A pergunta está em alemão, a instrução decisiva em árabe. Uma pesquisa pelas mesmas letras dificilmente consegue reconhecer o parágrafo correspondente. Em vez disso, uma aplicação de pesquisa multilingue tenta aproximar a pergunta e o significado através de formulações diferentes. Contudo, o facto de encontrar um texto com som semelhante ainda não é suficiente.
A ficha oficial do modelo BGE-M3 descreve embeddings multilingues, bem como recuperação densa, esparsa e multivetorial. Estas capacidades dizem respeito à seleção de fontes. Uma tradução completa e uma resposta correta são tarefas adicionais que têm de ser consideradas separadamente.
Um espaço de pesquisa partilhado ainda não é uma resposta
Na recuperação densa, os textos são convertidos em representações numéricas e comparados através de uma medida de semelhança. Os métodos esparsos utilizam características ponderadas distribuídas de outra forma. Os métodos multivetoriais podem comparar um texto através de várias representações. A ficha do modelo descreve várias vias de recuperação; a simples disponibilidade destas não garante um resultado para todas as formulações.
Para quem lê, importa primeiro algo mais simples: a secção recuperada trata da mesma questão, incluindo a restrição e o âmbito? Um resultado sobre documentos arquivados não é base suficiente para uma pergunta sobre a pasta de trabalho atual.
Três cartões de conhecimento em vez de um grande arquivo
Cria uma pequena coleção tua com identificadores fixos. K01 descreve uma regra de aprovação para pacotes selados. K02 permite levar material disponível abertamente. K03 refere um assunto diferente, como o arquivo. Mantém os factos deliberadamente curtos e inequívocos.
Para K01, podes trabalhar com versões em alemão, árabe e hindi que tenham sido verificadas por alguém com os conhecimentos especializados relevantes. As frases seguintes, que escrevemos nós próprios, são um exemplo didático e precisam de uma revisão linguística adequada antes de qualquer publicação:
K01-de: Versiegelte Pakete dürfen nur nach Freigabe geöffnet werden.
K01-ar: لا يجوز فتح العبوات المختومة إلا بعد الحصول على موافقة.
K01-hi: सीलबंद पैकेट केवल अनुमति मिलने के बाद खोले जा सकते हैं।O identificador associa o significado, não apenas o nome do ficheiro. Antes do teste de pesquisa, define que cartão cada pergunta deve atingir. Para a pergunta em alemão “Wann darf ich ein versiegeltes Paket öffnen?” (“Quando posso abrir um pacote selado?”), K01 pertence à base esperada. K02 é um contraexemplo deliberadamente próximo com uma condição diferente.
Avalia primeiro os resultados, depois a formulação
Assim que estiver preparado um ambiente de pesquisa adequado, faz primeiro as perguntas sem qualquer geração de resposta subsequente. Anota os identificadores dos primeiros resultados e os respetivos textos originais. Isto permite-te determinar se a base certa é sequer selecionada.
Verifica o primeiro resultado e depois uma secção um pouco maior da lista de resultados. Um documento relevante em segundo lugar revela uma propriedade diferente de um primeiro resultado relevante. Com uma coleção minúscula, essas diferenças são diretamente visíveis sem publicar uma taxa global artificialmente precisa.
Basta uma pequena grelha de avaliação: identificador da pergunta, cartão esperado, cartões encontrados, língua de origem e qualquer diferença de significado observada. Depois, altera apenas a língua da pergunta. Se reescreveres o corpus ao mesmo tempo, a nova ronda deixa de ser a mesma comparação.
As negações são contraexemplos particularmente valiosos
Acrescenta uma pergunta que vise uma exceção. Muitas palavras em comum podem tornar atrativo um resultado factualmente errado. Uma secção com “não pode” ou “só após aprovação” tem de manter o seu significado. Por isso, uma pesquisa por conteúdo semelhante não deve ser confundida com uma verificação de uma afirmação idêntica.
Só depois de os resultados terem sido selecionados é que, se necessário, mandas produzir uma resposta ou tradução. Continua a mostrar a passagem original. Assim, os erros de pesquisa continuam distinguíveis dos erros de tradução. Uma fonte correta pode ser mal traduzida; uma tradução fluente pode explicar uma fonte inadequada de forma compreensível, mas errada.
A apresentação também faz parte do teste
O texto árabe precisa da direção de leitura correta; os identificadores técnicos mantêm a sua ordem lógica. Hindi não é indonésio. Estas diferenças já devem estar corretas nos dados de referência antes de um teste de modelo extrair delas uma aparente afirmação sobre a qualidade.
Começar com a pesquisa multilingue consiste, portanto, em alguns significados bem compreendidos e bons contraexemplos. O BGE-M3 fornece um modelo documentado para isso. Se torna a tua coleção pesquisável de forma útil, só a pesquisa real o mostra, com as perguntas, as línguas e as passagens originais concretas.
Fontes e estado
Fontes à data de 25 de outubro de 2026. Ficha do modelo BGE-M3.
