From Scalars to Tensors: Declared Losses Recover Epistemic Distinctions That Neutrosophic Scalars Cannot Express

Título: De Escalares a Tensores: Perdas Declaradas Recuperam Distinções Epistêmicas que Escalares Neutrosóficos Não Podem Expressar

Autor: Tony Mason (Universidade da Colúmbia Britânica / Georgia Tech)
Contexto: Expansão e replicação do estudo de Leyva-Vázquez e Smarandache (2025) sobre lógica neutrosófica em Grandes Modelos de Linguagem (LLMs).

---

1. O Problema

A avaliação de incerteza em LLMs tradicionalmente utiliza frameworks probabilísticos onde a soma das probabilidades de Verdade (T), Indeterminação (I) e Falsidade (F) é restrita a 1,0. A lógica neutrosófica propõe tratar T, I e F como dimensões independentes, permitindo que a soma exceda 1,0 (fenômeno chamado de "hiper-verdade"), capturando conflitos internos e incertezas complexas.

No entanto, o estudo original identificou três limitações principais e os autores deste trabalho apontam uma quarta, crítica:

1. Viés de fornecedor: O estudo original usou apenas modelos da OpenAI.
2. Falta de repetição: Avaliações únicas não medem consistência interna.
3. Prompts não publicados: Dificultou a replicação independente.
4. O Problema da Absorção (Novo): Mesmo com dimensões independentes, a representação puramente escalar (T, I, F) falha em distinguir tipos fundamentalmente diferentes de incerteza. Certos modelos adotam uma posição de "Absorção", onde estados epistêmicos distintos (como paradoxo lógico, ignorância e contingência) colapsam para o mesmo vetor escalar: (T=0, I=1, F=0). Neste cenário, a indeterminação "absorve" completamente a verdade e a falsidade, apagando as distinções que a lógica neutrosófica deveria preservar.

---

2. Metodologia

Os autores realizaram um experimento de replicação e extensão em duas frentes principais:

A. Replicação Cross-Vendor (Estratégias S1-S3)

• Modelos: 5 modelos de 5 fornecedores diferentes (Anthropic/Claude, Meta/Llama, DeepSeek, Alibaba/Qwen, Mistral).
• Estratégias de Prompt:
  • S1 (Neutrosófica): T, I, F independentes (não somam 1,0).
  • S2 (Probabilística): T + I + F = 1,0 (controle).
  • S3 (Derivada de Entropia): Baseada em probabilidade binária e entropia de Shannon.
• Protocolo: 5 repetições por célula (modelo × fenômeno × estratégia), totalizando 375 avaliações.
• Fenômenos Avaliados: Paradoxo, Ignorância, Vagueza, Contradição Ética e Contingência.

B. Estratégia Tensorial com Perdas Declaradas (S4)

Para resolver o problema da absorção, os autores introduziram a Estratégia S4, que estende a saída do modelo de um vetor escalar para um tensor estruturado:

• Entrada: Mantém os valores T, I, F.
• Saída Adicional: Exige que o modelo declare Perdas Estruturadas (Declared Losses) para cada avaliação.
• Estrutura da Perda: Um triplo contendo:
  1. O quê: O que o modelo não consegue avaliar (descrição breve).
  2. Por quê: A razão pela qual isso limita a avaliação.
  3. Severidade: Impacto na avaliação (escala 0.0 a 1.0).
• Validação: Incluiu testes de ablação (S5) para verificar se o conteúdo epistêmico é gerado pelo prompt ou se pré-existe, e testes com tautologias para verificar se o modelo apenas segue instruções ou avalia genuinamente.

