6 posts found
Chroma testou 18 modelos de fronteira: TODOS degradam com contexto longo. O contexto efetivo pode cair até 99% do anunciado. Mas prompt caching economiza 41-80%. Este é o guia que eu queria ter lido antes de queimar $2.000 em tokens.
60% dos projetos em produção usam os dois. A abordagem combinada atinge 96% de precisão vs 89% só RAG e 91% só fine-tuning. A VP de AI da Salesforce reduziu alucinações de 12% para 3%. Mas por onde começar?
85% de precisão por passo parece bom. Mas em um workflow de 10 passos, isso é 20% de sucesso. Gartner prevê que 40% dos projetos de agentes serão abandonados até 2027. E a solução não é um modelo melhor — é engenharia que eu gostaria de ter aprendido antes.
512.000 linhas de código vazaram. 1.906 arquivos. E a revelação que chocou a comunidade: a IA propriamente dita é um loop while com uma função central. Os outros 98% são engenharia de software tradicional. Brilhante.
Stanford provou que mudar apenas o harness — sem tocar no modelo — gera variação de até 6x em performance. O Meta-Harness ficou em #1 no TerminalBench-2, batendo todas as soluções humanas. O problema nunca foi o modelo.
Em 2024, alucinações de IA custaram $67,4 bilhões globalmente. Um advogado foi punido por citar casos inventados pelo ChatGPT. Uma prova matemática de 2025 confirmou: alucinações NÃO podem ser eliminadas. Por quê?