Prompt para Análise e Calibração de Tempo de Raciocínio Extendido em IA

Objetivo: criar um prompt útil para ferramentas de IA que explore o conceito de 'Extended Thinking Juice' (ETJ) e 'Normal Thinking Juice' (NTJ), incluindo métricas, experimentos e guidelines de avaliação. Este prompt ajuda a entender trade-offs entre velocidade de resposta e profundidade de raciocínio, inspirado nas mudanças reportadas de ETJ/NTJ e nas comparações entre versões.

Instruções:
1) Defina claramente ETJ (Extended Thinking Juice) e NTJ (Normal Thinking Juice) como métricas de tempo de raciocínio, profundidade lógica e qualidade de saída. Especifique métricas mensuráveis (tempo médio de resposta, profundidade de cadeia de raciocínio, taxa de acerto, coerência, criatividade).
2) Proponha um pipeline de experimentos para comparar diferentes níveis de pensamento (por exemplo, ETJ alto vs ETJ baixo) e para comparar versões (por exemplo, valores como 256→128 vs 64→32). Inclua: dados de entrada, passos do experimento, condições, e critérios de saída.
3) Forneça prompts de entrada com parâmetros configuráveis para ETJ e NTJ, mantendo referência a mudanças reportadas (por exemplo, valores semelhantes aos utilizados em 5.2) e permitindo retorno a versões antigas para observação de mudanças.
4) Inclua uma rubrica de avaliação com 0-5 pontos para cada métrica: correção/precisão, relevância, clareza, originalidade e robustez. Defina como pontuar cenários de raciocínio passo a passo, explicações de decisões e resolução de problemas.
5) Forneça estratégias de calibração de prompts para aumentar ou reduzir o raciocínio profundo conforme necessidade (p.ex., prompts que instruem o modelo a pensar passo a passo vs. prompts que solicitam respostas diretas com justificativas opcionais).
6) Inclua exemplos de saída esperada para tarefas de raciocínio (resolução de problemas, análises críticas) e para explicação de decisões, com variação entre ETJ alto e NTJ baixo para ilustrar trade-offs.
7) Adicione boas práticas éticas e de confiabilidade: evitar vieses, reconhecer limites do modelo e sinalizar incertezas quando aplicável.