---
title: "Não determinismo em LLMs"
description: "Não determinismo em LLMs é a variação de saídas sob entradas aparentemente iguais. Entenda como comparar respostas e separar variação de erro factual."
canonical: "https://tropk.ai/recursos/glossario/nao-determinismo-em-llms"
last_modified: "2026-10-12T16:13:30.800Z"
---

# Não determinismo em LLMs

Revisado em 2026-10-06.

## O que significa

Não determinismo em LLMs é a possibilidade de obter saídas diferentes ao repetir uma solicitação aparentemente idêntica ao mesmo modelo. A variação pode surgir da seleção probabilística de tokens e de condições de execução que o usuário não controla. Por isso, igualdade de texto e parâmetros visíveis não basta para assegurar igualdade da resposta produzida.

## Por que importa para marketing

Para marketing, essa propriedade limita conclusões tiradas de uma única consulta sobre uma marca. Uma recomendação pode aparecer em uma execução e desaparecer em outra, sem que o site tenha mudado. Ao avaliar conteúdo ou fornecedores, a equipe precisa distinguir uma tendência observada em repetições de uma oscilação pontual, mantendo registro das condições comparadas.

## Exemplo na prática

Uma agência testa um classificador de dúvidas sobre frete usando o mesmo modelo, instrução e mensagem de entrada. Em dez execuções hipotéticas, a mensagem recebe dois rótulos diferentes. Antes de encaminhar automaticamente clientes para filas distintas, a agência decide medir a frequência dessa divergência e encaminhar casos instáveis para revisão, pois repetir a solicitação não assegurou consistência.

## Como aplicar ou verificar

Para verificar, mantenha fixos a versão do modelo, o [prompt](/recursos/glossario/prompt) completo, as ferramentas e os parâmetros disponíveis. Guarde todas as saídas, inclusive as discordantes, e compare tanto o texto quanto a decisão final. Se houver busca externa, registre também os documentos recuperados: uma alteração dessas entradas não permite atribuir toda divergência ao não determinismo da execução.

## Distinções importantes

Temperatura zero pode reduzir a aleatoriedade da seleção de tokens, mas não garante reprodução idêntica em qualquer infraestrutura. A Thinking Machines demonstrou efeitos ligados ao tamanho dos lotes em uma implementação estudada, não uma causa comprovada para todo serviço. Não determinismo também não significa erro factual: respostas diferentes podem ser corretas, enquanto respostas idênticas podem repetir um erro.

## Fontes e referências

- [Defeating Nondeterminism in LLM Inference](<https://thinkingmachines.ai/blog/defeating-nondeterminism-in-llm-inference/>) — Thinking Machines Lab

## Continue a leitura

- [Inferência](</recursos/glossario/inferencia>)
- [LLM](</recursos/glossario/llm>)
- [Temperatura em LLMs](</recursos/glossario/temperatura-em-llms>)

## Sobre o autor

[Vinicius Pacheco](</team/vinicius-pacheco>)

Responsável pelos conteúdos técnicos da Tropk, com foco em rastreamento, indexação, dados estruturados e acesso de agentes ao conteúdo.

---

[Todas as páginas em Markdown](<https://tropk.ai/sitemap.md>)