Available via license: CC BY 4.0
Content may be subject to copyright.
40
Interface Tecnológica – v. 21 n. 1 (2024) – ISSN (On-Line) 2447-0864
EVOLUÇÃO E O DESENVOLVIMENTO DO CHATBOT GPT-3 E GPT-4
EVOLUTION AND DEVELOPMENT OF CHATBOT GPT-3 AND GPT-4
Jaqueline Francis Laureano Rosa - jaqueline.rosa01@fatec.sp.gov.br
Faculdade de Tecnologia de Taquaritinga (Fatec) – Taquaritinga – SP – Brasil
Diego Renan Bruno - diego.bruno01@fatec.sp.gov.br
Faculdade de Tecnologia de Taquaritinga (Fatec) – Taquaritinga – SP – Brasil
DOI: 10.31510/infa.v21i1.1849
Data de submissão: 14/03/2024
Data do aceite: 10/03/2024
Data da publicação: 20/06/2024
RESUMO
A OpenIA é uma empresa que vem se destacando no desenvolvimento da Inteligência Artificial
para chatbots na atualidade, criando seu primeiro modelo chamado de GPT, que vem evoluindo
a cada dia, trazendo novas versões como o GPT-3.5 e GPT-4. Essa evolução passou a utilizar
técnicas de Inteligência Artificial que processavam somente texto para técnicas que processam
imagens, revolucionando a arte de produzir vídeos, imagens, textos etc. Este artigo explora esta
evolução e suas nuances, bem como, as técnicas de processamento demonstradas através de um
estudo bibliográfico sobre o tema. Nas primeiras seções deste artigo foram expostos e
explicados o que são os chatbots GPT. Já na sequência foi exposto um comparativo de
desempenho entre os modelos GPT-3.5 e GPT-4, na outra seção foi explorado a arquitetura e
os modelos com enfoque no aumento de seus parâmetros. Na seção seguinte foi avaliado o
desempenho da cada modelos através de um exame do ENEM 2022 e por últimos, foi analisado
as suas limitações e perigos desta ferramenta, como observadas os pontos que precisam
melhorar e por fim, fizemos a conclusão destacando a notável evolução e a grande expectativa
de avanços nos negócios e demais setores, destacando também a necessidade de tornar esta
ferramenta um instrumento acessível para que todos possam participar destes avanços,
tornando-a mais democrática. O objetivo deste trabalho foi analisar a evolução e as diferenças
do chatbot GPT-3.5 para GPT-4 e os resultados demonstram um avanço em sua capacidade de
entender a linguagem natural e compreender textos, como também processar imagens.
Palavra-chave: Inteligência Artificial. GPT-3.5. GPT-4.
ABSTRACT
OpenIA is a company that has stood out in the development of artificial intelligence for chatbots
today, creating its first model called GPT, which has evolved every day, bringing new versions
such as GPT-3.5 and GPT-4. This evolution has gone from using Artificial Intelligence
techniques that only processed text to techniques that process images, revolutionizing the art of
producing videos, images, text, etc. This article explores this evolution and its nuances, as well
as the processing techniques demonstrated through a bibliographic study on the subject. The
first sections of this article explain what GPT chatbots are. Next, a performance comparison
41
Interface Tecnológica – v. 21 n. 1 (2024) – ISSN (On-Line) 2447-0864
between the GPT-3.5 and GPT-4 models was presented, while another section explored the
architecture and models with a focus on increasing their parameters. In the next section, the
performance of each model was evaluated using an ENEM 2022 exam, and finally, the
limitations and dangers of this tool were analyzed, as well as the points that need to be
improved, and finally, we concluded by highlighting the remarkable evolution and the great
expectation of advances in business and other sectors, also highlighting the need to make this
tool an accessible tool so that everyone can participate in these advances, making it more
democratic. The aim of this work was to analyze the evolution and difference of the GPT-3.5
to GPT-4 chatbot, and the results show an advance in its ability to understand natural language
and text, as well as processing images.
Keywords: artificial intelligence. GPT-3.5. GPT-4.
1 INTRODUÇÃO
Nestes últimos tempos, houve avanços significativos no processamento de linguagem
natural (PLN) e no aprendizado de máquina (AM) o que resultou em um alto desenvolvimento
de Modelos de Linguagem (ML) sofisticadas. Estes modelos evidenciaram um notável
dinamismo em diversas tarefas como; respostas a perguntas, tradução de textos, sumarização e
muitas outras (NUNES et al, 2023).
