Por que os pelicanos dos LLM parecem assim?
Um prompt viral pedindo para modelos de IA “gerarem um SVG de um pelicano andando de bicicleta” virou um benchmark informal de quão semelhantemente grandes modelos de linguagem respondem a tarefas criativas pouco especificadas. Comentadores observam que a maioria dos sistemas agora produz cenas quase idênticas e genéricas — a mesma vista de lado, o mesmo céu ensolarado, os mesmos acessórios — e veem isso como evidência de “colapso de modo” impulsionado por dados de treinamento compartilhados e técnicas de alinhamento no pós-treinamento. Alguns acolhem essa conformidade para usos práticos como código e gráficos de negócios, enquanto outros temem que ela achate a inovação, reforce clichês e mostre por que o gosto e a direção humanos continuam sendo críticos na criação assistida por IA.
Prompt, Benchmark do Pelicano e “Colapso da Diversidade”
- Muitos observam que diferentes modelos fornecem SVGs impressionantemente semelhantes para “um pelicano andando de bicicleta”: vista lateral, movimento da esquerda para a direita, céu ensolarado, nuvens, estrada/grama genéricas, cachecol/capacete, linhas de movimento.
- Alguns veem isso como evidência de um “colapso da diversidade dos LLM”, em que os modelos convergem para a mesma saída centrodal para prompts pouco especificados.
- Outros argumentam que isso é esperado e até desejável: diante de um pedido vago, o modelo deve escolher a cena estatisticamente mais típica e reconhecível.
Criatividade vs. Previsibilidade
- Um grupo quer que os modelos sejam mais imaginativos por padrão; caso contrário, design, código e texto gerados por IA acabam convergindo para uma mesmice sem graça e podem sufocar a inovação.
- Outro grupo prefere previsibilidade: um prompt simples deve produzir um resultado genérico e minimamente surpreendente (como um PB&J padrão ou um ícone neutro de laptop), e não uma reinterpretação selvagem.
- Vários კომენტadores enfatizam que resultados interessantes exigem prompts mais ricos e direção iterativa; “genérico entra ⇒ genérico sai”.
Papel do Treinamento, RLHF e Dados Sintéticos
- Há debate sobre se os LLMs podem ser treinados puramente com dados gerados por LLM; trabalhos citados sugerem forte dependência de dados humanos “semente” mais aumento sintético, com curadoria humana contínua.
- Alguns afirmam que RLHF/alinhamento e pós-treinamento comprimem a diversidade, empurrando os modelos para um único estilo; os modelos base seriam mais variados, mas menos “seguros” e mais propensos a alucinações.
- Há preocupação de que o aumento de dados sintéticos e de ciclos de alinhamento estreite ainda mais o espaço de saída entre os modelos.
Comparações com Humanos e Convergência de Estilo
- Comparações com crianças desenhando casas ou cenas genéricas: humanos também recaem em clichês, mas grupos humanos ainda mostram mais variação do que os modelos atuais no prompt do pelicano.
- Vieses observados: movimento da esquerda para a direita, estilo SVG parecido com ícone, clichês comuns (peixe na cesta, litoral, cachecóis) refletem padrões nos dados de treinamento e na cultura em geral.
- Uma “mesmice” semelhante é observada em logotipos corporativos, interfaces e design de interiores; alguns veem os LLMs como amplificando a convergência já existente no mundo real.
Casos de Uso e Ferramentas
- Para código, o colapso de modo é visto como um recurso: implementações consistentes, “sem graça” e padrões padrão são desejáveis.
- Para arte e design, a mesmice é um bug; mitigação sugerida inclui: prompts melhores, ferramentas externas de aleatoriedade/brainstorming, configurações com múltiplos modelos e críticos humanos no loop para orientar o estilo.