Tarefas NLP Texto-a-Texto: Tradução, Sumarização, QA e Mais

Texto-a-texto (seq2seq) tarefas transformam sequência de texto de entrada em sequência de texto alvo. São a espinha dorsal de LLMs modernos (T5, BART, GPT, LLaMA).

Categorias Principais de Tarefas

Tarefa	Entrada → Saída	Exemplo
Tradução	Língua A → Língua B	"Hello" → "Hola"
Sumarização	Doc longo → Resumo curto	Artigo → 3 bullet points
Question Answering	Contexto + Pergunta → Resposta	Trecho + "Quem ganhou?" → "Time A"
Parafraseamento	Texto → Mesmo sentido, novas palavras	"Está chovendo" → "Precipitação está caindo"
Classificação de Texto	Texto → Rótulo(s)	Review → "Positivo"
Correção Gramatical	Ruidoso → Limpo	"He go" → "He goes"
Geração de Código	Linguagem natural → Código	"Ordenar lista" → sorted(lst)
Diálogo	Histórico → Próxima fala	Contexto chat → Resposta bot

Abordagens de Modelagem

• Encoder-decoder (T5, BART) – Encoder bidirecional + decoder autoregressivo; treinado com span corruption / denoising.
• Decoder-only (GPT, LLaMA) – Pilha autoregressiva única; prompteado com prefixo de tarefa ("Translate to French: …").
• Prefix-tuning / LoRA – Adaptação eficiente a novas tarefas texto-a-texto.

Métricas de Avaliação

• BLEU / chrF / TER – Tradução.
• ROUGE / BERTScore – Sumarização.
• Exact Match / F1 – QA extrativo.
• Accuracy / F1 – Classificação.

Desafios

• Alucinação (fidelidade à fonte).
• Controle de comprimento (resumo muito longo/curto).
• Línguas de baixo recurso.
• Estilo/tom controlável.

Enquadramento unificado texto-a-texto (Raffel et al., 2019) transformou NLP em "tudo é geração", permitindo multitarefa single-model em escala.

• Como Fazer Ele Mandar Mensagem Primeiro: 7 Estratégias de Baixa Pressão
• Código Caller Tune "Dil Ibadat" (Tum Mile) – 3275932