> ## Documentation Index > Fetch the complete documentation index at: https://docs.monostate.ai/llms.txt > Use this file to discover all available pages before exploring further. # Tipos de Modelos > Diferentes arquiteturas para diferentes tarefas # Entendendo Tipos de Modelos Diferentes tarefas de IA requerem diferentes arquiteturas de modelos. Pense nisso como escolher a ferramenta certa para o trabalho - você não usaria um martelo para pintar uma parede. ## Language Models (LLMs) Os modelos mais versáteis que entendem e geram linguagem humana. ### O Que Fazem Modelos de linguagem podem: * Responder perguntas * Escrever conteúdo * Traduzir idiomas * Resumir texto * Gerar código * Seguir instruções ### Modelos Comuns | Modelo | Tamanho | Bom Para | Tempo de Treinamento | | ----------- | --------- | -------------------------------------- | -------------------- | | **GPT-2** | 124M-1.5B | Ponto de partida, experimentos rápidos | Minutos a horas | | **BERT** | 110M-340M | Entender texto, classificação | Horas | | **T5** | 60M-11B | Tarefas texto-para-texto | Horas a dias | | **LLaMA** | 7B-70B | Propósito geral, chat | Dias a semanas | | **Mistral** | 7B | Desempenho eficiente e equilibrado | Horas a dias | ### Quando Usar Escolha modelos de linguagem quando precisar: * Entendimento de linguagem natural * Geração de texto * Resposta a perguntas * IA conversacional * Geração de código ## Modelos de Classificação Especializados para classificar coisas em categorias. ### Text Classification Categorize texto em grupos predefinidos: * Análise de sentimento (positivo/negativo) * Classificação de tópicos * Detecção de intenção * Detecção de idioma **Melhores modelos**: BERT, DistilBERT, RoBERTa ### Image Classification Identifique o que há em uma imagem: * Reconhecimento de objetos * Diagnóstico médico * Controle de qualidade * Moderação de conteúdo **Melhores modelos**: ResNet, EfficientNet, Vision Transformer (ViT) ### Multimodal Classification Lide com texto e imagens: * Entendimento de memes * Análise de documentos * Categorização de produtos **Melhores modelos**: CLIP, LayoutLM, ALIGN ## Token Classification Rotula palavras ou tokens individuais em texto. ### Named Entity Recognition (NER) Encontre e rotule informações específicas: * Nomes de pessoas, lugares, organizações * Datas e horários * Nomes de produtos * Termos médicos ### Part-of-Speech Tagging Identifique papéis gramaticais: * Substantivos, verbos, adjetivos * Análise de estrutura de sentenças **Melhores modelos**: BERT-NER, RoBERTa-token, SpaCy transformers ## Sequence-to-Sequence Transforme uma sequência em outra. ### Translation Converta texto entre idiomas: * Tradução de documentos * Tradução de chat em tempo real * Tradução de código ### Summarization Condense texto longo: * Resumos de artigos * Notas de reunião * Digestos de relatórios ### Question Answering Extraia respostas do contexto: * Suporte ao cliente * Q\&A de documentos * Ferramentas educacionais **Melhores modelos**: T5, BART, mT5 (multilíngue) ## Modelos de Computer Vision Processe e entenda imagens. ### Object Detection Encontre e localize objetos em imagens: * Caixas delimitadoras ao redor de objetos * Conte itens * Rastreie movimento **Melhores modelos**: YOLO, Faster R-CNN, DETR ### Image Segmentation Entendimento em nível de pixel: * Imagens médicas * Condução autônoma * Edição de fotos **Melhores modelos**: U-Net, Mask R-CNN, SAM ### Image Generation Crie novas imagens: * Geração de arte * Visualização de produtos * Aumento de dados **Melhores modelos**: Stable Diffusion, DALL-E, Midjourney ## Modelos Tabulares Trabalhe com dados estruturados como planilhas. ### Regression Preveja valores contínuos: * Previsão de preços * Previsão de vendas * Pontuação de risco ### Classification Categorize linhas: * Churn de clientes * Detecção de fraude * Diagnóstico de doenças **Melhores modelos**: XGBoost, CatBoost, TabNet ## Escolhendo o Modelo Certo ### Considere Seus Dados | Tipo de Dado | Modelos