---

3. Principais Contribuições

1. Validação Cross-Vendor da Hiper-Verdade: Confirmaram que o fenômeno de "hiper-verdade" (T+I+F > 1.0) não é um artefato da OpenAI, mas uma propriedade geral dos LLMs modernos, ocorrendo em 84% das avaliações não restritas (vs. 35% no estudo original).
2. Identificação do Problema da Absorção: Demonstraram que escalares neutrosóficos são insuficientes, pois modelos diferentes (e o mesmo modelo em diferentes contextos) podem mapear estados epistêmicos radicalmente distintos para o mesmo vetor (0, 1, 0).
3. Proposta de Representação Tensorial: Introduziram a ideia de que a saída de incerteza deve ser um tensor (Escalares + Declarações de Perda) para recuperar as distinções perdidas.
4. Evidência de Distinção Semântica: Provaram que, embora os escalares sejam idênticos para paradoxos e ignorância em modelos de "absorção", as declarações de perda são semanticamente distintas e quase disjuntas.

---

4. Resultados Chave

A. Replicação e Hiper-Verdade

• Sob a restrição probabilística (S2), todos os modelos somaram exatamente 1.0, validando a construção do prompt.
• Sob avaliação neutrosófica (S1), a taxa de hiper-verdade foi de 84% (104/124 células válidas).
• Contradição Ética foi o fenômeno com maior taxa de hiper-verdade (100% em todos os modelos).

B. O Problema da Absorção

• Modelos como Llama e Mistral frequentemente adotaram a posição de Absorção (T=0, I=1, F=0) tanto para Paradoxos quanto para Ignorância.
• Em termos escalares, um paradoxo lógico ("Esta frase é falsa") e a ignorância sobre o número de estrelas no universo são indistinguíveis para esses modelos.

C. A Solução Tensorial (S4)

• Distinção por Vocabulário: Ao analisar as palavras-chave das declarações de perda ("O quê"), a similaridade de Jaccard entre paradoxos e ignorância foi extremamente baixa (< 0.10) para todos os modelos, mesmo quando os escalares eram idênticos.
  • Exemplo (Mistral): Para paradoxo, as perdas citam "resolução de paradoxo autorreferencial" e "dependência de sistema formal". Para ignorância, citam "inacessibilidade empírica" e "ambiguidade matemática de quantidades infinitas".
• Perfis de Severidade: A severidade média das perdas variou significativamente entre fenômenos (ex: Vagueza = 0.51 vs. Paradoxo = 0.79), uma distinção que os escalares não capturaram.
• Validação de Coerência:
  • Houve forte correlação entre a severidade máxima declarada e o valor de Indeterminação (I) (r = 0.78), indicando coerência interna não solicitada pelo prompt.
  • Em tautologias (ex: "2+2=4"), a indeterminação caiu 25x e a severidade 7x, provando que o modelo não está apenas "preenchendo o formulário", mas ajustando o conteúdo baseado na realidade epistêmica.
  • Testes de ablação (S5) mostraram que os temas epistêmicos surgem mesmo sem a estrutura neutrosófica formal, confirmando que o S4 apenas quantifica e padroniza uma avaliação pré-existente.

---

5. Significado e Implicações

O artigo conclui que a representação escalar T/I/F é necessária, mas insuficiente para capturar o estado epistêmico completo de um LLM.

1. Hierarquia de Fidelidade Epistêmica:

   • Probabilística: Colapsa tudo em uma dimensão; não expressa conflito.
   • Neutrosófica Escalar: Expressa conflito e hiper-verdade, mas falha em distinguir tipos de incerteza em modelos de absorção.
   • Neutrosófica Tensorial (T/I/F + Perdas): Expressa conflito, hiper-verdade e tipos específicos de incerteza. Recupera as distinções que os escalares colapsam.

2. Implicações Práticas:

   • Sistemas de avaliação de IA que dependem apenas de escalares perdem informações críticas sobre por que um modelo está incerto.
   • Para roteamento de tarefas (decidir qual modelo usar), as declarações de perda são mais informativas do que as capacidades declaradas, pois revelam explicitamente as limitações e o contexto de falha.

3. Conclusão Final:
   O modelo possui a distinção interna entre paradoxo e ignorância; o formato de saída escalar não consegue expressá-la. A representação tensorial (escalares + descrições estruturadas de perda) é o mínimo necessário para uma modelagem fiel das capacidades epistêmicas dos LLMs.