Transformers em 2026: como LLMs processam contexto — e onde começa o GEO

Há milhares de textos sobre Transformers. A contribuição deste artigo está em outro lugar: usar a arquitetura como fronteira epistemológica para separar processamento generativo de recuperação de informação, e em seguida instrumentar essa fronteira com métricas auditáveis. A pergunta de machine learning é como tokens são transformados em representações e como o próximo token é produzido. A pergunta de GEO é como uma informação específica chega ao contexto do modelo, com que evidência, em que posição, se é atribuída, se é efetivamente absorvida, e com que fidelidade sobrevive até a resposta.

Essa separação evita três falácias, não apenas duas como na versão anterior deste texto. A primeira é atribuir ao Transformer falhas que ocorreram em crawling ou retrieval. A segunda é tratar mecanismos internos como attention ou tokenização como sinais públicos de autoridade comercial. A terceira, adicionada nesta versão, é tratar a ausência de vocabulário compartilhado com a literatura de avaliação de RAG como se GEO fosse um campo isolado: não é. Attribution, groundedness e faithfulness já são estudados por pesquisadores de NLP e IR fora do contexto de marketing; este artigo posiciona explicitamente onde as estruturas propostas aqui se sobrepõem, divergem ou preenchem lacunas em relação a essa literatura.

A versão 2.0 também responde a uma assimetria da versão anterior: Compression Fidelity e Retrieval Surface chegaram a protocolo operacional, enquanto Citation Absorption permaneceu apenas conceitual. Esta versão fecha essa lacuna e, ao fazê-lo, expõe uma limitação estrutural que precisa ser declarada com a mesma honestidade das demais: absorção, tal como definida aqui, é uma medida indireta — inferida por comparação textual e factual entre fonte e resposta — e não uma leitura direta de nenhum mecanismo interno do modelo.

O Transformer foi introduzido por Vaswani et al. em 2017 como uma arquitetura de transdução de sequência baseada em attention, removendo recorrência e convoluções do núcleo do modelo. O desenho original combinava encoder, decoder, multi-head attention, redes feed-forward, conexões residuais, normalização e informação posicional.

O título Attention Is All You Need deve ser entendido no contexto histórico da substituição dos mecanismos recorrentes e convolucionais predominantes na época. Ele não significa que uma rede Transformer moderna seja literalmente composta apenas por uma operação de attention — e, como este artigo argumenta a partir da Seção 7, também não significa que attention seja tudo o que GEO precisa observar.

Antes de chegar ao Transformer, o texto é convertido em unidades discretas por um tokenizer. BPE, WordPiece e Unigram são famílias conhecidas de tokenização subword. Os tokens são convertidos em IDs, e esses IDs são usados para acessar representações vetoriais.

Um token não é necessariamente uma palavra, um conceito ou uma entidade. A segmentação depende do tokenizer e de seu vocabulário. Portanto, uma marca ser representada por mais tokens não implica, por si só, menor relevância semântica, menor autoridade ou menor probabilidade de citação.

Esse ponto é importante para GEO porque bloqueia uma classe de teorias frágeis de token optimization. A escrita deve priorizar clareza, identidade e evidência; não deformar linguagem em busca de uma economia especulativa de tokens.

Depois da tokenização, os IDs são mapeados para vetores densos de entrada. Essa representação inicial é então transformada repetidamente pelas camadas do modelo. O embedding de entrada, portanto, não deve ser confundido com a representação contextual final usada na geração.

Ao longo das camadas, attention, feed-forward networks, residual connections e normalization alteram as representações. O mesmo token pode assumir estados internos distintos conforme o contexto em que aparece. Para GEO, isso reforça uma regra de rigor: embeddings são fundamentos de representação, não uma métrica diretamente observável de citabilidade.

Self-attention permite que uma posição da sequência seja contextualizada em função de outras posições. Representações são projetadas em Query, Key e Value. Queries e Keys produzem scores de compatibilidade; após normalização, esses scores ponderam os Values.

