Ajuste de precisão

Maximize a correção e o comportamento consistente em modelos de texto, imagem, vídeo, fala e visão em QwenCloud

“Precisão” significa coisas diferentes para modalidades diferentes: para geração de texto significa respostas factualmente corretas e bem formatadas; para geração de imagens e vídeos significa combinar fielmente a intenção do prompt com alta qualidade visual; para síntese de fala, significa áudio com som natural e características de voz corretas; e para modelos de visão ou omni significa interpretar corretamente as entradas visuais. A abordagem de otimização subjacente, entretanto, é a mesma em todos eles.

Este guia aborda uma abordagem estruturada para diagnosticar e corrigir problemas de precisão — desde a engenharia imediata até o RAG e o ajuste fino — para que você possa passar de um protótipo funcional para um sistema de produção confiável. Embora grande parte da orientação detalhada se concentre na geração de texto, cada seção inclui estratégias para outras modalidades, quando aplicável.

A estrutura de otimização

Pense na otimização da precisão em dois eixos:

• Otimização de contexto — o modelo carece de conhecimento ou orientação. Para modelos de texto, corrija isso com prompts melhores ou geração aumentada de recuperação. Para modelos de imagem/vídeo, corrija isso com prompts mais descritivos, imagens de referência ou descritores de estilo. Para fala, corrija isso com seleção de modelo e configuração de voz. Isso maximiza a correção.
• Otimização do modelo — o modelo se comporta de maneira inconsistente. Para modelos de texto, corrija isso com exemplos de poucas cenas ou ajustes finos. Para modelos de geração, corrija isso com fixação de sementes e conjuntos de parâmetros consistentes. Isso maximiza a consistência.

A maioria das aplicações do mundo real precisa de melhorias em ambos os eixos. Uma jornada de otimização típica é assim:

1. Comece com engenharia imediata – obtenha os melhores resultados possíveis com instruções e exemplos claros
2. Construir um conjunto de avaliação para medir o progresso de forma objetiva
3. Diagnosticar se o problema é falta de conhecimento, comportamento inconsistente ou ambos
4. Adicione RAG se o modelo precisar de informações externas
5. Adicione ajustes finos se o modelo precisar aprender novos padrões
6. Combine técnicas e repita

Engenharia imediata

A engenharia imediata é sempre o primeiro passo. Não requer infraestrutura, fornece feedback imediato e muitas vezes resolve mais do que o esperado.

Para técnicas detalhadas de engenharia de prompt, consulte Engenharia de prompt de geração de texto.

Modelos de contexto longo como qwen3.7-max suportam entradas de até 256 mil tokens, mas as informações colocadas no meio de contextos muito longos podem receber menos atenção do que as informações no início ou no final. Coloque o contexto mais importante – instruções, material de referência principal – no início ou no final do prompt.

Prompt de engenharia para outras modalidades

Geração de imagem

• Use uma fórmula estruturada: Assunto + Ambiente + Estilo + Humor + Detalhes técnicos. Por exemplo, "Um golden retriever sentado em um jardim iluminado pelo sol, estilo aquarela, quente e tranquilo, fundo de foco suave." Consulte Engenharia de prompt de geração de imagem para técnicas detalhadas.
• Use avisos negativos para excluir defeitos comuns, como manchas, membros extras ou artefatos de texto.
• O prompt_extend O recurso (reescrita de prompt) pode enriquecer prompts curtos automaticamente, mas adiciona 3 a 5 segundos de latência. Habilite-o durante a exploração, desabilite-o na produção quando tiver prompts bem elaborados.
• A seleção do modelo é importante: Qwen-Image-3.0 é excelente na renderização de texto em imagens, enquanto Wan produz resultados mais fotorrealistas. Consulte Texto para imagem para comparações de modelos.

Geração de vídeo

• Estrutura solicita como Entidade + Cena + Movimento. Descreva explicitamente o movimento que você want -- o modelo não inferirá movimento a partir de uma descrição de cena estática. Consulte Engenharia de prompt de geração de vídeo.
• Use o modo multi-shot para manter a consistência do assunto nas cenas. Consulte Texto para vídeo.
• Use avisos negativos para suprimir artefatos visuais e corrigir um seed valor para garantir resultados reproduzíveis durante a iteração.

