Um dos pontos de venda dos principais modelos de IA generativa do Google, Gemini 1.5 Professional e 1.5 Flash, é a quantidade de dados que eles supostamente podem processar e analisar. Em coletivas de imprensa e demonstrações, o Google afirmou repetidamente que os modelos podem realizar tarefas anteriormente impossíveis graças ao seu “longo contexto”, como resumir vários documentos de cem páginas ou pesquisar cenas em filmagens.
Mas novas pesquisas sugerem que os modelos não são, de fato, muito bons nessas coisas.
Dois separado estudos investigaram o quão bem os modelos Gemini do Google e outros fazem sentido a partir de uma quantidade enorme de dados — pense em trabalhos do tamanho de “Guerra e Paz”. Ambos descobriram que o Gemini 1.5 Professional e o 1.5 Flash têm dificuldade para responder perguntas sobre grandes conjuntos de dados corretamente; em uma série de testes baseados em documentos, os modelos deram a resposta certa apenas 40% 50% das vezes.
“Embora modelos como o Gemini 1.5 Professional possam processar tecnicamente contextos longos, vimos muitos casos indicando que os modelos não ‘entendem’ realmente o conteúdo”, disse Marzena Karpinska, pós-doutoranda na UMass Amherst e coautora de um dos estudos, ao TechCrunch.
A janela de contexto do Gemini está faltando
O contexto de um modelo, ou janela de contexto, refere-se aos dados de entrada (por exemplo, texto) que o modelo considera antes de gerar a saída (por exemplo, texto adicional). Uma pergunta simples – “Quem ganhou as eleições presidenciais dos EUA em 2020?” – pode servir como contexto, assim como um roteiro de filme, programa ou clipe de áudio. E à medida que as janelas de contexto aumentam, também aumenta o tamanho dos documentos que cabem nelas.
As versões mais recentes do Gemini podem receber mais de 2 milhões de tokens como contexto. (“Tokens” são bits subdivididos de dados brutos, como as sílabas “fan,” “tas” e “tic” na palavra “incredible.”) Isso equivale a aproximadamente 1,4 milhão de palavras, duas horas de vídeo ou 22 horas de áudio — o maior contexto de qualquer modelo disponível comercialmente.
Num briefing no início deste ano, o Google mostrou várias demonstrações pré-gravadas destinadas a ilustrar o potencial das capacidades de longo contexto do Gemini. Um deles fez com que o Gemini 1.5 Professional pesquisasse a transcrição da transmissão do pouso na Lua da Apollo 11 – cerca de 402 páginas – em busca de citações contendo piadas e, em seguida, encontrasse uma cena na transmissão que parecia semelhante a um esboço a lápis.
O vice-presidente de pesquisa do Google DeepMind, Oriol Vinyals, que liderou o briefing, descreveu o modelo como “mágico”.
“[1.5 Pro] realiza esse tipo de tarefa de raciocínio em cada página, em cada palavra”, disse ele.
Isso pode ter sido um exagero.
Em um dos estudos mencionados acima, comparando essas capacidades, Karpinska, junto com pesquisadores do Allen Institute for AI e Princeton, pediu aos modelos para avaliar afirmações verdadeiras/falsas sobre livros de ficção escritos em inglês. Os pesquisadores escolheram trabalhos recentes para que os modelos não pudessem “trapacear” confiando em presciência, e eles apimentaram as afirmações com referências a detalhes específicos e pontos da trama que seriam impossíveis de compreender sem ler os livros na íntegra.
Dada uma declaração como “Ao usar suas habilidades como Apoth, Nusis é capaz de fazer engenharia reversa do tipo de portal aberto pela chave de reagentes encontrada no baú de madeira de Rona”, Gemini 1.5 Professional e 1.5 Flash — tendo ingerido o livro relevante — tiveram que dizer se a declaração period verdadeira ou falsa e explicar seu raciocínio.
Testado em um livro com cerca de 260.000 palavras (~520 páginas) de extensão, os pesquisadores descobriram que o 1.5 Professional respondeu às declarações verdadeiro/falso corretamente 46,7% das vezes, enquanto o Flash respondeu corretamente apenas 20% das vezes. Isso significa que uma moeda é significativamente melhor em responder perguntas sobre o livro do que o modelo de aprendizado de máquina mais recente do Google. Fazendo a média de todos os resultados de benchmark, nenhum dos modelos conseguiu atingir uma likelihood maior do que aleatória em termos de precisão de resposta a perguntas.
“Percebemos que os modelos têm mais dificuldade em verificar alegações que exigem considerar partes maiores do livro, ou mesmo o livro inteiro, em comparação com alegações que podem ser resolvidas recuperando evidências em nível de sentença”, disse Karpinska. “Qualitativamente, também observamos que os modelos têm dificuldade em verificar alegações sobre informações implícitas que são claras para um leitor humano, mas não explicitamente declaradas no texto.”