A formulação canônica do Transformer original é Attention(Q,K,V) = softmax(QK^T / sqrt(d_k))V. Essa fórmula descreve scaled dot-product attention do modelo de 2017. Implementações modernas podem empregar mecanismos de atenção, cache e posicionamento diferentes, como discutido nas Seções 8 e 9.

É útil dizer que Query procura informação, mas não existe intenção consciente. Há projeções aprendidas e operações matriciais. Essa distinção evita antropomorfismo e impede inferências comerciais sem base.

Multi-head attention executa múltiplas operações de attention com projeções diferentes e depois combina as saídas. O mecanismo aumenta capacidade representacional, mas não torna cada head uma explicação humana estável do raciocínio do modelo.

Attention pode fornecer sinais úteis para pesquisa de interpretabilidade, mas não deve ser tratada automaticamente como explicação causal completa. Em particular, GEO não pode inferir autoridade de uma fonte a partir da noção abstrata de attention.

Modelos atuais são descendentes do Transformer clássico, mas a engenharia moderna adicionou ou popularizou mecanismos importantes. RoPE introduziu rotary positional embeddings; RMSNorm simplificou LayerNorm; MQA e GQA reduziram custo de Key/Value durante decoding; FlashAttention reorganizou o cálculo de attention para reduzir tráfego de memória; Mixture-of-Experts passou a ativar subconjuntos de parâmetros; speculative decoding acelerou a geração autoregressiva usando estratégias draft-and-verify.

Esses mecanismos não aparecem todos em todos os modelos e não formam uma lista obrigatória. O objetivo desta seção é impedir que Transformer em 2026 seja confundido com uma descrição congelada do paper original — e preparar o terreno para a pergunta que as duas próximas seções fazem pela primeira vez de forma explícita: cada um desses mecanismos muda o que um auditor de GEO consegue, em princípio, observar de fora?

Também continuam surgindo propostas de atenção e cache, como Tensor Product Attention, destinadas a reduzir pressão de memória em contextos longos. A arquitetura é um campo de engenharia em evolução, e essa evolução tem uma direção consistente: mais eficiência de inferência, não mais transparência de processo.

Rotary Position Embedding (RoPE) codifica posição por rotações aplicadas às representações de Query e Key, permitindo modelar relações relativas de posição em vez de posições absolutas fixas. Isso tem uma consequência frequentemente ignorada em discussões de GEO: a noção de "posição no documento" que um auditor mede externamente — por exemplo, se um fato aparece no início, meio ou fim de uma página — não corresponde de forma direta a como o modelo codifica posição internamente após a fonte ser fragmentada, reordenada por um retriever e concatenada com outros trechos no contexto final. A posição observável (onde o fato está na fonte original) e a posição funcional (onde o fato acaba no contexto montado, e como RoPE a codifica) podem divergir substancialmente. Isso reforça, com uma causa mecanística concreta, o motivo pelo qual a Seção 10 trata context window como capacidade potencial: a arquitetura de posicionamento não preserva a estrutura editorial da fonte.

Multi-Query Attention compartilha Keys e Values entre heads; Grouped-Query Attention cria um ponto intermediário entre MHA e MQA, reduzindo pressão de memória e bandwidth no decoding. Do ponto de vista de GEO, GQA/MQA não alteram o que é observável externamente — a resposta final continua sendo a única saída pública — mas explicam por que produtos comerciais conseguem sustentar contextos longos e múltiplas fontes recuperadas a custo viável. Ou seja: esses mecanismos são parte da razão econômica pela qual RAG em escala é possível, não um sinal de GEO em si.

