Resumo Técnico: Estratégias de Prompt Implícito vs. Explícito para LVLMs em Comunicação Referencial

Declaração do Problema

A literatura recente apresenta resultados contraditórios em relação à capacidade de Modelos de Linguagem de Grande Visão (LVLMs) de exibir comportamento colaborativo semelhante ao humano em tarefas de comunicação referencial. Especificamente, dois estudos chegaram a conclusões opostas sobre se agentes de IA podem desenvolver "pactos conceituais" — expressões de referência compartilhadas e eficientes que emergem dinamicamente através da interação.

• Zeng et al. (2026) descobriu que os agentes de IA falharam em encurtar as descrições ao longo do tempo, persistindo em uma comunicação verbosa e apresentando diminuição na precisão, sugerindo uma falta de utilização de terreno comum (common ground).
• Jones et al. (2026) descobriu que os agentes de IA encurtaram com sucesso as expressões de referência e melhoraram a precisão ao longo do tempo, mimetizando o emaranhamento lexical (lexical entrainment) humano.

Este artigo investiga se esses resultados divergentes derivam de diferenças na arquitetura do modelo, no design da tarefa ou nas estratégias de prompting. Os autores hipotetizam que a discrepância é impulsionada primariamente pelo estilo de prompting (implícito vs. explícito) e não pelos modelos ou tarefas em si.

Metodologia

Os autores conduziram um experimento controlado usando um pipeline de código aberto baseado em Zeng et al. (2026), adaptado para testar variáveis específicas.

Design Experimental

• Tarefa: Uma tarefa colaborativa de correspondência de objetos de múltiplas rodadas e múltiplos turnos envolvendo 12 cestas (objetos não lexicalizados).
• Participantes: Pares de IA onde ambos os papéis, "Diretor" (falante) e "Matcher" (ouvinte), foram desempenhados pela mesma instância de modelo.
• Modelos: Duas versões foram testadas: GPT-5.2 (usado em Zeng et al., 2026) e GPT-5.5 (o modelo mais recente no momento da escrita).
• Condições: O estudo cruzou duas estratégias de prompting com duas versões de modelo:
  1. Prompting Implícito: Replica Zeng et al. (2026). As instruções baseiam-se nos máximas de Grice (ser conciso, mas informativo) e normas de fundamentação colaborativa. O modelo não é explicitamente instruído a encurtar frases ou reutilizar palavras; qualquer emaranhamento deve emergir espontaneamente.
  2. Prompting Explícito: Adapta Jones et al. (2026). O Diretor é explicitamente instruído a reduzir o comprimento da descrição, usar apenas 1-2 palavras em rodadas posteriores e estabelecer convenções (ex: "SERIOUSLY – em rodadas posteriores, apenas 1-2 palavras").

Refinamentos Técnicos

Para garantir uma comparação justa, os autores corrigiram o pipeline de injeção de contexto visual usado em Zeng et al. (2026):

• Alinhamento Cronológico: Históricos de chat passados e imagens de feedback visual são pareados cronologicamente no início do contexto.
• Injeção Dinâmica: O grid de imagem da rodada atual é injetado dinamicamente usando marcadores explícitos de fronteira de rodada, garantindo que o LVLM veja o quadro visual mais recente imediatamente antes de sua ação.
• Entrada Visual Unificada: O estado ativo do Matcher (sequência de 12 slots) e o pool de candidatos (18 cestas) são renderizados em uma única imagem composta com lembretes de texto estruturados, fundamentando todo o rastreamento espacial em uma representação visual temporalmente alinhada.

Principais Resultados

O estudo avaliou 40 execuções completas de IA-IA (200 observações de nível de rodada), medindo precisão da tarefa, comprimento do diálogo, contagem de turnos, comprimento da expressão de referência (RE) e sobreposição lexical.

