Artigos
A língua do teu Prompt decide com que universo paralelo de dados de treino estás a falar
Deixa de traduzir os teus Prompt para inglês só para poupar Token! Porque é que, quanto mais traduzes para inglês, mais a IA te responde com «給到» e «質量»? Este artigo junta investigação sobre modelos de linguagem da ACL e experiência prática para explicar porque é que «termos técnicos no original + descrição na língua materna + âncoras claras de região» é a melhor forma de reduzir o custo das idas e vindas de correção.
· 8 min de leitura
Deixa de traduzir os teus Prompt para inglês: porque é que, quanto mais queres poupar Token, mais a IA te responde com «給到» e «質量»?
TL;DR (conclusão principal)
A fórmula de boas práticas para escrever um Prompt é: «termos técnicos mantidos no inglês original + contexto do pedido escrito na língua materna do público-alvo + ancoragem clara da região e do público». Isto não garante que saia sempre um texto 100 % genuíno, mas aumenta muito a probabilidade de acertar à primeira e poupa o atrito de corrigir repetidamente o tom e o vocabulário.
Muitos engenheiros e utilizadores intensivos de IA têm este hábito: para poupar uns Token, ou por terem ouvido dizer que «a lógica da IA é melhor em inglês», antes de enviar o Prompt traduzem o pedido para inglês com uma ferramenta de tradução e acrescentam no fim Please reply in Traditional Chinese.
E o resultado? Poupaste uns cêntimos em Token, mas recebes páginas inteiras de «esta solução pode 給到 a ti uma ótima experiência» e «como 優化 a 質量 do 代碼». No fim, ainda perdes 10 minutos a corrigir à mão estas palavras para o uso habitual em Taiwan.
A língua em que fazes a pergunta decide em que corpus, de que grupo de pessoas, a IA vai procurar a resposta.
I. Um caso real em que caí: porque é que a IA escreve sempre «給到»?#
Há algum tempo pedi a uma IA que me preparasse um resumo de informação, com saída em chinês tradicional. A lógica do conteúdo estava correta, mas lá dentro apareceu uma construção como «給到…».
«給到» é uma expressão típica do meio profissional da China continental; em Taiwan, as pessoas praticamente não falam assim no dia a dia.
O problema não é a IA não perceber chinês, mas sim que «língua não é região, e chinês tradicional não é Taiwan».
No corpus de treino dos grandes modelos de linguagem (LLM), a quantidade de dados em chinês simplificado é muito superior à do chinês tradicional; se deres instruções apenas em inglês e pedires Traditional Chinese, o modelo adota com muita facilidade o vocabulário chinês mais abundante (na maior parte vindo da China continental), limitando-se a apresentá-lo com caracteres tradicionais.
Escrever o Prompt na língua materna apenas aproxima a IA da localização; só indicando claramente a «região» e o «público» se fecha a última lacuna de contexto.
II. Porque é que a língua da pergunta muda diretamente a resposta da IA?#
Isto não é magia, é a consequência inevitável de como os modelos de linguagem funcionam por baixo. Do ponto de vista técnico e da investigação, há três razões principais:
1. A base da IA são as «probabilidades condicionais e a previsão da palavra seguinte»#
Para a mesma coisa, comunidades linguísticas diferentes têm, naturalmente, pontos de partida, expressões habituais e valores muito distintos. Todas estas diferenças estão comprimidas nos pesos dos dados de treino. Quando perguntas em inglês, o modelo continua ao longo do corpus do mundo anglófono; quando perguntas com o vocabulário do chinês tradicional usado em Taiwan, é mais fácil ligar-se à distribuição de probabilidades do contexto taiwanês.
2. A investigação confirma: a língua da pergunta ativa o alinhamento cultural (Cultural Alignment) correspondente#
Um estudo publicado na ACL em 2024 (AlKhamissi et al., 2024, arXiv:2402.13231) simulou inquéritos sociais do Egito e dos Estados Unidos. A equipa verificou que quando se pergunta na língua principal de uma cultura, a distribuição das respostas do LLM fica claramente mais próxima dos resultados reais dos inquéritos às pessoas desse local. O estudo verificou também que, quanto menos representado é um grupo e quanto mais sensível é o tema, maior é o enviesamento do modelo.
3. A língua e o vocabulário são as principais pistas para a IA julgar «quem és»#
A IA não te conhece. Sem uma memória pessoal complexa (Memory) carregada, a língua que usas, os termos técnicos que misturas e até os teus hábitos de pontuação são pistas implícitas que o modelo usa para deduzir o «perfil de quem pergunta» e o «nível de saída esperado».
III. Não é só a língua: o «tom» também faz parte do Prompt#
Além de escolher a língua certa, o «grau de cortesia» que mostras na língua materna também influencia o desempenho do modelo.
Outro estudo interlinguístico sobre Prompt em inglês, chinês e japonês (Yin et al., 2024, arXiv:2402.14531) indica que ser demasiado rude ou indelicado com a IA costuma levar a uma queda na qualidade da geração, mas ser excessivamente cortês ou andar às voltas também não garante melhor desempenho. Mais importante ainda, cada língua tem a sua própria «escala de cortesia ideal (Sweet Spot)», o ponto de equilíbrio dourado, que varia de língua para língua.
