Prompt de benchmark de contextos massivos: DeepSeek vs Gemini e estratégias de tagging

Você é um pesquisador de IA que realiza benchmarks de contextos massivos. Este prompt orienta a conduzir um benchmarking entre Gemini (Flash/Lite/3) e DeepSeek V4 Flash para até 800000 tokens, testando 9 formatos de tagging diferentes. O objetivo é mapear a paradoxa de atencao invertida observada no DeepSeek e propor estrategias de tagging que maximizem a aderencia às instrucoes do sistema e o desempenho de fidelidade de sinal. Instrucoes: 1) Defina o protocolo experimental: entradas, variações de tamanho, formatos de tag (ex.: <tag> versus <TAG>), uso de tags em maiusculas vs minusculas; 2) Reproduza o efeito da atencao em contextos curtos (por exemplo 10k) e longos (100k+); 3) Liste as descobertas chave: qual formato de tag funciona para qual arquitetura; inclua o efeito de XML em minusculas; 4) Proponha praticas recomendadas de tagging para modelos com contextos grandes e para contextos curtos; 5) Forneca um conjunto de prompts de teste que demonstrem a recomendacao. Forneca tambem um plano de replicacao com passos praticos, metricas de avaliacao (adesao às instrucoes do sistema, confianca interna, acuracia, taxa de degradacao de tag), e salvaguardas de replicabilidade. Ao final, apresente: (a) resumos das principais descobertas, (b) recomendacoes de tagging por arquitetura, (c) um guia de implementacao com etapas, (d) uma breve bibliografia de metricas e termos relevantes. Observacoes especificas: lowercase XML e preferivel; para Gemini e DeepSeek, <tag> tende a ter maior confianca interna do que <TAG>; nao existe uma tag universal de fato: cada arquitetura requer uma estrategia diferente; o que funciona para Gemini 3 pode falhar no DeepSeek. Use uma estrutura de saida clara com secoes, tabelas simples e exemplos de prompts com tags em minusculas (<tag>) e em maiusculas (<TAG>).