1. Precisão da Tarefa: Todas as condições alcançaram alta precisão de tarefa, indicando que ambos os estilos de prompting permitem que os modelos completem a tarefa central.
2. Eficiência Comunicativa (Prompt Implícito): Sob prompting implícito, os modelos permaneceram verbosos.
   • O GPT-5.2 teve média de 1.250,7 palavras/rodada; o GPT-5.5 teve média de 710,4 palavras/rodada.
   • Reduções ao longo das rodadas foram modestas. Os modelos reutilizaram descrições visuais, mas não trataram espontaneamente o histórico acumulado como uma licença para serem breves.
3. Eficiência Comunicativa (Prompt Explícito): Sob prompting explícito, os modelos comprimiram drasticamente a redação.
   • O GPT-5.2 reduziu o comprimento em 62,8%; o GPT-5.5 reduziu em 75,6% em comparação com seus contrapartes implícitos.
   • GPT-5.5 (Explícito): Mostrou o comportamento de "pacto conceitual" mais forte. O comprimento da RE caiu de 58,8 palavras (Rodada 1) para 32,7 palavras (Rodada 5). A sobreposição lexical atingiu 1,00, e a precisão permaneceu alta (97,5%).
   • GPT-5.2 (Explícito): Também encurtou as descrições, mas a precisão caiu para 92,5% na Rodada 5, sugerindo um trade-off entre precisão e brevidade.
4. Análise de Transcrição: O prompting explícito mudou a forma da interação. Os modelos introduziram rótulos compactos e discriminativos (ex: "rect picnic", "tall cylinder") e os podaram em descrições telegráficas estáveis. Em contraste, os modelos de prompting implícito mantiveram legendas descritivas completas e rotinas de confirmação, apesar de reutilizarem algum material lexical.

Principais Contribuições

• Reconciliação de Achados Conflitantes: O artigo demonstra que a divergência entre Zeng et al. (2026) e Jones et al. (2026) é atribuível ao estilo de prompting, não à versão do modelo ou dificuldade da tarefa.
• Demonstração de Dependência de Prompt: LVLMs podem produzir expressões de referência curtas e estáveis quando explicitamente forçadas a fazê-lo, mas falham em inferir a necessidade de eficiência comunicativa a partir de princípios pragmáticos implícitos.
• Distinção Entre Forma e Processo: O estudo destaca que, embora os LVLMs possam reproduzir o padrão superficial do emaranhamento lexical humano (encurtamento de expressões), esse comportamento não emerge dos mesmos mecanismos de "terreno comum" observados no diálogo humano.

Significância e Alegações

O artigo argumenta que o emaranhamento não é simplesmente compressão. No diálogo humano, expressões encurtadas são evidência de uma perspectiva coordenada e de um pacto conceitual compartilhado. Os atuais LVLMs podem ser guiados para mimetizar essa forma externa através de um prompting intensivo, mas o efeito é inteiramente dependente do prompt.

Os autores alertam contra a atribuição deste comportamento aos mesmos processos cognitivos subjacentes dos humanos. Os achados sugerem que, sem instrução explícita para comprimir, os LVLMs não desenvolvem naturalmente a eficiência colaborativa vista em parceiros humanos. Isso implica que os modelos atuais podem carecer da habilidade intrínseca de atualizar dinamicamente perspectivas compartilhadas para reduzir o esforço comunicativo, dependendo de restrições explícitas para simular tal comportamento.

Limitações

Os autores observam várias restrições:

• O estudo foi conduzido apenas em inglês com objetos não lexicalizados (cestas).
• Utilizou apenas duas versões específicas de LVLM (GPT-5.2/5.5).
• O experimento comparou pares do mesmo modelo, o que pode alinhar-se mais facilmente do que pares de modelos diferentes ou humanos.
• O estudo não avalia cenários onde as perspectivas iniciais estão desalinhadas, exigindo que os modelos produzam eficiência pragmática baseada no feedback do parceiro em vez de instruções explícitas.