A Inteligência Artificial (IA) surge com mais possibilidade e avanços ao longo da última
década e se torna a tecnologia mais desejável em todo o mundo, trazendo consigo avanços em
diversas áreas, possibilitando a pessoas leigas a capacidade de desenvolver novos usos em
campos financeiros, comércio eletrônico etc.
Voltando na história, Alan Turing, considerado o pai da computação, mencionou o
termo “Inteligência Artificial”, já em uma pesquisa da década de 1950. Conhecido
como “jogo da imitação”, a investigação propunha um teste para avaliar se as
máquinas possuíam capacidade de imitar o pensamento humano e se conseguiam
passar por uma pessoa confundindo o humano do outro lado da tela. A partir do “Jogo
da Imitação”, outras investigações foram feitos, aumentando o campo dessa pesquisa.
Em 1957, surgiu o algoritmo Perceptron, primeira rede neural voltada para
classificação de resultados. Dois anos depois, em 1959, o termo Machine Learning foi
usado pela primeira vez, para explicitar que computadores haviam passado a ter a
habilidade de aprender uma função mesmo sem serem programados diretamente para
isso. Ou seja, os computadores passaram a saber como alimentar um algoritmo com
dados de modo aprender a executar uma tarefa automaticamente. Em 1964, ELIZA, o
primeiro chatbot do mundo, foi criado. ELIZA conversava imitando uma psicanalista
e foi desenvolvida para usar respostas baseadas em palavras-chave e estrutura
sintática17 . Passaram-se mais de 70 anos entre as primeiras pesquisas e o surgimento
de algoritmos capazes de interagir com humanos usando linguagem e diálogos – como
o Chat GPT - mais refinados e baseados na IA generativa. E isso se deu porque só
recentemente passou a existir poder computacional disponível e mais barato do que
nos anos 1950/1960 para desenvolver a IA (SAMARÃO, 2023).
42
Interface Tecnológica – v. 21 n. 1 (2024) – ISSN (On-Line) 2447-0864
Este avanço considerável tem como ponto de partida o ChatGPT, uma ferramenta de
inteligência artificial desenvolvida pela empresa OPENAI. Este modelo é baseado na
linguagem generativa ou Generative Pre-Trained Transformer (GPT) com capacidade de
responder e interagir com os usuários, ou seja, é um chatbot capaz de responder todo tipo de
questão aos usuários.
Chatbot é um programa de computador que simula conversas entre a máquina e os
humanos, ou seja, se trata de uma ferramenta projetada para interagir com o usuário
respondendo todo tipo de questão, baseado em um modelo de aprendizado artificial, seja ele
supervisionado ou não, para gerar uma linguagem natural semelhante a humana.
A popularização do ChatGPT foi muito rápida devido a sua capacidade de construir um
simples texto até a mais complexos e com uma linguagem quase igual à do ser humano.
Apesar de toda essa desenvoltura, o ChatGPT tem suas limitações, pois foi construído
por um enorme conjunto de dados de texto que podem possibilitar a difusão de preconceitos e
estereótipos que porventura estejam inseridos em seus dados, podendo retornar ao usuário um
texto preconceituoso ou ofensivo (SCIELO, 2023).
Shang (2023) escreve que o processamento de linguagem natural cresceu devido ao
aparecimento de linguagens de grande dimensão que causaram um enorme impacto na tradução
automática, na análise de sentimentos e sumarização de texto. O GPT-4 se destaca no
desempenho destas funções, mas ainda traz problemas como raciocínio limitado, alucinação e
vieses.
2 REFERENCIAL TEÓRICO
2.1 O que é ChatGPT
ChatGPT foi desenvolvido pela OpenAi como um modelo de linguagem de
visualização. Seu treinamento é através da obtenção de uma enorme gama de variados textos
da internet, possibilitando um vocabulário muito acurado e profundo conhecimento sobre
variados temas. Quando ele recebe um texto como uma espécie de aviso, ele retorna uma
resposta ao usuário de forma relevante e coerente.
Suas aplicações são muitos criativas, permitindo aos usuários um enorme acesso a
diversas possibilidades, podendo ser explorado na produção de textos, composição de conteúdo
e edição, gerar descrições e narrativas de peças visuais, na música pode gerar letras ou sugerir
melodias, enfim, o ChatGPT é uma ferramenta incrível e versátil (MARQUES, 2023).