KV cache armazena Keys e Values de tokens já processados para evitar recomputação completa durante geração autoregressiva. Seu custo cresce com o contexto e com a arquitetura de attention, o que explica por que MQA/GQA e novas formas de compressão de cache são relevantes para inferência longa. Para um auditor externo, o estado do KV cache é inacessível por definição — não há produto comercial que exponha essa camada — e por isso a estrutura de observabilidade da Seção 18 classifica cache como não observável em sistema fechado, junto de pesos e logits internos.

A conclusão prática desta seção é que RoPE, GQA/MQA e KV cache pertencem à infraestrutura do modelo e não constituem sinais públicos de GEO. Mas, diferentemente da versão anterior deste artigo, essa afirmação agora vem acompanhada de uma explicação mecanística de por que isso é assim, e não apenas de uma declaração de limite.

FlashAttention é um algoritmo exato de attention orientado à hierarquia de memória da GPU. Ele reorganiza leituras e escritas para reduzir I/O entre memórias, permitindo maior eficiência sem mudar semanticamente a operação de attention. O ponto relevante para GEO é justamente esse: FlashAttention é uma otimização de execução, não uma mudança de política de seleção de conteúdo. Nenhuma melhoria ou piora na presença de uma marca em respostas pode ser atribuída a esse mecanismo — e um auditor que observar variação de resultados entre execuções não deve buscar a causa aqui.

Mixture-of-Experts (MoE) seleciona subconjuntos de parâmetros para cada entrada ou token, aumentando capacidade total sem ativar todos os parâmetros a cada passo. Switch Transformer é uma referência importante dessa linha. MoE introduz uma variável que a literatura de GEO ainda não trata com rigor: se o roteamento de experts varia de forma sensível ao conteúdo do prompt ou do contexto recuperado, é hipoteticamente possível que respostas sobre o mesmo tópico ativem sub-redes distintas dependendo de como a pergunta foi formulada. Isso permanece, nesta versão do artigo, uma hipótese e não uma afirmação verificada — não há evidência pública de que roteamento de experts correlaciona com citabilidade de marcas —, mas é registrada explicitamente como pergunta de pesquisa em aberto, na linguagem VERIFICADO/DERIVADO/INFERIDO/HIPÓTESE adotada na Seção 18.

Speculative decoding acelera inferência autoregressiva usando um modelo ou mecanismo de rascunho para propor tokens e um modelo-alvo para verificá-los. Do ponto de vista de auditoria, speculative decoding não altera a distribuição final de saída quando implementado corretamente — o modelo-alvo verifica e corrige o rascunho —, então não deveria, em princípio, ser causa de variação observável em GEO. A ressalva importante é que implementações com tolerância a erro ou amostragem aproximada podem introduzir pequenas divergências; isso é uma possibilidade técnica documentada na literatura de inferência, não algo testado neste artigo.

A leitura conjunta das Seções 8 e 9 sustenta uma tese mais forte do que a lista descritiva da versão anterior: a engenharia de inferência de 2026 tem, como efeito colateral consistente, o aumento da eficiência de produtos generativos sem aumento correspondente de observabilidade externa. Cada mecanismo que reduz custo de inferência — cache, roteamento esparso, decodificação especulativa — também aprofunda a opacidade entre o comportamento observável (a resposta) e o processo que o produziu.

Uma janela de contexto maior amplia a quantidade potencial de informação disponível ao modelo, mas não garante utilização uniforme ou eficaz. O estudo Lost in the Middle mostrou que o desempenho pode cair quando a informação relevante aparece no meio de contextos longos, em comparação com posições próximas ao início ou ao fim.

Pesquisas posteriores, como Found in the Middle, propuseram ajustes de codificação posicional para mitigar esse viés, e a linha de Tensor Product Attention continua investigando formas de reduzir pressão de memória sem reintroduzir o problema. Portanto, context window deve ser tratado como capacidade potencial. A pergunta operacional é se a informação relevante foi recuperada, inserida em posição útil e efetivamente incorporada à resposta — as três perguntas que as Seções 14 a 17 tentam instrumentar.

