{"subject_id":"3a3cc48d0099813bb77eef18cd2db6b7","topico":"LLMs e IA generativa: tokens, contexto, temperatura, RLHF, RAG × fine-tuning","stems":["Acerca de inteligência artificial (IA), julgue os seguintes itens.","Julgue os itens subsequentes, no que concerne ao uso da biblioteca Hugging Face Transformers com PyTorch e aos sistemas baseados na arquitetura RAG (retrieval-augmented generation).","Julgue os itens que se seguem, relativos a ciência de dados e inteligência artificial (IA).","A respeito da proteção de dados pessoais no Brasil, dos grandes modelos de linguagem (LLMs) e do uso de redes neurais no setor jurídico, julgue os itens que se seguem.","Acerca de inteligência artificial, julgue os próximos itens.","Em relação a tecnologias de IA e aprendizado de máquina, julgue os itens que se seguem.","Julgue os próximos itens, relativos à avaliação de modelos.","No que se refere a inteligências artificiais (IAs) generativas e discriminativas, julgue os itens seguintes.","Em relação à inteligência artificial (IA), julgue os itens a seguir.","No que se refere à inteligência artificial e aprendizado de máquina, julgue os próximos itens.","Julgue os itens que se seguem, em relação a grandes modelos de linguagem (LLMs) e a redes neurais.","Em relação aos grandes modelos de linguagem (LLM) e à inteligência artificial generativa, julgue os itens subsequentes."],"questions":[{"id":"a9edb533bd7b","number":60,"stem":0,"statement":"Nos modelos generativos baseados em difusão, como o stable diffusion, o processo de geração de imagens ocorre por meio da aplicação sequencial de ruído gaussiano em uma imagem inicial em branco, consoante o mesmo procedimento do treinamento, mas em escala reduzida, para otimizar o tempo de processamento.","answer":"E","source":{"slug":"SUSEP_25","ano":2025},"explanation":{"verdict_reason":"No modelo de difusão, adicionar ruído gaussiano passo a passo é o processo direto, usado no treinamento para destruir progressivamente a imagem. A geração percorre o caminho inverso: parte de ruído puro e remove ruído a cada passo até a imagem emergir. O item descreve a geração como repetição do procedimento de treinamento, quando ela é a sua reversão, e ainda faz o processo partir de uma imagem em branco, não de ruído.","distortion_type":"inversao","distorted_span":"aplicação sequencial de ruído gaussiano em uma imagem inicial em branco, consoante o mesmo procedimento do treinamento","corrected_statement":"Nos modelos generativos baseados em difusão, como o stable diffusion, o processo de geração de imagens ocorre por meio da remoção sequencial de ruído gaussiano de uma imagem inicial de ruído puro, percorrendo em sentido inverso o procedimento do treinamento.","concept":"Difusão: treino adiciona ruído, geração remove","citation":null,"trap_note":"Em difusão, pergunte sempre a direção: o processo direto adiciona ruído até a imagem virar ruído puro; o processo reverso remove ruído até a imagem aparecer. O ponto de partida da geração é ruído, nunca tela em branco."}},{"id":"e83212863b3e","number":110,"stem":1,"statement":"Embora a biblioteca Hugging Face ofereça suporte a múltiplos frameworks, alguns modelos específicos — especialmente os mais antigos, originalmente treinados em TensorFlow — podem apresentar dificuldades de integração em pipelines de inferência desenvolvidos em PyTorch, como os utilizados em aplicações jurídicas; nesses casos, pode ser recomendável adaptar ou reconstruir o modelo em PyTorch para assegurar compatibilidade e controle total sobre o fluxo de dados.","answer":"C","source":{"slug":"TJ_PA_25_SERVIDOR","ano":2025},"explanation":{"verdict_reason":"A biblioteca é multiframework, mas a paridade entre PyTorch e TensorFlow não é universal: há arquiteturas e checkpoints antigos publicados em apenas um dos formatos, e pontos de integração, como código de modelagem próprio do repositório e camadas personalizadas, que não convertem sem trabalho. O item é cuidadoso em cada passo: fala em alguns modelos, em podem apresentar dificuldades e em pode ser recomendável. Assim delimitada, a afirmação descreve o comportamento real da biblioteca.