43
Interface Tecnológica – v. 21 n. 1 (2024) – ISSN (On-Line) 2447-0864
GPT significa Generative Pre-trained Transformer, um modelo de IA que usa redes
neurais profundas para gerar linguagem natural a partir de um determinado prompt.
A OpenAI desenvolveu essa poderosa tecnologia para gerar geração de texto legível
por humanos a partir de vários conjuntos de dados. Usando métodos de aprendizagem
auto-supervisionados, o GPT pode produzir resultados de linguagem natural
altamente precisos em uma fração do tempo em comparação com as técnicas
tradicionais de processamento de linguagem. A tecnologia generativa de
transformadores pré-treinados oferece muitos benefícios para empresas e usuários
individuais. As empresas podem usá-lo para tarefas como resumir o feedback do
cliente ou criar recomendações de conteúdo com base em pesquisas de usuários.
Também pode ajudar a agilizar processos como responder a consultas de clientes ou
responder a avaliações on-line com rapidez e precisão – economizando tempo e
recursos valiosos. Em um nível individual, os usuários podem se beneficiar de ter
acesso a assistentes de IA mais brilhantes que podem entender melhor questões
complexas sem exigir instruções de programação explícitas. A mídia social é outra
área em que se pode usar modelos de linguagem generativa extensivamente. Usando
o processamento de linguagem natural para análise de sentimentos, a OpenAI
desenvolveu um algoritmo capaz de criar conversas significativas a partir de um
prompt inicial. Em um contexto de mídia social, isso permite que os usuários criem
conteúdo que envolva e forneça um toque mais personalizado (ANDRELUG, 2023).
2.1.1 Transformadores - o estado da arte no processamento da linguagem natural
Transformadores ou Transformers é um modelo de aprendizado profundo que teve seu
início no ano de 2017 que tem um interessante mecanismo de atenção que pesa a influência das
inúmeras partes dos dados de entrada. Este mecanismo é amplamente utilizado no
Processamento de Linguagem Natural (PLN), que é um ramo da inteligência artificial que se
concentra na interação entre computadores e seres humanos por meio da linguagem natural,
mas seu desenvolvimento avançou e sua aplicação pode também realizar outras tarefas, como
por exemplo: compreensão de vídeo.
Estes transformadores foram projetados para o uso de resumo e tradução de texto através
de dados de entrada sequenciais, utilizando pela linguagem natural, assim como as Redes
Neurais Recorrentes (RNN), que são redes neurais usadas na tradução de idiomas,
reconhecimento de fala e legendagem de imagem, com a vantagem de não necessitar que estes
dados sequenciais sejam processados em ordem, mas usa a operação de atenção para identificar
o contexto de qualquer posição na sequência de entrada (DATA SCIENCE ACADEMY, 2023).
Nesta situação se os dados de entrada forem de uma frase em linguagem natural, o
Transformador ao invés de processar os dados de início para o final, ele identifica o contexto
que traz o significado a uma determinada palavra que está contida na frase, permitindo assim
mais paralelização do que as RNNs, diminuindo significativamente o tempo de treinamento.
44
Interface Tecnológica – v. 21 n. 1 (2024) – ISSN (On-Line) 2447-0864
Devido a isso, os transformadores se tornaram o principal modelo para a resolução de
problemas de PLN, substituindo os modelos de redes neurais recorrentes. Esta escolha se deve,
principalmente, pela facilidade de paralelização que o transformador permite durante o
treinamento, torando possível o treinamento de um maior conjunto de dados, resultando na
criação de sistemas pré-treinados como Generative Pre-Traning Transformer (GPT), que são
treinados com grandes quantidades de dados de linguagem geral e podem ter suas tarefas
ajustadas para tarefas específicas de linguagem (DATA SCIENCE ACADEMY, 2023).
2.2 GPT 3
Apesar de serem os precursores do GPT-3, os modelos GPT-1 e GPT-2 foram muitos
limitados, apesar da significativa conquista no processamento de linguagem natural. O modelo
GPT-1 era propenso a gerar textos repetitivos e falhava no rastreamento de dependências de
longo prazo no texto, enquanto o GPT-2 falhava na compreensão de tarefas que exigiam
raciocínio mais complexo, porém, estas limitações abriram espaço para o desenvolvimento do
modelo GPT-3.