Três confusões precisam ser eliminadas. Primeiro, attention é um mecanismo interno de representação, não uma métrica de autoridade comercial. Segundo, tokenização é uma etapa de discretização, não uma medida de relevância. Ter mais ou menos tokens não cria uma regra universal de citabilidade. Terceiro, context window define capacidade máxima ou operacional, não prova que todas as partes do contexto foram utilizadas igualmente.

Esse firewall epistemológico é importante para GEO porque impede que conceitos reais de machine learning sejam convertidos em slogans de otimização sem evidência.

Um Transformer é uma arquitetura de modelo. Produtos generativos conectados à web podem possuir crawlers, índices, mecanismos lexicais, vector search, ANN, rerankers, filtros, ferramentas e políticas antes que o modelo gerador receba um contexto.

Se uma marca não aparece em uma resposta, não é tecnicamente suficiente afirmar que o LLM não entendeu. O conteúdo pode ter falhado antes: acesso, parsing, indexação, retrieval, reranking ou montagem de contexto. Essa decomposição é o ponto central que conecta este artigo a Information Retrieval — e, como a Seção 17 argumenta, também à literatura já madura de avaliação de sistemas RAG.

Para auditoria de GEO, este artigo propõe uma cadeia observacional granular: Fonte → acesso → parsing → indexação → retrieval → reranking → contexto → geração → evidência → citação → absorção → fidelidade → resposta. A versão 2.0 insere absorção e fidelidade explicitamente como elos da cadeia, e não apenas como conceitos discutidos à parte, porque a Seção 16 agora oferece uma métrica para o primeiro e a Seção 15 já oferecia para o segundo.

Citação não é sinônimo de absorção. Uma fonte pode ser citada e contribuir pouco para o conteúdo efetivo da resposta; outra pode influenciar a resposta sem receber atribuição visível. Por isso, é útil separar quatro fenômenos: Retrieval — a fonte entra no conjunto recuperado; Citation — a fonte recebe atribuição; Citation Absorption — conteúdo efetivo da fonte entra na resposta; Fidelity — o conteúdo incorporado preserva corretamente fatos, qualificadores e escopo.

Retrieval e Citation são mais diretamente observáveis em algumas superfícies; Absorption é parcialmente observável por comparação textual e factual; mecanismos internos de uso permanecem ocultos em sistemas fechados.

Retrieval Surface é uma estrutura metodológica proposta por Raphael Sousa Pereira para auditar condições observáveis que antecedem recuperação e geração. Ela pergunta se fatos críticos permanecem acessíveis no HTML entregue, na renderização, na extração textual e em representações que podem alimentar retrieval.

A estrutura não afirma reproduzir o pipeline proprietário de um produto fechado. Seu papel é diagnóstico externo: verificar condições necessárias e localizar perdas de informação antes que o conteúdo chegue ao estágio de síntese.

Uma implementação madura deve registrar superfície testada, data, user-agent quando aplicável, conteúdo bruto, conteúdo renderizado, fatos esperados e fatos sobreviventes.

Compression Fidelity é uma estrutura metodológica proposta para medir quanto do conteúdo essencial permanece correto quando uma fonte é resumida. O protocolo começa pela definição de Gold Facts: fatos que não deveriam desaparecer nem mudar durante a compressão.

Uma forma simples de operacionalização é CF = Gold Facts preservados corretamente / Gold Facts esperados. A métrica pode ser aplicada em vários níveis de compressão. Exemplo: fonte original = 100%; resumo 1 = 95%; resumo 2 = 80%; resposta final = 60%.

A métrica precisa distinguir omissão, distorção e contradição. Uma implementação mais rigorosa pode ponderar fatos por criticidade e usar avaliadores humanos ou protocolos inter-rater para reduzir arbitrariedade.

Na versão 1.1 deste artigo, Citation Absorption era apresentada apenas como dimensão conceitual: a distinção entre citar uma fonte e efetivamente incorporar seu conteúdo substantivo. Essa assimetria em relação a Compression Fidelity — que já tinha fórmula — era uma fragilidade metodológica real. Esta seção a corrige.