Modelos Vision e Omni

• Otimize a qualidade da imagem e do vídeo de entrada: corte na região de interesse e garanta a resolução adequada para os detalhes que você precisa que o modelo analise.
• Coloque a pergunta mais crítica no início ou no final do seu prompt para obter melhor atenção.
• Para extração de texto de imagens, use o terminal OCR dedicado para maior precisão. Consulte OCR e extração de texto.

Discurso

• Para conversão de texto em fala (TTS), combine o modelo com o seu cenário: use instruct modelos para expressão emocional e controle refinado, flash modelos para texto curto de baixa latência e vd modelos quando você precisa criar uma voz personalizada a partir de uma descrição de texto. Consulte Síntese de fala.
• Com modelos TTS instruídos, use instruções de linguagem natural para controlar a velocidade da fala, a emoção e o caráter (como "Fale lentamente em um tom caloroso e amigável").
• Para reconhecimento automático de fala (ASR), certifique-se de que a entrada de áudio seja clara e com ruído de fundo mínimo. Para arquivos grandes, passe um URL em vez de dados codificados em Base64 para evitar limites de tamanho de solicitação. Consulte Reconhecimento de fala.

Construa um conjunto de avaliação

Antes de otimizar, você precisa encontrar uma forma de medir a melhoria. Crie um conjunto de avaliação de 30 a 50 pares de perguntas e respostas que representem seu caso de uso real. Cada par deve incluir:

• Entrada: o prompt exato (incluindo mensagem do sistema e qualquer contexto) que você enviaria ao modelo
• Resultado esperado: A resposta correta ou ideal
• Critérios de avaliação: como você avalia se a resposta é aceitável

Execute seu conjunto de avaliação em relação ao modelo atual para estabelecer uma pontuação de linha de base. Em seguida, execute-o novamente após cada alteração para confirmar se a alteração realmente ajuda.

Abordagens de avaliação automatizadas

A revisão manual não é escalonável. Considere estas abordagens automatizadas:

Para tarefas em que a correção é diferenciada, o LLM como juiz com uma rubrica de pontuação clara geralmente fornece a melhor relação sinal-ruído.

Avaliando modalidades não textuais

• Geração de imagens e vídeos: avalie os resultados em uma escala de 1 a 5 em dimensões como fidelidade imediata, qualidade visual, clareza do texto (se aplicável) e ausência de artefatos. Crie uma rubrica com exemplos de referência para cada nível de pontuação.
• Fala (TTS): use o teste Mean Opinion Score (MOS) em termos de naturalidade, inteligibilidade e similaridade de voz (para vozes clonadas). Faça com que vários avaliadores avaliem cada amostra.
• Fala (ASR): mede a taxa de erros de palavras (WER) em relação a transcrições verdadeiras em um conjunto de teste de áudio representativo.
• Visão e omni: use uma abordagem LLM como juiz: envie a saída do modelo junto com a imagem de origem e a resposta esperada para um modelo de texto capaz para pontuação automatizada.

Diagnosticar o problema

Depois de obter os resultados da avaliação, classifique as falhas em dois tipos:

• Conhecimento ausente (problema de contexto) — O modelo não possui as informações de que necessita. Para texto, pode alucinar fatos ou dar respostas genéricas. Para a geração de imagens/vídeos, isso se manifesta como avisos sem detalhes suficientes, produzindo resultados que perdem o assunto, estilo ou composição pretendido. Corrija isso com RAG (para texto/visão) ou prompts mais ricos e mídia de referência (para tarefas de geração).
• Comportamento inconsistente (problema de aprendizagem) — O modelo possui as informações, mas não as utiliza de maneira confiável. Para texto, pode formatar as saídas de forma inconsistente ou ignorar instruções. Para geração de imagem/vídeo, isso se manifesta como estilos, composições ou qualidade variados em execuções com o mesmo prompt. Corrija isso com exemplos de poucas fotos, ajuste fino (texto) ou fixação de sementes e estabilização de parâmetros (geração).

Estas categorias são complementares e não mutuamente exclusivas. Um único aplicativo pode ter ambos os problemas – e muitas vezes acontece. Diagnostique cada caso de falha individualmente para escolher a solução certa.

Geração aumentada de recuperação (RAG)

O RAG injeta conhecimento externo relevante em cada solicitação no momento da inferência. Em vez de confiar apenas no que o modelo aprendeu durante o treinamento, você recupera os documentos mais relevantes da sua base de conhecimento e os inclui no prompt. O RAG aplica-se principalmente a tarefas de texto e visão. Para geração de imagens e vídeos, a abordagem equivalente é fornecer imagens de referência, descrições detalhadas de estilo ou amostras de áudio para orientar a saída.