GPT-3 é a terceira versão que foi aprimorada pela OpenAI no ano de 2018, atualizando
e sobrepondo a versão GPT-2, pois foi treinada com uma base maior de dados. Esta versão vem
com uma precisão maior, pois tem até 175 bilhões de parâmetros, fornecendo assim, uma maior
precisão na elaboração de textos, ainda que tenha um tamanho maior, seu modelo exige menos
dados que outros modelos de linguagem como BERT e XLNET para atingir resultados
satisfatórios. Ele se mostrou mais eficiente ao realizar tarefas de processamento de linguagem
natural como também a resultados sobre respostas a perguntas. Este chatbot é uma ferramenta
de ciência de dados que pode realizar inúmeras tarefas, como resumir o feedback do cliente ou
fazer recomendações de conteúdo baseado na pesquisa do usuário (ANDRELUG, 2023).
O modelo GPT-3 pode entender e gerar linguagem natural, pois foi treinado com uma
grande camada de corpos de texto e isto lhe capacitou a executar uma vasta gama de tarefas em
linguagem natural, como resumo de textos, tradução de idiomas, perguntas e respostas e muito
mais (ALTO, 2023). Na figura a seguir está demonstrado um resumo de um texto usando o
ChatGPT.
45
Interface Tecnológica – v. 21 n. 1 (2024) – ISSN (On-Line) 2447-0864
Figura 1: Exemplo de um resumo usando o GPT-3
Fonte: ALTO, 2023.
2.3 GPT 3.5
O ChatGPT 3.5 é um modelo construído com base no IntructGPT que é da série de
modelos GPT 3.5. Ele foi desenvolvido como um modelo que adapta um corpus de ajuste de
instrução em larga escala para InstructGPT em uma configuração conversacional.
O modelo GPT-3 foi atualizado com o uso da aprendizagem por reforço através do
feedback humano, este modelo utiliza o padrão de recompensas para obter melhor qualidade na
geração aproximando com a geração humana.
Um dos maiores benefícios do modelo InstructGPT é o seu avanço na capacidade de
obter melhores resultados com as instruções de língua inglesa comparado ao modelo GPT-3.
Há três modelos principais de GPT-3.5 que são: code-davinci-002, text-davinci-002 e
InstructGPT. Estas séries foram projetadas para criar conteúdo seguros com a finalidade de
criar falsos textos, textos tóxicos ou prejudiciais (ESPEJEL et al, 2023).
O modelo GPT-3.5 é baseado em text-davinci-002 e por isso é considerado mais
avançado e poderoso que os modelos anteriores, pois tem a capacidade de gerar linguagem e
acompanhamento de instruções de nível superior.
2.4 GPT 4
Este é o modelo que superou todos os anteriores, com uma versão multimodal poderosa
e capacidade de processar, além de entradas textuais, também entradas visuais. Seu treinamento
46
Interface Tecnológica – v. 21 n. 1 (2024) – ISSN (On-Line) 2447-0864
usa uma incomparável quantidade de dados e grande poder computacional, demonstrando
melhorias significativas que seus modelos anteriores (ESPEJEL et al, 2023).
O GPT-4 é um modelo multimodal que tem a capacidade de processar as entradas de
imagem e texto e retornar como saída um texto. Desta forma, este chatbot é um modelo que
tem um enorme potencial de uso em diversas aplicações, como resumo e tradução de texto,
além de um sistema de diálogo.
Desenvolvido para melhorar a compreensão e gerar texto em linguagem natural, o GPT-
4 pode enfrentar cenários complexos e de muitas nuances, pois foi avaliado em uma variedade
de exames que foram desenvolvidos para humanos. Nestas avaliações seu desempenho
demonstrou uma grande evolução, pois em certos testes ele superou até os seres humanos
(OPEN AI, 2023).
O GPT-4 e o GPT-3.5 compartilham vários recursos em comum, pois os dois modelos
têm a arquitetura de transformadores, porém com escalas diferentes. No modelo transformador
há uma dependência de arquitetura codificador-decodificador com módulos de auto atenção
que capturam relacionamentos complexos e conseguem extrair padrões de sequencias de
entrada. Neste sentido, o codificador faz o processamento das sequencias de entrada, enquanto
o decodificador converte a saída do codificador gerando uma sequência na saída do
transformador.
