Modelos
Introdução – Modelos de Linguagem no Contexto de Agentes de IA
Modelos de linguagem são a base da inteligência de um agente de IA. Eles funcionam como "o cérebro" que processa textos, interpreta perguntas, compreende contextos e gera respostas coerentes. Esses modelos são treinados com grandes quantidades de dados para aprender padrões da linguagem humana e aplicá-los na resolução de problemas, na geração de conteúdo e na tomada de decisões automatizadas.
No Skyone Studio, a escolha do modelo de linguagem é um passo estratégico. Ele determina a qualidade das respostas, a velocidade de processamento, a profundidade da análise e até o custo da operação. Diferentes modelos possuem diferentes capacidades — alguns são mais rápidos e econômicos, enquanto outros são mais avançados e contextualmente precisos.
Toda configuração de agente, Skill ou fluxo depende diretamente da escolha de um modelo adequado.
Tipos de Modelos
Atualmente, o Skyone Studio trabalha com as seguintes categorias:
Embarcados (nativos): modelos base fornecidos pelo Skyone Studio.
Não podem ser editados ou apagados.
Servem como ponto de partida para a criação de modelos customizados.
Customizados: versões derivadas de um modelo embarcado, criadas pelo usuário.
Permitem personalização de nome, descrição, prompt, temperatura e imagem.
Todo modelo customizado utiliza um modelo embarcado como base.
Principais Diferenças entre os Modelos de Linguagem
Capacidade de Contexto (Context Window):
Determina o quanto de informação o modelo consegue "lembrar" e considerar em uma interação.
Modelos com janelas maiores entendem conversas mais longas e complexas.
Precisão e Sofisticação:
Modelos mais avançados costumam gerar respostas mais naturais e contextuais.
Modelos mais enxutos são mais rápidos e econômicos, mas podem ter limitações em interações mais complexas.
Custo de Uso:
Modelos mais potentes tendem a ter custo de processamento mais alto.
Escolher o modelo certo ajuda a equilibrar qualidade e investimento.
Velocidade de Resposta:
Modelos menores respondem mais rapidamente, ideais para interações simples.
Modelos maiores podem ser mais lentos, mas trazem mais profundidade.
Exemplos de Modelos de Linguagem Utilizados no Mercado e embarcados no Skyone Studio
Gemma: Modelo desenvolvido pelo Google DeepMind, com foco em eficiência, segurança e capacidade de operar em dispositivos locais ou nuvem, ideal para aplicações escaláveis.
DeepSeek: Modelo avançado com alta capacidade de contexto e ótimo custo-benefício, voltado para aplicações corporativas e análise de dados em larga escala.
Meta LLaMA: Modelo open-source, personalizável e eficiente para soluções customizadas.
Mistral: Modelos de código aberto com alta performance e baixo custo, indicados para aplicações on-premise ou híbridas.
Como criar um Modelo no Skyone Studio
Acesse o menu lateral e clique em “Modelos”.
Escolha um modelo embarcado na lista.
Clique em "Customizar".
Preencha os seguintes campos:
Imagem (opcional): ícone ilustrativo para o modelo.
Nome do modelo
Descrição: para identificação interna. Esta descrição não altera o comportamento do modelo.
Prompt do sistema: instruções principais que definem o comportamento do modelo (ex.: “Você é um assistente especializado em responder perguntas sobre o Skyone Studio”).
(novo) Parâmetros avançados: Esses ajustes controlam como o modelo de IA gera suas respostas, permitindo encontrar um equilíbrio entre criatividade, precisão, velocidade e custo.
(novo) top_k: Seleção de palavras mais prováveis Exemplo: O modelo pode escolher entre as x palavras mais prováveis dentro do contexto.
(novo) top_p: Amostragem de núcleo (Nucleus Sampling) Exemplo: O modelo considera apenas as palavras mais prováveis até que a soma das probabilidades atinja a porcentagem determinada.
Temperatura: define o nível de criatividade da resposta.
Baixa (ex.: 0.2): respostas mais diretas e exatas.
Alta (ex.: 0.8): respostas mais livres e criativas.
(novo) token_limit: Limite de geração de tokens Exemplo: Define quantos tokens (palavras ou pedaços de palavras) o modelo pode gerar na resposta.
(novo) context_limit: Memória da conversa exemplo: Número máximo de tokens que o modelo consegue “lembrar” no histórico de interação.
(novo) repeat_penalty: Penalidade por repetição Ajusta a probabilidade de o modelo repetir palavras ou frases.
Clique em "Atualizar modelo".
Glossário – Termos Utilizados no Contexto de Modelos de Linguagem
Modelo de Linguagem (LLM – Large Language Model): Algoritmo treinado para entender e gerar texto em linguagem natural.
Context Window: Quantidade máxima de tokens (palavras + fragmentos) que o modelo consegue considerar em uma interação.
Token: Unidade de medida que representa uma parte de palavra ou palavra inteira no processamento do modelo.
Fine-Tuning: Processo de re-treinamento de um modelo com dados específicos para especializá-lo em um domínio.
Prompt: Instrução ou entrada de texto fornecida ao modelo para gerar uma resposta. Inference: Processo de execução do modelo para gerar uma resposta.
Embedding: Representação numérica de texto usada para comparação semântica ou busca.
Vídeo Demonstrativo
Para facilitar a compreensão, assista ao vídeo abaixo com a demonstração prática de todas as etapas apresentadas nesta documentação. O vídeo mostra cada tela, clique e configuração necessária para concluir a criação de modelo.
FAQ – Perguntas Frequentes sobre Modelos de Linguagem
Last updated