---
title: "Viés de posição"
description: "Viés de posição descreve como a localização de uma informação no contexto pode mudar seu uso pelo modelo. Entenda o teste e os limites dessa evidência."
canonical: "https://tropk.ai/recursos/glossario/vies-de-posicao"
last_modified: "2026-10-12T16:13:03.595Z"
---

# Viés de posição

Revisado em 2026-10-06.

## O que significa

Viés de posição é a influência da localização de uma informação no contexto sobre a resposta de um modelo de linguagem. Em tarefas estudadas no artigo Lost in the Middle, documentos relevantes no início ou no fim foram mais bem utilizados que documentos no meio. O conteúdo permaneceu igual; a ordem alterou o desempenho observado.

## Por que importa para marketing

Para marketing, esse conceito ajuda a avaliar assistentes que consultam catálogos, políticas comerciais e materiais de campanha. Uma condição esquecida pode ter sido recuperada corretamente, mas utilizada de forma inadequada durante a geração. Antes de atribuir a falha à ausência de documentação, vale investigar como os trechos foram organizados na entrada do modelo.

## Exemplo na prática

Imagine uma equipe montando um assistente para consultar regras de frete. O documento que limita a entrega gratuita a capitais aparece entre dezenove outros trechos. Em um teste hipotético, a resposta ignora a restrição quando o documento está no meio e a inclui quando ele está primeiro. A equipe decide investigar a montagem do contexto.

## Como aplicar ou verificar

Para verificar, mantenha pergunta, documentos e configuração constantes e altere apenas a posição do trecho necessário. Registre respostas, versão do modelo, tamanho do contexto e acerto da condição comercial. Repita as execuções para separar a influência da ordem da variabilidade natural. O responsável técnico deve conferir também se o trecho chegou inteiro à geração.

## Distinções importantes

Esse viés se refere à posição na entrada do modelo; não comprova uma regra de ranking de páginas nem garante citações para textos com respostas na abertura. Também existe viés de ordem em comparações feitas por modelos avaliadores. Os resultados do estudo de 2023 dependem das tarefas e dos modelos examinados, exigindo testes na implementação atual.

## Fontes e referências

- [Lost in the Middle: How Language Models Use Long Contexts](<https://arxiv.org/html/2307.03172v3>) — Liu e colaboradores, arXiv
- [Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena](<https://arxiv.org/html/2306.05685v4>) — Zheng e colaboradores, arXiv

## Continue a leitura

- [Janela de contexto](</recursos/glossario/janela-de-contexto>)
- [LLM como avaliador](</recursos/glossario/llm-como-avaliador>)
- [Recuperação de passagens](</recursos/glossario/recuperacao-de-passagens>)

## 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>)