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Suporte multiframework não garante paridade de modelos","citation":null,"trap_note":"Item longo e cheio de ressalvas (alguns, podem, pode ser recomendável) costuma ser Certo: a ressalva já absorve os contraexemplos. O item errado dessa família é o que troca a ressalva por promessa de compatibilidade total."}},{"id":"6eb2486853b2","number":111,"stem":1,"statement":"Considerando-se que os sistemas baseados na arquitetura RAG são projetados para mitigar limitações dos grandes modelos de linguagem, como a alucinação factual e a dificuldade de atualização constante, é correto afirmar que o uso do RAG permite incorporar documentos normativos, jurisprudência ou doutrina diretamente no processo de geração de respostas, viabilizando consultas mais confiáveis, com rastreabilidade das fontes e sem a necessidade de retreinamento do modelo-base.","answer":"C","source":{"slug":"TJ_PA_25_SERVIDOR","ano":2025},"explanation":{"verdict_reason":"O RAG acrescenta uma etapa de recuperação antes da geração: a pergunta vira consulta a uma base própria, os trechos recuperados entram no prompt e o modelo responde condicionado a eles. Daí saem as três consequências afirmadas: menos alucinação factual, porque a resposta se apoia em texto recuperado; atualização sem retreinar, porque basta alterar a base indexada; e rastreabilidade, porque o trecho de origem é conhecido e pode ser citado. Os pesos do modelo-base permanecem intactos.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"RAG atualiza a base indexada, não os pesos","citation":null,"trap_note":"RAG e ajuste fino se separam pelo que muda: o RAG muda o que entra no prompt, o ajuste fino muda os pesos. Item que exija retreinamento para atualizar conhecimento em RAG, ou que prometa rastreabilidade de fonte a partir do ajuste fino, trocou os dois de lado."}},{"id":"623fa1926470","number":111,"stem":2,"statement":"Modelos de linguagem de grande escala, como os do tipo transformer, são treinados exclusivamente com base em regras sintáticas explícitas extraídas de dados linguísticos anotados manualmente, o que assegura maior controle semântico.","answer":"E","source":{"slug":"STM_25","ano":2025},"explanation":{"verdict_reason":"O treinamento de um modelo de linguagem de grande escala é auto-supervisionado sobre texto bruto e não anotado: o objetivo é prever o próximo token, e a regularidade sintática emerge dos pesos sem que nenhuma regra seja escrita nem nenhum corpus seja rotulado à mão. O que o item descreve, regras explícitas extraídas de dados anotados manualmente, é o paradigma simbólico do processamento de linguagem natural, anterior e distinto, aqui atribuído ao transformer. O controle semântico prometido como consequência também não decorre daí.","distortion_type":"atribuicao_errada","distorted_span":"treinados exclusivamente com base em regras sintáticas explícitas extraídas de dados linguísticos anotados manualmente","corrected_statement":"Modelos de linguagem de grande escala, como os do tipo transformer, são treinados de forma auto-supervisionada sobre grandes volumes de texto bruto não anotado, sem regras sintáticas explícitas, o que dificulta o controle semântico direto.","concept":"LLM é auto-supervisionado em texto não anotado","citation":null,"trap_note":"Processamento de linguagem natural simbólico e estatístico são dois paradigmas, e a banca empresta a descrição de um para nomear o outro. Regra escrita à mão, léxico e corpus anotado são vocabulário simbólico; texto bruto, previsão do próximo token e pesos são vocabulário de LLM."}},{"id":"845aaf5aea21","number":112,"stem":3,"statement":"De acordo com a Lei Geral de Proteção de Dados Pessoais, no contexto de um sistema informatizado de um órgão público, é atribuição do encarregado de dados tomar decisões referentes ao tratamento de dados pessoais, a exemplo da definição das finalidades do respectivo tratamento.","answer":"E","source":{"slug":"TJ_PA_25_SERVIDOR","ano":2025},"explanation":{"verdict_reason":"Quem decide sobre o tratamento, inclusive definir as finalidades, é o controlador, que a LGPD define justamente como aquele a quem competem as decisões referentes ao tratamento de dados pessoais. O encarregado é a pessoa indicada para atuar como canal de comunicação entre o controlador, os titulares e a autoridade nacional, além de orientar funcionários e receber