Inteligência artificial, sem ruído.
Modelos e LLMs2 min

LLMs estão presos no pensamento de grupo — e uma startup quer tirá-los de lá

Testes mostram que LLMs convergem para as mesmas respostas: '7' como número aleatório, 'Time is a river' como metáfora. A startup Springboards criou o modelo Flint para combater o pensamento de grupo.

LLMs estão presos no pensamento de grupo — e uma startup quer tirá-los de lá
Imagem de apoio. Fonte: MIT Technology Review.

Faça um teste rápido: abra seu chatbot preferido e peça “me dê um número aleatório entre 1 e 10”. A resposta quase sempre será 7. Peça de novo e virá 3 ou 4. Mais uma vez: 8 ou 9. Não é coincidência — é groupthink (pensamento de grupo), um viés sistêmico que afeta a maioria dos grandes modelos de linguagem.

O problema do “artificial hivemind”

Em novembro de 2025, um paper vencedor de melhor artigo no NeurIPS, intitulado “Artificial Hivemind: The Open-Ended Homogeneity of Language Models”, expôs um grau notável de repetição não apenas nas respostas de um mesmo LLM, mas entre modelos diferentes. Quando os pesquisadores pediram a 25 LLMs diferentes que criassem uma metáfora sobre o tempo — 50 vezes cada — a maioria das 1.250 respostas foi alguma variação de “O tempo é um rio” ou “O tempo é um tecelão”.

Springboards e o modelo Flint

A startup australiana Springboards construiu um LLM chamado Flint treinado especificamente para gerar respostas mais variadas a perguntas abertas. Enquanto ChatGPT e Claude respondem “Run your way” como slogan para a New Balance, o Flint sugere “Built to last, run to win”. Quando perguntados sobre tipo de carro, os modelos tradicionais dizem Toyota ou Honda; Flint responde Ford F-150.

“A maioria dos modelos de linguagem está brigando com alucinações. Nós damos as boas-vindas a elas”, diz Pip Bingemann, CEO e cofundador da Springboards. A abordagem é deliberadamente diferente: em vez de suprimir a variabilidade para produzir respostas confiáveis, o Flint abraça a diversidade de saídas.

Por que isso acontece

Pesquisadores especulam que a convergência ocorre porque a maioria dos LLMs é treinada de forma similar, com dados similares, para tarefas similares. A OpenAI reconhece que treinar modelos para dar respostas coerentes e confiáveis pode levá-los a convergir em torno de respostas familiares de alta probabilidade — e que forçar mais novidade pode resultar em respostas mais fracas ou menos confiáveis. O desafio técnico está em calibrar essa troca entre criatividade e confiabilidade.


Descubra mais sobre noticiAI

Assine para receber nossas notícias mais recentes por e-mail.

R
Sobre o autorRedação Noticiai

Equipe editorial dedicada a explicar inteligência artificial com clareza, independência e contexto.