Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Penalizações e Repetições

Aula 11 de 16 Atualizada a 28 de julho de 2026 Iniciante
Nesta página
  1. Evitar Loops e Repetições
  2. A Penalização de Presença
  3. A Penalização de Frequência
  4. Diferença Entre as Duas Penalizações
  5. Quando Utilizar Cada Penalização
  6. Cuidado com Valores Extremos
  7. Pontos-chave

Evitar Loops e Repetições

Um dos comportamentos mais frustrantes de um modelo de linguagem é a repetição: o modelo entra em loop nas mesmas palavras, estruturas de frases ou ideias. Pede um artigo aprofundado e recebe três parágrafos que começam todos por “Além disso”, com a palavra “inovação” em todas as linhas. Os modelos Mistral oferecem dois parâmetros para combater este fenómeno: a penalização de presença e a penalização de frequência. Parecem semelhantes, mas os seus mecanismos diferem o suficiente para que a escolha de um em detrimento do outro altere genuinamente o resultado.

A Penalização de Presença

A penalização de presença é uma sanção única aplicada a qualquer token que já tenha aparecido pelo menos uma vez na resposta gerada. Não importa se o token foi usado uma vez ou 50 vezes: a penalização é a mesma. O parâmetro aceita valores de -2,0 a 2,0, sendo 0 o valor padrão (desativado). Um valor positivo incentiva o modelo a usar novas palavras; um valor negativo, mais raro, incentiva-o a reutilizar as mesmas.

# Positive presence penalty: more varied vocabulary
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "Describe the benefits of remote work."}
    ],
    presence_penalty=0.6
)

Na prática, a penalização de presença é ideal quando deseja que o modelo explore um vocabulário mais amplo e aborde diferentes aspetos de um tópico. No exemplo do trabalho remoto acima, empurra o modelo da flexibilidade horária para o imobiliário corporativo e depois para a pegada de carbono, em vez de repetir três vezes o argumento da poupança de tempo.

A Penalização de Frequência

A penalização de frequência, por outro lado, é cumulativa: aumenta cada vez que um token é reutilizado. Quanto mais frequentemente uma palavra aparece, mais é penalizada, tornando-a significativamente mais eficaz do que a penalização de presença para quebrar loops. Partilha a mesma gama de valores, de -2,0 a 2,0, com 0 como padrão.

# Frequency penalty: reduces repetition of frequent words
response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "Write a 300-word article on artificial intelligence."}
    ],
    frequency_penalty=0.5
)

O seu ponto ideal: textos longos onde o modelo tende a repetir as mesmas palavras ou estruturas. Um artigo de 300 palavras sobre inteligência artificial, sem penalização, corre o risco de martelar “IA” e “tecnologia” em todas as frases; a penalização de frequência força gradualmente o modelo a variar a sua linguagem.

Diferença Entre as Duas Penalizações

Para compreender a nuance, vejamos um exemplo numérico. O modelo já gerou a palavra “inovação” 5 vezes na sua resposta. Com uma penalização de presença de 0,5, “inovação” recebe uma penalização de 0,5 — fixa, as 5 ocorrências não alteram nada. Com uma penalização de frequência de 0,5, a mesma palavra recebe uma penalização de 2,5, ou seja, 0,5 multiplicado pelas suas 5 ocorrências. A penalização de frequência é, portanto, muito mais agressiva contra tokens que regressam frequentemente, enquanto a penalização de presença aplica uma pressão suave e uniforme sobre tudo o que já foi dito.

Quando Utilizar Cada Penalização

Utilize a penalização de presença quando o objetivo for a diversidade temática. Numa sessão de brainstorming, quer dez ideias verdadeiramente distintas, não dez reformulações da primeira:

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "List 10 digital marketing trends for 2026."}
    ],
    presence_penalty=0.8,
    temperature=0.7
)

Utilize a penalização de frequência quando o objetivo for a fluidez do texto. Num guia extenso, impede que tiques de linguagem se instalem sem distorcer a mensagem:

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "Write a comprehensive guide on agile project management."}
    ],
    frequency_penalty=0.4,
    temperature=0.5
)

Nada o impede de combinar ambas para um efeito cumulativo — uma newsletter criativa, por exemplo, beneficia tanto de um vocabulário variado como de um texto sem repetições:

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "Write a creative newsletter on tech trends."}
    ],
    presence_penalty=0.3,
    frequency_penalty=0.5,
    temperature=0.6
)

Cuidado com Valores Extremos

Estas penalizações não são botões para rodar até ao máximo: valores demasiado altos degradam a qualidade em vez de a melhorar. Acima de 1,0 para a penalização de presença, o modelo começa a evitar palavras comuns que são realmente necessárias — artigos, preposições — e o texto torna-se estranho. Acima de 1,0 para a penalização de frequência, força sinónimos inadequados apenas para evitar repetir-se: “carro” torna-se “automóvel”, depois “veículo”, depois “veículo motorizado” no mesmo parágrafo. Quanto aos valores negativos, estes incentivam a repetição, o que raramente é desejável. A recomendação prática: mantenha-se na gama de 0,0 a 0,8 para ambos os parâmetros; além disso, os efeitos secundários superam os benefícios.

Para o orientar por tarefa: a extração e classificação ocorrem sem qualquer penalização (presence_penalty=0, frequency_penalty=0, a precisão vem em primeiro lugar); a escrita curta com menos de 200 palavras contenta-se com frequency_penalty=0.2; a escrita longa com mais de 500 palavras beneficia da combinação de presence_penalty=0.3 e frequency_penalty=0.5; o brainstorming inverte a dominância com presence_penalty=0.6 e frequency_penalty=0.3; e uma lista de pontos únicos sobe até presence_penalty=0.8 com frequency_penalty=0.2.

Pontos-chave

  • A penalização de presença incentiva o uso de novas palavras (penalização fixa)
  • A penalização de frequência desencoraja a repetição de palavras frequentes (penalização cumulativa)
  • Ambos os parâmetros variam de -2,0 a 2,0, com 0 como padrão
  • Mantenha-se na gama de 0,0 a 0,8 para evitar efeitos indesejados
  • Utilize a penalização de presença para diversidade temática e a penalização de frequência para fluidez do texto