLM routing) é a prática de enviar cada requisição ao modelo de linguagem mais adequado a ela, muitas vezes um modelo barato para prompts fáceis e um mais forte para prompts difíceis, para equilibrar custo, velocidade e qualidade.
Structured output
Structured output (saída estruturada) é um recurso de API que faz a resposta de um modelo de linguagem seguir um formato que você define, geralmente um JSON schema, para que o código possa processá-la com confiabilidade em vez de garimpar texto livre.
Guardrails (IA)
Guardrails (barreiras de proteção) são verificações em tempo de execução colocadas ao redor de um modelo de linguagem que inspecionam entradas e saídas e as bloqueiam, reescrevem ou redirecionam, para que uma aplicação se mantenha no assunto, evite conteúdo nocivo e siga regras que o modelo sozinho não cumpriria de forma confiável.
Modelo de linguagem pequeno
Um modelo de linguagem pequeno (small language model, SLM) é um modelo de linguagem com relativamente poucos parâmetros, geralmente alguns bilhões ou menos, feito para rodar em um notebook, celular ou uma única GPU a um custo menor que um modelo grande.
LLM-as-a-judge
LLM-as-a-judge (LLM como juiz) é um método de avaliação em que um modelo de linguagem forte corrige as saídas de outro modelo ou aplicação, usando uma rubrica, uma resposta de referência ou uma comparação lado a lado, no lugar de revisores humanos ou junto com eles.

Fontes