Use RAG quando:

• O modelo necessita de informações que mudam frequentemente (catálogos de produtos, bases de conhecimento, políticas)
• O modelo precisa de dados proprietários ou específicos do domínio que não estão em seu conjunto de treinamento
• Você precisa citar fontes ou respostas básicas em documentos específicos
• Para tarefas de visão, o modelo precisa analisar imagens em relação a uma base de conhecimento de referência (como identificar produtos de um catálogo, verificar formatos de documentos ou comparar ativos visuais com diretrizes de marca)

Avalie seu pipeline RAG

A precisão do RAG depende de duas coisas: qualidade de recuperação e qualidade de geração. Avalie-os separadamente:

Dicas de otimização de recuperação

• O tamanho do pedaço é importante — Pedaços muito pequenos perdem o contexto; pedaços muito grandes diluem a relevância. Comece com 200-500 tokens e experimente.
• Usar reclassificação — Um pipeline de dois estágios (recuperação rápida e depois reclassificação precisa) melhora significativamente a precisão sem sacrificar a recuperação.
• Incorpore consultas e documentos de forma consistente — Use o mesmo modelo de incorporação e pré-processamento para indexação e consulta.
• Adicionar filtros de metadados — Filtre por data, categoria ou fonte antes da pesquisa semântica para restringir o conjunto de candidatos.

Para construir pipelines RAG com QwenCloud:

• Incorporação de texto — Gerar embeddings para pesquisa semântica
• Reclassificação — Melhore a precisão da recuperação com um modelo de reclassificação

Combinando técnicas

Os sistemas de produção mais eficazes combinam engenharia imediata e RAG:

• Engenharia de prompt + RAG — Instruções claras informam ao modelo como usar o contexto recuperado. Exemplos de poucas fotos mostram o formato esperado.
• Saída estruturada + RAG — Use saída estruturada para impor formatos de resposta consistentes ao processar documentos recuperados.

Ao combinar técnicas, tenha em mente dois princípios:

1. Mais contexto pode adicionar ruído. Recuperar muitos documentos ou colocar muitas informações no prompt pode confundir o modelo. Sempre valide se adicionar contexto realmente melhora suas pontuações de avaliação.
2. Esgote primeiro os métodos mais simples. A engenharia imediata é rápida e gratuita. RAG requer esforço moderado. Passe para a próxima técnica somente quando a atual estabilizar.

Quanta precisão é boa o suficiente

Perspectiva de negócios

A precisão perfeita raramente é alcançável ou necessária. A meta certa depende do custo dos erros versus o custo da melhoria.

Considere um cenário de atendimento ao cliente:

O salto de 90% para 95% muitas vezes requer mais esforço do que o salto de 0% para 90%. Decida onde o custo marginal da melhoria excede o valor marginal.

Perspectiva técnica

Projete seu sistema para falhar normalmente quando o modelo errar:

• Limites de confiança — Se o modelo for incerto, passe para um humano ou peça esclarecimentos em vez de adivinhar.
• Validação de saída — Verifique as saídas do modelo em relação a esquemas, regras de negócios ou verificações de integridade antes de agir sobre elas.
• Caminhos alternativos — Forneça um caminho de degradação elegante (como "Não tenho certeza, deixe-me conectá-lo com um especialista") em vez de uma resposta errada.
• Monitoramento — Acompanhe métricas de precisão na produção e defina alertas de degradação para que você possa detectar regressões antecipadamente.

##Próximas etapas

• Engenharia de prompt de geração de texto - Técnicas detalhadas de engenharia imediata
• Engenharia de prompt de geração de imagem - Crie prompts eficazes para geração de imagens
• Engenharia de prompt de geração de vídeo - Crie prompts eficazes para geração de vídeo
• Síntese de fala — Seleção de modelo TTS e configuração de voz
• Compreensão da visão — Compreensão de imagem e vídeo com modelos de visão
• Incorporação de texto — Construir pipelines RAG com modelos incorporados
• Reclassificação — Melhorar a qualidade da recuperação
• Saída estruturada — Obtenha resultados de modelo consistentes e analisáveis
• Seleção de modelo — Escolha o modelo certo para sua tarefa
• Otimização de custos — Reduza gastos mantendo a qualidade