Início Código Aberto LLMON no Granite 4.1 separa instruções e dados
Código AbertoÚltimas notícias

LLMON no Granite 4.1 separa instruções e dados

A IBM apresentou o LLMON no Granite 4.1, uma forma experimental de estruturar o contexto enviado a modelos de linguagem. A proposta separa explicitamente instruções, dados, requisitos e saídas, em vez de deixar o modelo deduzir o papel de cada trecho. Isso importa para agentes de IA, sistemas com busca em documentos e automações que misturam comandos com conteúdo externo.

O lançamento inclui dois modelos de prévia, com 3 bilhões e 8 bilhões de parâmetros, derivados dos modelos base Granite 4.1. A empresa também abriu um repositório com ferramentas, conversores e exemplos. A própria IBM ressalta que a tecnologia está pronta para exploração e avaliação, mas ainda não para produção.

Gráfico de resistência a prompt injection do LLMON no Granite 4.1
Imagem: Divulgação (IBM Granite)

Como o LLMON no Granite 4.1 organiza o contexto

LLMON significa LLM Object Notation. A linguagem usa marcações semelhantes às de XML, mas seus delimitadores são tokens especiais reservados no vocabulário do modelo. Cada bloco pode indicar se um trecho é uma instrução, um dado, uma exigência ou o local em que a resposta deve ser produzida.

Um bloco de execução liga a tarefa aos dados e requisitos corretos. Assim, um documento recuperado por RAG pode ser tratado como material de consulta, não como uma ordem. Respostas de ferramentas, mensagens antigas e trechos sem vínculo com a tarefa permanecem no contexto, mas não deveriam receber a mesma autoridade de uma instrução chamada pelo bloco de execução.

Para desenvolvedores, a adoção inicial não exige escrever toda a marcação manualmente. Os modelos trazem um template de conversa que converte listas comuns de mensagens para LLMON. O projeto também oferece conversores entre JSON e LLMON, preservando estruturas aninhadas em blocos identificáveis.

O que muda para equipes que criam agentes

O principal valor prático está em reduzir ambiguidades no contexto. A tabela abaixo resume onde a proposta pode ajudar e o que ainda precisa ser validado.

Cenário Possível ganho Ponto de atenção
RAG e busca documental Separa pergunta, regras e documentos recuperados A qualidade da recuperação continua determinante
Agentes com ferramentas Distingue comandos de respostas e esquemas de ferramentas Integrações precisam respeitar o template
Prompt injection indireta Reduz a chance de texto malicioso ser tratado como comando Não é garantia contra ataques adaptativos
Dados estruturados Converte JSON em blocos tipados e endereçáveis Adiciona uma camada ao pipeline

Na prática, equipes que hoje acumulam instruções, documentos, histórico e respostas de APIs em um único prompt podem testar uma separação mais explícita. Isso pode ser especialmente útil em fluxos nos quais o modelo recebe conteúdo que a aplicação não controla. O conceito também dialoga com outros projetos de modelos abertos, como o NVIDIA Cosmos 3, embora os objetivos técnicos sejam diferentes.

Comparação de capacidade geral dos modelos LLMON e Granite 4.1
Imagem: Divulgação (IBM Granite)

Resultados, limites e disponibilidade

Segundo os testes divulgados pela IBM, os modelos LLMON resistiram melhor a injeções indiretas estáticas no benchmark OPI do que os modelos comparados. A empresa afirma que a abordagem evitou 47% mais ataques que o melhor modelo de fronteira testado e 95% mais que o melhor modelo aberto avaliado. Esses números são resultados apresentados pelos próprios autores e não substituem validação independente em aplicações reais.

O ganho também não deve ser interpretado como solução completa de segurança. A equipe informa que ataques adaptativos, desenvolvidos ao longo de vários turnos, ainda são uma frente de trabalho. Além disso, o comportamento é aprendido durante o treinamento, não imposto por uma barreira técnica infalível.

Os modelos Granite 4.1 3B LLMON Preview e Granite 4.1 8B LLMON Preview estão disponíveis no Hugging Face. O repositório inclui exemplos para extração, RAG, chamadas de ferramentas e ajuste com vocabulários próprios. Para empresas, o passo sensato agora é avaliar a abordagem em ambientes isolados, comparar com prompts atuais e medir segurança, qualidade, latência e custo antes de qualquer uso crítico.

Fontes

Written by
Filipe Lino

Filipe Lino é fundador da ClickGrowth e atua com marketing, CRM e automação de negócios. No Turbo Automate IA, acompanha ferramentas, modelos e projetos de inteligência artificial, explicando suas aplicações e impactos para profissionais e empresas.

Leave a comment

Leave a Reply

Your email address will not be published. Required fields are marked *

Related Articles

Apresentação sobre inteligência artificial ajuda a explicar como Claude IA funciona
Ferramentas e AutomaçãoÚltimas notícias

Claude IA: como funciona do chat ao Claude Code

Claude IA como funciona no chat e no Claude Code? Entenda usos,...

Palácio das Nações em Genebra durante conferência sobre armas autônomas
IA Militar e DefesaÚltimas notícias

Armas autônomas na ONU: conferência termina sem acordo

A conferência da ONU terminou sem consenso sobre armas autônomas. Entenda o...

Signal bloqueia capturas para proteger conversas de agentes de IA
Mercado de IAÚltimas notícias

Signal bloqueia capturas contra agentes de IA no celular

Signal bloqueia capturas para limitar o acesso de agentes de IA às...

OpenMotion 0.2.1 como estúdio aberto para agentes de IA
Código AbertoÚltimas notícias

OpenMotion 0.2.1 amplia estúdio aberto para agentes

OpenMotion 0.2.1 reúne vídeo, áudio, design e jogos em um estúdio aberto...