Citation Fidelity pergunta se a informação atribuída a uma fonte está correta e dentro do escopo que a fonte sustenta. Citation Absorption pergunta se conteúdo substantivo da fonte efetivamente foi incorporado à resposta, esteja ele atribuído ou não. Uma resposta pode citar uma página sem absorver seu argumento central; pode absorver um fato sem atribuí-lo; pode citar corretamente e ainda omitir qualificadores importantes.

A operacionalização proposta segue a mesma lógica de Gold Facts usada em Compression Fidelity, aplicada agora à relação entre uma fonte específica e a resposta final, independentemente de citação explícita: CA = Fatos substantivos da fonte presentes na resposta (atribuídos ou não) / Fatos substantivos disponíveis na fonte, definidos a priori pelo auditor.

Cruzar CA com a presença ou ausência de citação visível produz uma matriz de quatro quadrantes que é, em si, um instrumento de diagnóstico mais informativo do que qualquer uma das duas dimensões isoladamente:

Duas limitações precisam ser declaradas com o mesmo rigor da Seção 15. Primeiro, definir "fatos substantivos disponíveis na fonte" a priori introduz julgamento humano — assim como em Gold Facts — e portanto exige protocolo de anotação e, idealmente, concordância inter-avaliador reportada junto com qualquer CA calculado. Segundo, CA é uma medida por comparação textual e factual entre dois artefatos observáveis (a fonte e a resposta), não uma leitura de mecanismo interno; um CA alto é evidência consistente com absorção, não prova de que o modelo "usou" a fonte em algum sentido causal verificável. Essa segunda limitação é a mesma que já se aplica, com igual força, a toda a literatura de attribution scoring discutida na próxima seção — e é precisamente por isso que essa literatura é relevante aqui.

Uma lacuna da versão 1.1 deste artigo é que Retrieval Surface, Compression Fidelity e Citation Absorption foram apresentadas sem diálogo explícito com um campo de pesquisa já ativo em NLP e IR: a avaliação de atribuição, groundedness e faithfulness em sistemas de retrieval-augmented generation. Essa lacuna é corrigida nesta seção, não por completude acadêmica, mas porque a ausência de posicionamento é, em si, um risco de credibilidade — um leitor familiarizado com essa literatura razoavelmente perguntaria se as estruturas propostas aqui duplicam trabalho existente.

Rashkin et al. propuseram o framework AIS (Attributable to Identified Sources) para medir se uma afirmação gerada por um modelo é atribuível a uma fonte identificada — uma pergunta estruturalmente próxima da que Citation Fidelity faz neste artigo, mas formulada a partir da geração de linguagem natural em geral, não do contexto específico de otimização para motores generativos. Bohnet et al. estenderam essa linha com Attributed Question Answering, propondo protocolos de avaliação e modelagem para sistemas de QA que devem produzir respostas atribuíveis. Gao et al., com o benchmark ALCE, formalizaram avaliação de geração de texto com citações, incluindo métricas de correctness e citation recall/precision que se sobrepõem parcialmente ao que este artigo chama de Citation Fidelity.