reclamações. Atribuir ao encarregado o poder de definir finalidades transfere a competência de quem decide para quem apenas intermedeia.","distortion_type":"atribuicao_errada","distorted_span":"é atribuição do encarregado de dados tomar decisões referentes ao tratamento de dados pessoais","corrected_statement":"De acordo com a Lei Geral de Proteção de Dados Pessoais, no contexto de um sistema informatizado de um órgão público, é atribuição do controlador tomar decisões referentes ao tratamento de dados pessoais, a exemplo da definição das finalidades do respectivo tratamento.","concept":"Controlador decide; encarregado é canal de comunicação","citation":"Lei n.º 13.709/2018 (LGPD), art. 5.º, VI e VIII, e art. 41, § 2.º","trap_note":"Os papéis da LGPD se separam por verbo: o controlador decide, o operador executa em nome do controlador, o encarregado comunica. Item que dê poder decisório ao encarregado ou ao operador já está errado antes de qualquer detalhe do caso concreto."}},{"id":"270e7a34c48f","number":114,"stem":3,"statement":"Modelos transformer superam, devido ao mecanismo de autoatenção, as redes neurais recorrentes tradicionais na captura de dependências de longo alcance em documentos jurídicos extensos, sendo esta a principal razão para a adoção dos transformers em tarefas como sumarização e busca semântica no campo jurídico.","answer":"C","source":{"slug":"TJ_PA_25_SERVIDOR","ano":2025},"explanation":{"verdict_reason":"Em uma rede recorrente a informação atravessa a sequência passo a passo, e o sinal vindo de um trecho distante se dilui ao longo dessa cadeia. O transformer relaciona cada posição com todas as outras de uma vez, o que preserva a dependência entre pontos muito afastados de um documento longo. Em sumarização e busca semântica sobre peças jurídicas extensas, em que a referência decisiva pode estar dezenas de páginas antes, é essa capacidade que justifica a substituição.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Autoatenção captura dependências de longo alcance","citation":null,"trap_note":"A comparação transformer × rede recorrente quase sempre se decide por uma palavra: alcance. Item que atribua a vantagem do transformer ao processamento sequencial, à memória de curto prazo ou à recorrência inverteu o par."}},{"id":"03ebe594337b","number":46,"stem":4,"statement":"A geração de imagens por meio de descrição de textos, sem a necessidade de inserir outras figuras ou ilustrações, é um dos recursos da inteligência artificial generativa.","answer":"C","source":{"slug":"MPO_24","ano":2024},"explanation":{"verdict_reason":"Geração de imagem a partir de descrição textual é um recurso consolidado da inteligência artificial generativa e não exige imagem de entrada: o modelo condiciona a síntese apenas no texto. Fornecer uma figura de referência é variante opcional de uso, não requisito da técnica.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Texto para imagem dispensa imagem de entrada","citation":null,"trap_note":"Enunciados curtos que descrevem um uso conhecido da IA generativa são Certos. Se houver erro, ele estará em uma exigência inventada (precisar de imagem, de rotulação, de conexão) e não na capacidade em si."}},{"id":"4b86905d32de","number":47,"stem":4,"statement":"A inteligência artificial generativa é capaz de criar novos conteúdos e áudios.","answer":"C","source":{"slug":"MPO_24","ano":2024},"explanation":{"verdict_reason":"A inteligência artificial generativa é multimodal por definição de família: há modelos que produzem texto, imagem, áudio, música e vídeo. Afirmar que ela é capaz de criar novos conteúdos e áudios não restringe nem amplia nada além do que a tecnologia de fato faz.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"IA generativa abrange várias modalidades","citation":null,"trap_note":"Afirmação genérica de capacidade, sem advérbio restritivo, é Certo neste tópico. A atenção vai para apenas, somente, exclusivamente e restringe-se a: é aí que o item erra."