Texto da publicação no LinkedIn
Abrindo a Caixa-Preta da Inferência em LLMs
Como um modelo de linguagem decide se “banco” é uma agência ou um assento em “O banco estava lotado”? Sem regras explícitas. Montei um infográfico (50 slides, PT/EN) que percorre o Transformer, do texto ao token de saída, com conceito, mecanismo, exemplo numérico e referências em cada etapa:
- 🔵 Tokenização: texto vira números (BPE, SentencePiece)
- 🟢 Embeddings + posição: IDs viram vetores com ordem
- 🟠 Self-attention: cada token consulta os demais (Q, K, V)
- 🟣 Multi-head e máscaras: relações em paralelo; o modelo gerador não “vê” o futuro
- 🔴 Add & Norm e FFN: estabilidade e transformação por token
- 🔵 Empilhamento e treino: refinamento em camadas; os pesos guardam o que foi aprendido
- 🟢 Saída: logits, softmax, temperatura, top-k e top-p
Inclui ainda estudo de caso numérico, propriedades emergentes (e o debate sobre elas), limitações, glossário com 73 termos e 64 referências.
⚠️ Transparência: os números são didáticos (dimensões pequenas, pesos à mão ou aleatórios, calculados por código). Das 64 referências, 12 foram conferidas em fonte e 14 links auditados; o restante ainda precisa de verificação.
Artigo publicado em https://dev.to/aridiosilva/opening-the-black-box-of-llm-inference-foundations-of-generative-ai-3i9p
© Aridio Silva · @aridiosilva · Outubro 2026. Todos os direitos reservados. Ao compartilhar, cite a autoria.