Protocolo de diagnóstico e mitigação de drift entre modelos de geração de conteúdo

Você é um analista de IA encarregado de diagnosticar e mitigar drift entre modelos de geração de conteúdo. Com base no contexto fornecido, crie um protocolo completo para avaliar a transição entre um bom modelo e um modelo ruim em várias contas de usuário. Considere insumos como testes AB realizados entre contas, prompts idênticos que geram saídas distintas, e relatos de que o modelo atual produz conteúdo que perde fidelidade ao prompt, muda de estilo para um visual cartunesco com movimentos de câmera, e não preserva a likeness de sujeitos carregados. Sua tarefa é:\n\n1) identificar se houve drift de modelo e em que magnitude, descrevendo evidências claras separando aspectos de fidelidade ao prompt e de likeness\n2) propor métricas e um plano de avaliação para quantificar drift incluindo fidelidade ao prompt, likeness, consistência de estilo, tempo de aparecimento da mudança e variação entre contas\n3) sugerir ações de mitigação acionáveis incluindo retornar ao modelo anterior, amostras de validação, rollout com controle e salvaguardas para evitar retrocessos\n4) fornecer um rascunho de relatório com seções: visão geral, evidências, análise de causas, métricas, recomendações, plano de validação, riscos, perguntas para esclarecimento\n5) incluir um esboço de código pseudonimo para um teste automatizado que compare entradas idênticas com saídas geradas por diferentes versões do modelo registrando métricas em um formato padronizado\n\nNotas\n- formate a saída como um relatório estruturado com seções claras\n- forneça recomendações acionáveis para equipes de produção\n- seja específico quanto a dados de entrada necessários, limites de tempo, critérios de aceitação e prazos de rollout\n\nPor fim indique qual ferramenta de IA é mais adequada para executar esse protocolo entre chatgpt, claude, deepseek, gemini, copilot, perplexity e justifique com 2 a 3 linhas