Apesar de a OpenAI não revelar muitas informações sobre o processo de treinamento
do GPT-4, fica claro que a abordagem deste modelo é a de recompensa baseada em regras
(RBRM) quando comparada com seu antecessor. Além deste aprendizado, o GPT-4 também é
treinado com o Aprendizado por Reforço com FeedBack Humano (RBRMs). Esta abordagem
de modelos baseada em regras (RBRMs) melhora significativamente o seu desempenho e a
segurança, gerando sinais de recompensa adicionais no momento em que o processo de ajuste
fino do Aprendizado por Reforço com Feedback Humano sobre o texto gerado acontece,
garantindo a harmonia com a produção de conteúdo seguro e correto (KOUBAA, 2023).
3 PROCEDIMENTOS METODOLÓGICOS
A metodologia utilizada para o desenvolvimento deste trabalho foi a bibliográfica e foi
explorado sites, livros e trabalhos acadêmicos como fonte de pesquisa. Na pesquisa
bibliográfica é fundamental que o pesquisador levante dados a respeito do tema abordado e
consulte trabalhos que foram desenvolvidos por outros pesquisadores, pois assim, os conceitos
47
Interface Tecnológica – v. 21 n. 1 (2024) – ISSN (On-Line) 2447-0864
e aspectos referente a pesquisa podem ser explorados e conhecidos (LAKATOS; MARKONI,
2003).
4 RESULTADOS E DISCUSSÃO
Um estudo recente aplicou um exame da Ordem dos Advogados dos Estados Unidos ao
GPT-3.5 e obteve a aprovação em duas categorias dentre sete testadas. Outro estudo que fez
testes de raciocínio quantitativo analítico dos exames de Contadores Públicos Certificados
(CPA), demonstrou um resultado ruim do GPT-3.5 quando comparado com o desempenho
humano, mas demonstra uma melhor capacidade quando se trata de questões que exigem
habilidades de entender, lembrar e aplicar conhecimento, atingindo o nível de entendimento
comparável ao humano (NUNES et all, 2023).
Outro experimento realizado utilizando Large Language Model (LLM) ou Grandes
Modelos de linguagem em eventos históricos e resultados potenciais tiveram sua avaliação em
uma métrica chamada Distancia a Realidade (DTR) que quantifica a disparidade entre a
realidade histórica e as previsões da inteligência artificial. Dentro desta métrica, uma pontuação
mais baixa indica que a IA está mais perto da realidade ou seja, é mais precisa em sua previsão.
O teste foi realizado entre GPT-3.5, GPT-3.4 como também o BARD (Bard do Google
é um chatbot de inteligência artificial que compete com o ChatGPT da OpenAI), conforme
segue a tabela abaixo;
Tabela 1 – Comparativo de desempenho entre Inteligências Artificiais
Fonte: TAŞAR e TAŞAR, 2023.
Atentando a diferença entre o GPT-3.5 E GPT-4 que é o objetivo deste estudo, a tabela
acima demonstra que a pontuação média do GPT-4 foi mais baixa que as demais, ou seja, este
desempenho superior se deve ao conjunto de dados de treinamento maior e a arquitetura
avançada que permite ao GPT-4 melhor compreensão dos contextos históricos mais
complexos(TAŞAR e TAŞAR, 2023).
48
Interface Tecnológica – v. 21 n. 1 (2024) – ISSN (On-Line) 2447-0864
4.1 Arquitetura e modelo
O GPT-4 tem muitos recursos comuns com o GPT-3.5, pois os dois tem uma
dependência do modelo arquitetônico transformador, mas em escalas distintas. Este modelo
transformador depende de uma arquitetura codificador – decodificador que possuem módulos
de auto atenção que buscam relacionamento complexos onde são extraídos os padrões de
sequencias de entrada. Neste esquema o codificador processa a sequência de entrada e na saída
do transformador, o decodificador converte a saída do codificador.
Apesar de a OpenIA não divulgar detalhes sobre a arquitetura do GPT-4, ela afirma que
ele é um modelo estilo Transformador pré-treinado para prever o próximo token em um
documento que são acessados em dados fornecidos pela internet ou por fornecedores
terceirizados e então ajustados para usar Aprendizado por Reforço a partir do feedback humano
(KOUBAA, 2023).
A arquitetura do GPT-4 avançou significativamente em escala quando comparamos com
as IAs anteriores. A figura a seguir demonstra as diferenças entre os modelos GPT, com enfoque
no expressivo aumento nos parâmetros presente no GPT-4.