}},{"id":"7bf1e8100b03","number":57,"stem":5,"statement":"A geração de linguagem natural é uma tecnologia capaz de criar texto similar ao texto escrito por seres humanos.","answer":"C","source":{"slug":"CNJ_24","ano":2024},"explanation":{"verdict_reason":"Geração de linguagem natural é a subárea do processamento de linguagem natural dedicada a produzir texto a partir de dados ou de representações internas, com o objetivo de que o resultado tenha a fluência do texto escrito por pessoas. O item apenas nomeia a tecnologia e descreve o seu produto, sem acrescentar condição alguma.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"NLG produz texto; NLU interpreta texto","citation":null,"trap_note":"Dentro do processamento de linguagem natural, separe as duas metades pelo sentido do fluxo: a compreensão vai do texto para o significado; a geração vai do significado para o texto. Item que dê a uma o produto da outra trocou os nomes."}},{"id":"a1a94edc706d","number":69,"stem":6,"statement":"A IA generativa é capaz de criar conteúdos novos, como textos, imagens, músicas e vídeos, além de resolver problemas inéditos com base em conhecimentos prévios, permitindo gerar novos artefatos realistas em escala, sem repeti-los.","answer":"C","source":{"slug":"TRT10_24","ano":2024},"explanation":{"verdict_reason":"O item enuncia a definição corrente de inteligência artificial generativa: produzir artefatos novos, em várias modalidades, a partir de padrões aprendidos, em vez de recuperar ou apenas classificar conteúdo existente. Esse é o traço que a separa da inteligência artificial discriminativa e o que sustenta a afirmação de que o artefato gerado não é repetição do que estava no conjunto de treinamento.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"IA generativa produz artefato novo, não cópia","citation":null,"trap_note":"Item que apenas afirma a capacidade de gerar conteúdo novo em escala costuma ser Certo neste tópico. A versão errada é a que nega essa capacidade ou a que limita a geração a uma única modalidade."}},{"id":"dd376a069b3e","number":90,"stem":7,"statement":"Para aplicações do mundo real, como geração de imagens, as distribuições são extremamente complexas, e o aprendizado profundo não conseguiu melhorar o desempenho dos modelos generativos, por isso se tem optado por investir em uma classe importante de modelos de linguagem de grande escala (LLMs — large language models) autorregressivos baseados em transformadores.","answer":"E","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"O que ocorreu foi o contrário: é justamente o aprendizado profundo que tornou tratáveis distribuições complexas como as de imagens, em redes adversárias generativas, autocodificadores variacionais, modelos de difusão e nos próprios transformadores autorregressivos. O item apresenta os modelos de linguagem baseados em transformadores como alternativa ao aprendizado profundo, quando eles são um caso de aprendizado profundo. A causa invocada para a adoção não existe.","distortion_type":"relacao_causal","distorted_span":"o aprendizado profundo não conseguiu melhorar o desempenho dos modelos generativos, por isso","corrected_statement":"Para aplicações do mundo real, como geração de imagens, as distribuições são extremamente complexas, e o aprendizado profundo melhorou o desempenho dos modelos generativos, por isso se tem optado por investir em uma classe importante de modelos de linguagem de grande escala (LLMs — large language models) autorregressivos baseados em transformadores.","concept":"Transformadores autorregressivos são aprendizado profundo","citation":null,"trap_note":"Desconfie da frase que nega o sucesso de uma técnica e, na mesma oração, aponta como saída algo que é instância dessa mesma técnica. A pergunta que resolve: o remédio proposto pertence à categoria que o item acabou de descartar?"}},{"id":"7724492ce7aa","number":91,"stem":7,"statement":"Um prompt é um conjunto de instruções que o modelo generativo utiliza para prever a resposta desejada.","answer":"C","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"Prompt é a entrada em linguagem natural que condiciona a geração: instruções, contexto e exemplos a partir dos quais o modelo prevê a continuação. A definição do item é a corrente e não acrescenta nenhuma restrição falsa. E prever é literalmente o que o modelo faz: estimar o próximo token condicionado a tudo o que recebeu.