Padrões de bandos reduzem alucinações em resumos de IA ^{CEFR B2}

Investigadores da New York University, liderados por Anasse Bari e com o coautor Binxu Huang, apresentaram na Frontiers in Artificial Intelligence uma estrutura algorítmica de pré‑processamento para LLMs destinada a reduzir alucinações em resumos de documentos longos.

A abordagem funciona em duas etapas. Na fase inicial, as frases são limpas e normalizadas — preservando substantivos, verbos e adjetivos e fundindo termos compostos — e transformadas em vetores que refletem traços lexicais, semânticos e temáticos. Cada frase recebe pontuações de centralidade no documento, importância por secção e alinhamento com o abstract, com reforço numérico para secções-chave como Introdução, Resultados e Conclusão.

Na fase seguinte, são aplicados princípios de voo em bando — coesão, alinhamento e separação — para formar aglomerados de frases semelhantes. Dentro de cada aglomerado emergem líderes e seguidores; apenas as frases com pontuações mais elevadas são selecionadas, reduzindo redundância e preservando cobertura de contexto, métodos, resultados e conclusões. As frases escolhidas são reordenadas e um LLM gera o resumo final. Testes em mais de 9,000 documentos mostraram que a combinação da estrutura inspirada em bandos com LLMs aumenta a precisão factual em relação a LLMs sem essa etapa de pré-processamento.

Segundo Bari, a estrutura foi pensada como um passo preparatório, não como concorrente dos LLMs; pode reduzir o risco de alucinações, mas não o elimina.