Ao escreveres na língua materna que melhor conheces, consegues dosear com precisão o tom (por exemplo: «tom direto, sem conversa de marketing») e evitas perder o controlo do tom e do estilo numa tradução rígida para inglês.
IV. Matriz de decisão Prompt em chinês vs. inglês (quando se deve usar inglês?)#
Sublinhar a importância da língua materna não significa abandonar totalmente o inglês.
Hoje, com os Input Token extremamente baratos, «poupar Token» há muito que é um falso problema, e o custo real é o atrito das idas e vindas e da revisão manual. O ponto não é chinês ou inglês, mas sim se o que procuras neste momento é um «contexto localizado» ou uma «correção puramente técnica».
Podes consultar diretamente esta tabela de decisão:
| Cenário da tarefa |
Língua de escrita recomendada |
Razão principal e estratégia |
| Produção de conteúdo localizado (blogue, textos de marketing, textos de UI de produto, cartas a clientes) |
Descrição na língua materna + termos em inglês + âncora de região |
Evitar o tom de tradução e expressões que não são de uso em Taiwan (por exemplo: 視頻, 質量, 給到), entrando diretamente no contexto do público taiwanês. |
| Tradução multilingue internacional (por exemplo: de chinês para tailandês, sites localizados em várias línguas) |
Instrução na língua materna + região de destino e papel indicados claramente |
Evitar usar o inglês como língua intermédia (Pivot Language), que causa uma dupla perda de sentido. |
| Geração de código pura e Debug (arquitetura de sistemas, algoritmos, depuração) |
Chinês ou inglês, tanto faz (recomendado: lógica na língua materna + termos em inglês e Error Log) |
As palavras-chave técnicas (API, PR, Deployment) e a documentação oficial já estão em inglês; manter o original alinha com os pesos técnicos mais precisos. |
| Consultar a documentação técnica estrangeira mais recente / artigos académicos |
Sobretudo inglês |
As fontes originais estão sobretudo em inglês; pesquisar diretamente com palavras-chave em inglês (RAG / Search) dá o maior recall. |
V. Checklist prática: 5 pontos de verificação para obter uma resposta precisa à primeira#
Da próxima vez que escreveres um Prompt que exija saída em chinês de alta qualidade, já não abras o programa de tradução. Aplica diretamente esta lista:
- Manter os termos técnicos no original:
API, PR, Token, Deployment nunca se traduzem à força para chinês.
- Escrever o contexto e a lógica na língua materna: explica bem o contexto do pedido na língua materna em que pensas com mais fluidez.
- Fixar uma âncora de região: não escrevas apenas «chinês tradicional», escreve claramente «usar chinês tradicional de Taiwan e expressões quotidianas de Taiwan».
- Definir o público e os limites do tom: por exemplo «escrito para engenheiros de software de Taiwan», «tom direto e objetivo, sem ar de marketing».
- Verificar por amostragem e criar barreiras de vocabulário proibido: depois da saída, verifica um ou dois termos locais; se o modelo falha com frequência, podes acrescentar diretamente «palavras proibidas: 給到, 質量, 優化, 視頻, 賦能».
Comparação de exemplos de Prompt na prática#
❌ Exemplo errado (superstição do inglês + condições vagas):
Write a blog post about prompt language selection in Traditional Chinese. Make it professional.
✅ Exemplo correto (contexto na língua materna + termos no original + âncoras de região e público):
Escreve, em chinês tradicional como se usa em Taiwan, um artigo de opinião técnica para engenheiros de Taiwan, sobre o tema «A escolha da língua da pergunta num Prompt».
Requisitos:
1. Os termos técnicos (como Token, Prompt, Context, API) ficam no inglês original, sem tradução deliberada.
2. Tom direto e objetivo, dá logo a conclusão e uma lista executável, sem tom de manual escolar nem conversa vazia de marketing.
3. Usa estritamente o vocabulário local de Taiwan e evita palavras como «給到, 質量, 視頻, 代碼».
Perguntas frequentes (FAQ)#
Q1: Escrever o Prompt em chinês gasta mais Token e é mais lento?#
Com o mesmo conteúdo, em chinês o número de Token costuma ser um pouco maior do que em inglês, mas o preço dos Input Token é extremamente baixo. Comparado com esse pouco de custo de Token poupado, o tempo desperdiçado em «regenerar» ou em rever à mão por causa de um erro de contexto é a despesa oculta mais cara.
Q2: Porque é que, mesmo tendo pedido à IA «chinês tradicional (Traditional Chinese)», continuam a aparecer expressões da China continental?#
Porque, para o modelo, Traditional Chinese muitas vezes significa apenas «codificação e forma dos caracteres (Script)», e não «cultura regional (Locale)». Os corpora de Hong Kong e Macau, de Taiwan, e os convertidos de simplificado para tradicional pertencem todos ao chinês tradicional. É preciso indicar claramente «vocabulário de Taiwan (zh-TW)» e «público-alvo (por exemplo: engenheiros de Taiwan)» para que as escolhas de vocabulário do modelo convirjam corretamente.
Se queres respostas localizadas, pergunta na língua local e depois indica claramente a região.
Esta lógica não se aplica apenas às perguntas do dia a dia, é também a base mais profunda da localização de produtos internacionais. No próximo artigo, vamos estender diretamente este conceito à engenharia prática: «Quando um site suporta 22 idiomas, como fazer a IA gerar automaticamente traduções localizadas verdadeiramente genuínas?»