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Prompt é a entrada que condiciona a geração","citation":null,"trap_note":"Definições curtas e sem qualificador (prompt, token, IA generativa) são o núcleo Certo deste tópico. O erro aparece quando a definição ganha um advérbio de exclusividade ou é colada em outro nome."}},{"id":"5235ed80ba0e","number":91,"stem":8,"statement":"A IA generativa utiliza modelos de base treinados para realizar tarefas gerais, como, por exemplo, técnicas de distribuição de probabilidade.","answer":"C","source":{"slug":"TCE_AC_24","ano":2024},"explanation":{"verdict_reason":"Modelos de base são pré-treinados em larga escala sobre dados genéricos justamente para servir depois a muitas tarefas diferentes, e é sobre eles que a inteligência artificial generativa se apoia. A menção a técnicas de distribuição de probabilidade descreve como esses modelos operam: estimam a distribuição dos dados e amostram dela para gerar. Nenhuma das duas afirmações é restringida nem trocada de lugar.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Modelo de base serve a tarefas gerais","citation":null,"trap_note":"Modelo de base é o pré-treinado genérico; a especialização vem depois, por ajuste fino ou por prompt. Item que exija um modelo treinado do zero para cada tarefa desfaz a razão de existir do modelo de base."}},{"id":"8063e421df87","number":93,"stem":7,"statement":"Uma IA generativa cujo aprendizado é realizado a partir da distribuição de probabilidade conjunta p(x,y), em que x é o dado de entrada e y é o rótulo que se queira classificar, pode gerar mais amostras por si só artificialmente, com base em suposições a respeito da distribuição de dados.","answer":"C","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"A separação entre generativo e discriminativo está em qual distribuição o modelo aprende: o discriminativo aprende a condicional p(y|x), isto é, a fronteira que separa as classes, e só sabe classificar; o generativo aprende a conjunta p(x,y), o que equivale a modelar como os próprios dados se distribuem. Quem modela a distribuição dos dados pode amostrá-la e produzir exemplos novos, compatíveis com as suposições aprendidas e inexistentes no conjunto de treino. É essa consequência que o item enuncia.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Generativo aprende p(x,y); discriminativo, p(y|x)","citation":null,"trap_note":"A dupla generativo × discriminativo se resolve por uma pergunta: o modelo consegue produzir uma amostra nova? Quem aprende só a fronteira entre classes não consegue; quem aprende a conjunta consegue. Item que dê capacidade de geração a um modelo discriminativo inverteu o par."}},{"id":"73ce730634a4","number":97,"stem":7,"statement":"O ChatGPT e o DeepSeek são plataformas de IA generativas baseadas em modelos de linguagem de grande escala (LLMs — large language models) e o princípio tecnológico dessas plataformas é a arquitetura transformer, que ajuda o modelo a aprender as relações entre palavras e frases em longos trechos de texto.","answer":"C","source":{"slug":"ANM_24","ano":2024},"explanation":{"verdict_reason":"As duas plataformas são interfaces sobre modelos de linguagem de grande escala, e a arquitetura que sustenta essa família é o transformer. A segunda metade também se sustenta: o que o transformer acrescentou foi relacionar posições distantes entre si dentro de trechos longos, que é o que o item descreve ao falar em aprender relações entre palavras e frases em longos trechos de texto. Nenhuma das duas afirmações é restringida indevidamente.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"LLMs de mercado têm o transformer como base","citation":null,"trap_note":"Quando o item cita produtos de mercado, verifique apenas a categoria tecnológica que ele atribui. Trocar transformer por rede recorrente, por rede convolucional ou por sistema especialista é como essa família de item erra."}},{"id":"93f2443de0ef","number":113,"stem":9,"statement":"RAG (retrieval augmented generation) é o processo de recuperar informações contextuais relevantes de uma fonte de dados e integrá-las ao prompt do usuário em um modelo de linguagem, melhorando-se a qualidade da resposta gerada.","answer":"C","source":{"slug":"STJ_24","ano":2024},"explanation":{"verdict_reason":"É a definição operacional do RAG: recuperar de uma fonte de dados os trechos relevantes à pergunta e integrá-los ao prompt antes de o modelo gerar a resposta. O ganho de qualidade vem de o modelo passar a responder condicionado a texto recuperado e verificável, e não apenas ao que ficou codificado nos pesos durante o treinamento. Nada no item extrapola essa descrição.