Figura 2: Comparação entre modelos GPT
Fonte: Kobaa, 2023.
O modelo GPT-4 é mil vezes maior que o GPT-3.5, pois atinge 170 trilhões de
parâmetros enquanto o GPT-3.5 atinge 175 bilhões. Esta diferença demonstra a capacidade
ampliada do GPT-4 que se converte em uma precisão e desempenho, capaz de lidar com
49
Interface Tecnológica – v. 21 n. 1 (2024) – ISSN (On-Line) 2447-0864
modelos de linguagem complexas e com tarefas de processamento de linguagem natural, além
de possibilitar a entrada de dados multimodais, incluindo imagens e textos (KOUBAA, 2023).
4.2 Algumas avaliações de desempenho
O teste em exames acadêmicos demonstra um avanço do GPT-4 sobre o seu antecessor,
pois ele supera o GPT-3.5 em vários destes exames. Um teste no Uniform Bar Exam dos Estados
Unidos, que é a prova semelhante ao exame da OAB no Brasil, revelou a impressionante
capacidade jurídica do GPT-4, demonstrando seu avanço no processamento de linguagem
natural e se equiparando ao desempenho humano nestes tipos de exames (KOUBAA, 2023).
Nunes Et al (2023) avaliou o exame do ENEM 2022 utilizando as questões e alternativas
de vária edições do exame do ENEM. Neste trabalho os pesquisadores identificaram as questões
marcando cada uma com um domínio, como: compreensão de texto, conhecimento
enciclopédico e específico do domínio, elementos químicos e compreensão de imagens. Estes
domínios foram essenciais para determinar e identificar se o elemento é diferente de um texto,
como por exemplo, uma imagem ou símbolos químicos.
Para a avaliação do desempenho foi usado o conjunto de dados do ENEM 2022 com
questões que se tornaram públicas após o treinamento dos modelos, dados estes que foram
essenciais para a comparação dos modelos GPT-3.5 e GPT-4.
O resultado foi que o GPT-4 teve uma acurácia de 87% no exame de 2022, enquanto o
modelo GPT-3.5 teve um desempenho de 76%. Este resultado levou os autores a concluírem
que ambos os modelos tem capacidade de resolver questões complexas do exame do ENEM e
este avanço tem implicações importantes a serem consideradas no âmbito da educação e
possibilita o desenvolvimento de novos modelos de linguagem no futuro (NUNES et al, 2024).
Em testes que teve como foco a língua inglesa, o desempenho do GPT-4 apresentou uma
melhora significativa em relação ao GPT-3.5 e em testes com outras línguas o desempenho foi
superior a 80% (KOUBAA, 2023).
4.3 Limitações do GPT-4
Apesar dos grandes avanços do GPT-4 este modelo tem algumas limitações que são
igualmente encontradas no GPT-3.5, entretanto, seu impacto é reduzido.
Dentre as limitações, podemos destacar:
● Alucinação: este é um dos problemas mais sérios que são encontrados nos
modelos da OpenaAI. Estas alucinações são quando a inteligência artificial
50
Interface Tecnológica – v. 21 n. 1 (2024) – ISSN (On-Line) 2447-0864
produz conteúdo sem sentido ou impreciso, apear de uma considerável melhora
do GPT-4 em relação ao GPT-3.5.
● Discursos de ódio: Todos os modelos de IA tem potencial de produzir conteúdo
nocivos, como discurso de ódio e incitação à violência. O GPT-4 apresentou um
melhor desempenho com relação a estas questões.
● Operação de Desinformação e influência: neste caso a IA influencia a pessoa
agir de forma errada e isso ocorre porque a IA busca suas informações em
diferentes canais de comunicação e isso pode levar a desinformação. Na
comparação com o GPT-3.5, o GPT-4 é melhor na mitigação destes conteúdos,
mas ainda pode ser usador para este fim.
5 CONCLUSÃO
Neste estudo foi analisado o avanço do chatbot modelo GPT e na comparação de seus
modelos, conseguimos identificar uma melhora significativa no modelo GPT-4.
Entres os avanços encontrados, foi na sua capacidade de compreensão histórica da
linguagem humana, superando seu antecessor GPT-3.5, principalmente por permitir a entrada
de imagens como dado, resultado do aumento de seu tamanho, atingindo 170 trilhões de
parâmetros processados. Este tamanho possibilita ao GPT-4 um alto desempenho e uma ótima
precisão, bem como, maior capacidade para lidar com modelos de linguagem complexos e com
linguagem natural.