O segundo dos dois estudos, de coautoria de pesquisadores da UC Santa Bárbara, testou a capacidade do Gemini 1.5 Flash (mas não do 1.5 Professional) de “raciocinar” vídeos – ou seja, pesquisar e responder perguntas sobre o conteúdo deles. .
Os coautores criaram um conjunto de dados de imagens (por exemplo, uma foto de um bolo de aniversário) pareados com perguntas para o modelo responder sobre os objetos retratados nas imagens (por exemplo, “Qual personagem de desenho animado está neste bolo?”). Para avaliar os modelos, eles escolheram uma das imagens aleatoriamente e inseriram imagens “distratoras” antes e depois dela para criar filmagens semelhantes a slideshows.
O Flash não teve um desempenho tão bom. Em um teste em que o modelo transcreveu seis dígitos manuscritos de uma “apresentação de slides” de 25 imagens, o Flash acertou cerca de 50% das transcrições. A precisão caiu para cerca de 30% com oito dígitos.
“Em tarefas reais de resposta a perguntas sobre imagens, parece ser particularmente difícil para todos os modelos que testamos”, disse Michael Saxon, um aluno de doutorado na UC Santa Barbara e um dos coautores do estudo, ao TechCrunch. “Essa pequena quantidade de raciocínio — reconhecer que um número está em um quadro e lê-lo — pode ser o que está quebrando o modelo.”
O Google está prometendo demais com Gemini
Nenhum dos estudos foi revisado por pares, nem investiga os lançamentos do Gemini 1.5 Professional e 1.5 Flash com contextos de 2 milhões de tokens. (Ambos testaram as versões de contexto de 1 milhão de tokens.) E o Flash não foi feito para ser tão capaz quanto o Professional em termos de desempenho; O Google o anuncia como uma alternativa de baixo custo.
No entanto, ambos acrescentam lenha à fogueira que o Google tem prometido demais – e cumprido de forma insuficiente – com a Gemini desde o início. Nenhum dos modelos testados pelos pesquisadores, incluindo o GPT-4o da OpenAI e o Claude 3.5 Sonnet da Anthropic, teve um bom desempenho. Mas o Google é o único fornecedor modelo que recebe o faturamento superior da janela de contexto em seus anúncios.
“Não há nada de errado com a simples alegação, ‘Nosso modelo pode levar X número de tokens’ com base nos detalhes técnicos objetivos”, disse Saxon. “Mas a questão é, que coisa útil você pode fazer com isso?”
Em termos gerais, a IA generativa está sob crescente escrutínio à medida que as empresas (e os investidores) ficam frustrados com as limitações da tecnologia.
Em duas pesquisas recentes do Boston Consulting Group, cerca de metade dos entrevistados — todos executivos de alto escalão — disseram que não esperam que a IA generativa traga ganhos substanciais de produtividade e que estão preocupados com o potencial de erros e comprometimentos de dados decorrentes de ferramentas generativas alimentadas por IA. PitchBook recentemente relatado que, durante dois trimestres consecutivos, a negociação generativa de IA nas fases iniciais diminuiu, caindo 76% em relação ao seu pico no terceiro trimestre de 2023.
Diante de chatbots resumidores de reuniões que evocam detalhes fictícios sobre pessoas e plataformas de busca de IA que basicamente equivalem a geradores de plágio, os clientes estão em busca de diferenciadores promissores. O Google — que correu, às vezes desajeitadamente, para alcançar seus rivais de IA generativa — estava desesperado para fazer do contexto da Gemini um desses diferenciadores.
Mas a aposta foi prematura, ao que parece.
“Não decidimos uma maneira de realmente mostrar que o ‘raciocínio’ ou ‘entendimento’ sobre documentos longos está ocorrendo, e basicamente cada grupo que lança esses modelos está juntando suas próprias avaliações advert hoc para fazer essas alegações”, disse Karpinska. “Sem o conhecimento de quanto tempo o processamento de contexto é implementado — e as empresas não compartilham esses detalhes — é difícil dizer o quão realistas essas alegações são.”
O Google não respondeu a um pedido de comentário.
Tanto Saxon como Karpinska acreditam que os antídotos para as afirmações exageradas em torno da IA generativa são melhores referências e, na mesma linha, maior ênfase na crítica de terceiros. Saxon observa que um dos testes mais comuns para contexto longo (liberalmente citado pelo Google em seus materiais de advertising), “agulha no palheiro”, mede apenas a capacidade de um modelo de recuperar informações específicas, como nomes e números, de conjuntos de dados – não responde perguntas complexas sobre essas informações.
“Todos os cientistas e a maioria dos engenheiros que usam esses modelos concordam essencialmente que nossa cultura de benchmark existente está quebrada”, disse Saxon, “então é importante que o público entenda que deve levar esses relatórios gigantescos contendo números como ‘inteligência geral em benchmarks’ com uma grande dose de ceticismo.”