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"RAG recupera contexto e o integra ao prompt","citation":null,"trap_note":"O RAG acontece no momento da consulta e termina no prompt: não toca nos pesos nem exige nova rodada de treinamento. Guarde a sequência: consulta, recuperação, montagem do prompt, geração."}},{"id":"819aa8a5ccd3","number":115,"stem":10,"statement":"O uso de tokenizadores subword permite que LLMs aprendam palavras fora do vocabulário de treinamento, otimizando a compreensão sem estar restrito a um único idioma.","answer":"C","source":{"slug":"TRF6_24","ano":2024},"explanation":{"verdict_reason":"O tokenizador subword quebra a palavra em pedaços recorrentes, de modo que uma palavra nunca vista no treinamento ainda assim é representável pela combinação de fragmentos conhecidos, sem cair no token desconhecido que trava o vocabulário de palavras inteiras. Como esses fragmentos são aprendidos estatisticamente sobre o corpus, e não a partir do léxico de um idioma, o mesmo vocabulário atende a várias línguas, a nomes próprios e a grafias raras. É exatamente o ganho que o item afirma.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Subword cobre palavras fora do vocabulário","citation":null,"trap_note":"A vantagem do subword é sempre a mesma: cobrir o que está fora do vocabulário com pedaços conhecidos. Item que atribua isso ao tokenizador de palavras inteiras, ou que diga que o subword prende o modelo a um único idioma, inverteu o ganho."}},{"id":"af83e396f6f8","number":59,"stem":11,"statement":"O parâmetro temperature em LLM regula a amplitude da diversidade e criatividade nas previsões produzidas pelo modelo.","answer":"C","source":{"slug":"BCB_24","ano":2023},"explanation":{"verdict_reason":"A temperatura atua sobre a distribuição de probabilidade dos próximos tokens antes da amostragem: valor baixo concentra a massa nos tokens mais prováveis e torna a saída mais determinística e repetitiva; valor alto achata a distribuição e amplia a chance de um token menos provável ser escolhido. É exatamente essa amplitude que o item chama de diversidade e criatividade. O parâmetro não altera pesos nem conhecimento do modelo, apenas o quanto a amostragem se afasta da previsão mais provável.","distortion_type":"correto","distorted_span":null,"corrected_statement":null,"concept":"Temperature controla a aleatoriedade da amostragem","citation":null,"trap_note":"Temperatura, top-p e top-k mexem só na hora de escolher o próximo token: são parâmetros de inferência. Item que faça a temperatura mudar o treinamento, o conhecimento ou a precisão factual do modelo trocou inferência por treinamento."}},{"id":"772737a262df","number":60,"stem":11,"statement":"Uma thread representa uma entidade que pode ser configurada para responder às mensagens de um usuário a partir de vários parâmetros, como modelo, instruções e ferramentas.","answer":"E","source":{"slug":"BCB_24","ano":2023},"explanation":{"verdict_reason":"A descrição apresentada, de uma entidade configurável por modelo, instruções e ferramentas para responder às mensagens do usuário, é a do assistente. A thread é a sessão de conversa: o objeto que acumula a sequência de mensagens trocadas e o contexto, sem configuração de modelo, de instruções ou de ferramentas. O item descreve corretamente um objeto e o batiza com o nome do outro.","distortion_type":"troca_de_termo","distorted_span":"Uma thread representa uma entidade","corrected_statement":"Um assistente representa uma entidade que pode ser configurada para responder às mensagens de um usuário a partir de vários parâmetros, como modelo, instruções e ferramentas.","concept":"Assistente é configurado; thread guarda a conversa","citation":null,"trap_note":"No vocabulário de API de assistentes, separe quem é configurado de quem é acumulado: o assistente tem modelo, instruções e ferramentas; a thread tem mensagens; a execução aplica um assistente sobre uma thread. Definição certa com o nome trocado é a distorção mais barata desse vocabulário."}}]}