Outro destaque observado é o salto em multimodalidade, pois o GPT-4 foi treinado com
grande quantidade de dados e poder computacional que resultou em melhorias significativas na
compreensão de textos e superou desafios complexos, com exames projetados para humanos,
além de ter aprimorada a capacidade de seguir instruções e gerar resposta mais alinhadas com
as solicitações.
REFERENCIAS
ANDRELUG. GPT-4 vs GPT-3 – A comparação completa. Disponível em:
https://andrelug.com/gpt-4-vs-gpt-3/. Acesso em: 06 fev. 2024.
CHANG, Edward. Examining GPT-4’s Capabilities and Enhancement with SocraSynth.
2023. Disponível em: https://www.researchgate.net/publication/374753069_Examining_GPT-
4%27s_Capabilities_and_Enhancement_with_SocraSynth. Acesso em 04 fev. 2023.
51
Interface Tecnológica – v. 21 n. 1 (2024) – ISSN (On-Line) 2447-0864
DATA SCIENCE ACADEMY. Deep Learning Book. Redes Neurais, 2022. Disponível em:
https://www.deeplearningbook.com.br/?s=redes+neurais. Acesso em: 17 Setembro 2023.
ESPEJEL, J.L.; ETTIFOURI, EL H.; ALASSAN, M.S.Y.; CHOUHAM, EL M.; DAHHANE,
W. GPT-3.5, GPT-4, or BARD? Evaluating LLMs reasoning ability in zero-shot
setting and performance boosting through prompts. Natural Language Processing Journal, v.5,
2023. Disponível em: https://www.sciencedirect.com/science/article/pii/S2949719123000298.
Acesso em: 06 fev. 2023.
KOUBAA, A. GPT-4 vs. GPT-3.5: um confronto conciso. TechRxiv. Pré-impressão..
Disponível em: https://www.techrxiv.org/doi/full/10.36227/techrxiv.22312330.v1. Acesso em:
10 fev. 2024.
MARCONI, Marina Andrade., LAKATOS, Eva Maria. Fundamentos de metodologia
científica. 5° ed. São Paulo: Atlas, 2003.
MARQUES, J.F. Bíblia do Chat Gpt–10 livros em 1. Clube de Autores. 2023. Disponível em:
https://www.google.com.br/books/edition/B%C3%ADblia_Chat_Gpt_10_Livros_Em_1/m7ns
EAAAQBAJ?hl=pt-BR. Acesso em: 06 fev.2024
NUNES, D., Primi, R., PIRES, R., LOTUFO, R.D., & NOGUEIRA, R. Evaluating GPT-3.5
and GPT-4 Models on Brazilian University Admission Exams. ArXiv, abs/2303.17003. 2023.
Disponível em: https://arxiv.org/abs/2303.17003. Acesso em 05 fev. 2024.
OPEN AI. GPT-4 Technical Report. Disponível em: https://cdn.openai.com/papers/gpt-4.pdf.
2023. Acesso em 08 fev. 2024.
SAMARÃO, L. A. IA e algoritmos enviesados: as dimensões do viver na sociedade 5.0. Tese.
Universidade Católica de São Paulo. 2023.
SCIELO. ChatGPT: um museu de grandes novidades. Cadernos EBAPE.BR, v. 21, n. 1. 2023.
Disponível em: https://www.scielo.br/j/cebape/a/FHBLtCcQndXVLGSZhQqnmWn/#. Acesso
em 05 fev. 2024.
SINGH, SHIVENDRA PRATAP. “Comparing GPT-4 and GPT-3.5: Advancements and Key
Differences.” Towardsprompt, 2023.
Tasar, Davut Emre, and Ceren Ocal Tasar. "Bridging History with AI A Comparative
Evaluation of GPT 3.5, GPT4, and GoogleBARD in Predictive Accuracy and Fact Checking."
arXiv preprint arXiv:2305.07868. 2023.Disponível em:
https://ui.adsabs.harvard.edu/abs/2023arXiv230507868T/abstract. Acesso em 03 Fev. 2023.
VALENTINA, A. Modern Generative AI with ChatGpt and OpenaAi models. Packt
Publishing Lts. Birmingham, UK. 2023.
