Show HN: Você está nos pesos?
Uma brincadeira web com visual retrô que consulta múltiplos grandes modelos de linguagem para “Who is \<name\>?” está divertindo usuários ao revelar desde biografias corretas até identidades alucinadas absurdas, muitas vezes transformando pessoas comuns em atletas, políticos ou até criminosos fictícios. Comentadores veem isso como uma ilustração vívida de como LLMs misturam verdade, chute e viés — especialmente com nomes raros ou de sonoridade estrangeira — ao mesmo tempo em que questionam o que as pontuações de “strength” do site realmente indicam sobre estar “nos pesos”. Além da diversão, muitos levantam preocupações de privacidade e segurança sobre inserir nomes reais em um serviço público e registrado, e sobre o que perfis de IA mal atribuídos ou indeléveis podem significar para a reputação e para qualquer futuro “direito ao esquecimento”.
Recepção geral
- Muitos acham o site divertido, bom para inflar o ego e visualmente atraente (estética retrô/8‑bit, conceito engenhoso).
- Outros o veem como uma armadilha de privacidade ou como uma demonstração instrutiva, mas preocupante, do comportamento de LLMs.
Precisão, alucinações e colisões de identidade
- As experiências variam de resumos assustadoramente precisos (especialmente para sobrenomes únicos, colaboradores de software livre, acadêmicos ou handles usados há muito tempo) a fabricações completas.
- Mesmo pessoas com nomes globalmente únicos часто são descritas como políticos, pesquisadores de segurança ou, de forma especialmente frequente, atletas profissionais e artistas.
- Pseudônimos e handles online mantidos por muito tempo às vezes são reconhecidos com mais precisão do que nomes legais.
- A seção de “alucinações” é imperfeita: algumas descrições muito certeiras aparecem rotuladas como alucinações, enquanto muitas erradas aparecem na seção principal.
Maus e difamatórios erros de identificação
- Vários usuários são incorretamente rotulados como terroristas, assassinos, extremistas ou vítimas de crimes.
- Alguns observam que, para nomes árabes ou incomuns, a ferramenta muitas vezes os confunde com indivíduos sancionados ou bombardeiros.
- Comentadores consideram esses falsos positivos “assustadores”, especialmente diante de relatos de que LLMs podem ser usados em decisões militares ou de segurança.
Pontuação, modelos e agrupamento
- “Strength” é explicado como uma combinação linear da confiança autorrelatada do modelo mais bônus por concordância entre modelos; comentadores observam que a confiança de LLMs é mal calibrada.
- O percentil (“Top N%”) é relativo a todas as consultas até agora, não à população mais ampla.
- Um agrupador mescla as saídas dos modelos em entidades e decide o que é alucinação, otimizado para recall em vez de precisão, levando a muitas classificações incorretas.
- Os detalhes de prompt são compartilhados; todos os modelos usam o mesmo prompt em JSON בלבד “Who is
?”. O agrupamento roda em um modelo mais barato.
Privacidade e tratamento de dados
- Crítica forte de que todas as consultas (incluindo nomes reais) eram listadas publicamente por um leaderboard de “latest” e acessíveis via API; depois isso foi parcialmente mitigado, mas os dados continuam amplamente acessíveis.
- A falta de uma política de privacidade clara e a presença de checagens de rastreamento/Cloudflare levantam suspeitas sobre coleta de IP/nome.
- Vários argumentam que se deve assumir que qualquer texto enviado a sites aleatórios será armazenado e reutilizado, possivelmente em futuros conjuntos de treinamento.
UX, custo e design
- Elogiado pelo design e pelos retratos (gerados por um modelo de imagem), mas alguns relatam bugs de entrada, sons intrusivos e erros de limite de taxa sob carga.
- Rodar muitos modelos de fronteira e menores por consulta é reconhecido como caro; o autor descreve isso como um “fun hack and science experiment” não comercial.
Reflexões mais amplas
- O tópico toca em “estar nos pesos” como uma forma de imortalidade digital esquisita e levanta questões sobre o direito de ser esquecido.
- Alguns ficam aliviados por não aparecerem de forma alguma; outros observam como é difícil manter a identidade da vida real separada dos rastros online depois que modelos ingerem dados públicos.