# Classificação zero-shot: como um modelo percebe regras escritas por palavras

> Como aplica um modelo «Nada de spoilers» sem ter sido treinado com essa regra? Inferência em linguagem natural e regras de moderação personalizadas.

Source: https://www.vigimod.com/pt/learn/zero-shot-classification-nli · VigiMod (https://www.vigimod.com) · atualizado em 2026-11-11 · 7 min

## Em resumo

- Um classificador zero-shot consegue verificar categorias com que nunca foi treinado, escritas como frases.
- Muitos funcionam com inferência em linguagem natural (NLI): este texto implica esta hipótese?
- As regras de moderação personalizadas («Não vender contas») tornam-se hipóteses pontuadas como qualquer categoria.
- Regras curtas e concretas funcionam melhor; regras vagas dão pontuações vagas.

## O problema

Um classificador clássico só conhece as categorias com que foi treinado. Mas cada comunidade tem as suas regras: nada de spoilers, não vender contas, só falar de futebol, nada de links para outros servidores. Treinar um modelo novo para cada regra de cada comunidade é impossível.

A **classificação zero-shot** resolve isto: o modelo recebe a categoria *como uma frase* no momento do pedido e avalia se o texto encaixa nela.

## Inferência em linguagem natural (NLI)

Muitos classificadores zero-shot assentam numa tarefa chamada **inferência em linguagem natural**. O modelo recebe dois textos:

- uma **premissa** (aqui: a mensagem do chat),
- uma **hipótese** (aqui: uma regra ou a descrição de uma categoria),

e decide se a premissa **implica** a hipótese, a contradiz ou é neutra.

| Premissa (mensagem) | Hipótese | Resposta |
|---|---|---|
| «lol o cão morre no fim» | «Esta mensagem revela o enredo de um filme ou série.» | implica |
| «alguém já viu o final?» | «Esta mensagem revela o enredo de um filme ou série.» | não implica |
| «vendo a minha conta nível 80, manda mensagem» | «Esta mensagem oferece comprar ou vender contas de jogos.» | implica |

A probabilidade de «implica» passa a ser a **pontuação** da regra. O mesmo mecanismo serve para as categorias fixas: «insulto» é apenas a hipótese «Esta mensagem insulta uma pessoa».

## Porque é que generaliza

Durante o treino o modelo vê centenas de milhares de pares premissa–hipótese sobre todo o tipo de temas. Não aprende as regras em si: aprende **a capacidade de verificar** se um texto encaixa numa descrição. Essa capacidade passa para regras que nunca viu, em qualquer língua que o modelo conheça.

## Escrever boas regras

- **O concreto ganha ao abstrato.** «Não comprar, vender nem trocar contas ou itens» funciona melhor do que «Respeita a economia».
- **Uma ideia por regra.** Divide «Nada de spam nem de política» em duas regras.
- **Descreve o comportamento, não uma lista de palavras.** «Não reveles o fim de filmes ou séries» apanha spoilers escritos de qualquer maneira.
- **Testa com exemplos reais** e ajusta o limiar, como em qualquer categoria.

## O contexto também ajuda as regras

«Ele morre no fim» só é spoiler se a conversa for sobre uma série. Os modelos zero-shot que também leem as mensagens anteriores conseguem avaliar regras que dependem do chat; ver [o contexto na moderação](https://www.vigimod.com/pt/learn/context-in-moderation).

## Na VigiMod

As regras são enviadas com cada pedido, até 10, em qualquer língua:

`"rules": {"no-spoilers": "Nada de spoilers de filmes ou séries"}`

Cada regra devolve a sua própria pontuação e alerta (`rule:no-spoilers`), ao lado das categorias integradas. Detalhes na [documentação](https://www.vigimod.com/en/docs).

## Quiz

1. O que significa aqui «zero-shot»?
   Resposta: O modelo precisa de zero exemplos de uma regra para a verificar. A regra é dada como frase no momento do pedido, sem treino.
2. Na NLI, a mensagem do chat faz o papel de…
   Resposta: premissa. A mensagem é a premissa; a regra é a hipótese.
3. Que regra deve funcionar melhor?
   Resposta: «Não comprar, vender nem trocar contas de jogos». Regras concretas sobre um comportamento dão pontuações mais claras.
4. Porque é que o modelo consegue verificar uma regra que nunca viu?
   Resposta: Aprendeu a capacidade geral de verificar se um texto encaixa numa descrição. O treino NLI ensina a verificar o encaixe, não regras específicas.