Recomendados | | --------------------------- | -------------------- | | Texto curto (\< 512 tokens) | BERT, DistilBERT | | Texto longo (> 512 tokens) | Longformer, BigBird | | Conversas | DialoGPT, Blenderbot | | Código | CodeBERT, CodeT5 | | Múltiplos idiomas | mBERT, XLM-RoBERTa | | Imagens | ResNet, EfficientNet | | Imagens + Texto | CLIP, ALIGN | | Dados estruturados | XGBoost, CatBoost | ### Considere Seus Recursos **Recursos Limitados (\< 8GB GPU)** * DistilBERT (66M parâmetros) * MobileBERT (25M parâmetros) * TinyBERT (15M parâmetros) **Recursos Moderados (8-16GB GPU)** * BERT-base (110M parâmetros) * GPT-2 small (124M parâmetros) * RoBERTa-base (125M parâmetros) **Bons Recursos (24GB+ GPU)** * GPT-2 large (774M parâmetros) * T5-large (770M parâmetros) * LLaMA 7B (7B parâmetros) ### Considere Suas Necessidades de Precisão **Velocidade sobre precisão** * Use modelos destilados (DistilBERT, DistilGPT-2) * Arquiteturas menores * Modelos quantizados **Precisão sobre velocidade** * Use modelos maiores * Ensemble de múltiplos modelos * Tempos de treinamento mais longos ## Tamanhos de Modelos e Trade-offs ### Contagem de Parâmetros Parâmetros são as partes ajustáveis de um modelo. Mais parâmetros geralmente significam: * Melhor entendimento * Maior precisão * Mais memória necessária * Inferência mais lenta ### Diretrizes de Tamanho | Tamanho | Parâmetros | Caso de Uso | Dados de Treinamento Necessários | | --------- | ---------- | ----------------------------- | -------------------------------- | | **Tiny** | \< 50M | Apps móveis, tempo real | Centenas de exemplos | | **Small** | 50M-150M | Aplicações padrão | Milhares de exemplos | | **Base** | 150M-500M | Sistemas de produção | Dezenas de milhares de exemplos | | **Large** | 500M-3B | Necessidades de alta precisão | Centenas de milhares de exemplos | | **XL** | 3B+ | State-of-the-art | Milhões de exemplos | ## Pré-treinado vs Do Zero ### Use Modelos Pré-treinados **99% das vezes**, comece com um modelo pré-treinado: * Já entende linguagem/imagens * Precisa de menos dados de treinamento * Mais rápido para treinar * Melhores resultados ### Treine do Zero Apenas Quando * Trabalhando com tipos de dados únicos * Domínio especial (médico, legal) * Arquiteturas personalizadas * Propósitos de pesquisa ## Estratégias de Fine-tuning ### Full Fine-tuning Atualize todos os parâmetros do modelo: * Melhor precisão * Precisa de mais memória * Risco de overfitting ### LoRA (Low-Rank Adaptation) Atualize apenas pequenos adaptadores: * 90% menos memória * Treinamento mais rápido * Precisão ligeiramente menor * Perfeito para modelos grandes ### Prompt Tuning Treine apenas embeddings de prompt: * Memória mínima * Muito rápido * Bom para few-shot learning ### Estratégias de Freeze Congele algumas camadas: * **Congele camadas iniciais**: Mantenha características gerais * **Congele camadas finais**: Mantenha características específicas da tarefa * **Descongelamento gradual**: Comece congelado, descongele lentamente ## Modelos Multi-tarefa Alguns modelos podem lidar com múltiplas tarefas: ### Família T5 * Resumo de texto * Tradução * Resposta a perguntas * Classificação Apenas mude o prefixo do prompt: * "summarize: ..." * "translate English to French: ..." * "question: ... context: ..." ### Modelos FLAN Pré-treinados em muitas tarefas: * Melhor desempenho zero-shot * Mais flexíveis * Bom seguimento de instruções ## Arquiteturas Especializadas ### Transformers O padrão atual: * Processamento paralelo * Dependências de longo alcance * A maioria dos modelos modernos ### CNNs (Convolutional Neural Networks) Ainda ótimos para imagens: * Eficientes * Bem compreendidos * Bons para dispositivos edge ### RNNs (Recurrent Neural Networks) Mais antigos mas ainda úteis: * Dados sequenciais * Séries temporais * Aplicações de streaming ## Ouça: Além de LLMs - Um Mergulho Profundo Uma conversa de 45 minutos sobre tipos de modelos além de modelos de linguagem, cobrindo visão, tabular e arquiteturas especializadas.