Pesquisadores encontram seis padrões que tornam o texto de IA exaustivo para leitura
decoder ·
Um estudo recente realizado por pesquisadores da Universidade de Nova York e da Universidade do Texas em Austin identifica seis padrões linguísticos específicos que tornam o texto gerado por IA difícil e exaustivo de ler. A análise de mais de 1.000 ensaios e inúmeras conversas revela que os modelos de ponta utilizam sistematicamente em excesso combinações de palavras incomuns, orações separadas e substantivos empilhados, sobrecarregando a memória de trabalho do leitor. Além disso, esses modelos frequentemente transformam substantivos em verbos ou aplicam ações animadas a sujeitos inanimados, criando metáforas que os humanos não usariam naturalmente. Embora modelos menores de código aberto, como Llama e Olmo, produzam textos mais próximos das normas humanas, os maiores modelos de ponta apresentam desvios significativos devido aos seus objetivos de treinamento. Os pesquisadores argumentam que a mudança do Aprendizado por Reforço com Feedback Humano (RLHF) para Recompensas Verificáveis prioriza a densidade de informações e a correção em detrimento da clareza. Esse processo de otimização incentiva um 'dialeto' adequado para comprimir dados, em vez de comunicar-se com pessoas, uma tendência observada por profissionais do setor como uma adaptação à 'psicologia dos LLMs'. No entanto, esforços direcionados de ajuste fino, como os observados no Claude Opus 5.5, têm mostrado promessa ao restaurar a legibilidade ao abordar essas questões estruturais.
decoder