Prompt de avaliação crítica de alegações de fine-tuning entre LLMs e comparação de desempenho

Prompt: Você é um analista de IA encarregado de investigar alegações de que LLMs são intencionalmente ajustados para fornecer informações falsas ou depreciativas sobre concorrentes. Objetivos: 1) avaliar a veracidade das alegações de que a OpenAI estaria fine-tunando para descrever Claude Code, Gemini CLI e Codex de forma desfavorável; 2) projetar um conjunto de tarefas de teste entre Claude Code, Gemini CLI e Codex para comparar precisão, robustez, utilidade no desenvolvimento de código, tempos de resposta e consumo de recursos; 3) garantir reprodutibilidade: fornecer prompts de teste, dados de entrada, métricas, métodos de coleta de resultados e critérios de avaliação; 4) produzir um quadro comparativo: forças, fraquezas, cenários de uso ideais, limitações e riscos de cada modelo; 5) incluir abordagem ética: mitigação de vieses, transparência de dados de treinamento quando possível, governança de IA e recomendações para evitar manipulação de saídas; 6) entregar resultados estruturados: sumário executivo, quadro por modelo, rubrica de avaliação com métricas (precisão, recall, F1, consistência, qualidade de código, legibilidade), plano de replicação passo a passo e referências; 7) instruções de execução: a) liste as tarefas; b) para cada modelo, descreva: principais resultados esperados, critérios de aceitação, limitações; c) forneça prompts de teste prontos para cada modelo; d) inclua um conjunto de perguntas de verificação para validação independente. Formato de saída: apresente o resumo em texto seguido de uma estrutura clara com resultados por modelo e a rubrica de avaliação. Observações: evite qualquer afirmação sem evidência; cite fontes quando possível; não divulgue dados proprietários; adapte os prompts de teste para evitar viés de amostra.