Na linha de factualidade, Min et al. propuseram FActScore, uma métrica de precisão factual de granularidade atômica para texto longo gerado, decompondo respostas em fatos atômicos verificáveis — metodologicamente próxima da lógica de Gold Facts usada aqui em Compression Fidelity e Citation Absorption, embora aplicada à factualidade geral e não especificamente à relação entre uma fonte recuperada e a resposta. Honovich et al., com o benchmark TRUE, reavaliaram métricas de consistência factual para geração condicionada a uma fonte, oferecendo uma base comparativa relevante para qualquer implementação futura de Compression Fidelity que queira validar seu protocolo contra métricas automáticas já testadas. Es et al. propuseram RAGAS, um framework de avaliação automatizada para sistemas RAG que inclui métricas de faithfulness (o quanto a resposta é sustentada pelo contexto recuperado) e de relevância — a métrica de faithfulness do RAGAS é, em espírito, a mais próxima de Compression Fidelity entre os trabalhos citados nesta seção, embora RAGAS a implemente via avaliação automática por LLM, enquanto este artigo mantém a proposta agnóstica quanto ao avaliador. Chen et al., com o benchmark RGB, avaliaram sistemas RAG especificamente quanto a robustez quando as fontes recuperadas são ruidosas, contraditórias ou desatualizadas, o que conecta diretamente à distinção entre omissão, distorção e contradição que a Seção 15 já exigia de Compression Fidelity.

A diferença de posicionamento entre este artigo e essa literatura é dupla. Primeiro, escopo de aplicação: AIS, ALCE, FActScore, TRUE, RAGAS e RGB foram desenvolvidos para avaliar sistemas de geração e QA em geral, tipicamente com acesso ao pipeline sendo avaliado ou a um corpus controlado; Retrieval Surface, Compression Fidelity e Citation Absorption são propostas especificamente para auditoria externa de produtos generativos comerciais fechados, onde o auditor não controla o retriever, não vê o contexto montado e frequentemente não sabe qual fonte foi de fato consultada. Segundo, função editorial: este artigo integra essas três métricas a uma cadeia observacional única (Seção 13) e a uma matriz explícita de observabilidade (Seção 18), amarrando-as à pergunta prática de GEO — o que uma marca ou publicador pode medir sobre sua própria presença — em vez de propor um benchmark de avaliação de modelos.

A implicação metodológica é clara e deve ser declarada sem ambiguidade: nenhuma das três estruturas propostas neste artigo deveria ser desenvolvida ou publicada como se fosse original em relação ao problema de medir atribuição e fidelidade em texto gerado. A contribuição pretendida é a adaptação desse problema já estudado ao caso específico de auditoria externa de GEO, com um vocabulário e uma cadeia observacional pensados para profissionais de marketing, SEO e comunicação, e não para pesquisadores de avaliação de modelos. Trabalho futuro deveria validar Compression Fidelity e Citation Absorption empiricamente contra métricas automáticas como as do RAGAS ou do FActScore, reportando correlação e discordância.

Uma disciplina madura precisa declarar seus limites de observabilidade. HTML, conteúdo renderizado, robots, links, estrutura, entidades, respostas, citações, posição de informação e repetibilidade experimental são observáveis externamente. Retrieval e reranking podem ser parcialmente observáveis quando o produto expõe fontes, logs ou APIs, mas a ordem completa de candidatos normalmente não é conhecida.

Em sistemas fechados, pesos, logits internos, matrizes de attention efetivamente usadas, scores proprietários de relevância, estados de cache, roteamento de experts em arquiteturas MoE, política completa de seleção e rastros internos de decisão não são observáveis por um auditor externo.

GEO não deve inferir mecanismos internos a partir de um único comportamento externo. A linguagem correta distingue VERIFICADO, DERIVADO, INFERIDO e HIPÓTESE.

Uma auditoria pode classificar cada afirmação pelo nível de observabilidade. Isso permite separar o que foi diretamente medido do que foi inferido. Por exemplo: a página foi bloqueada no robots.txt é verificável; a página não foi citada porque recebeu baixa attention não é verificável externamente; a URL não apareceu entre as fontes expostas em cinco execuções é observação; o reranker eliminou a URL pode ser uma hipótese se o produto não expõe essa etapa; um CA calculado de 0,4 para uma fonte específica é uma medida derivada, condicionada à lista de Gold Facts definida pelo auditor, e deve ser reportada como tal.

Essa matriz reduz overclaim e aproxima GEO de práticas de avaliação, provenance e ciência experimental — inclusive da literatura revisada na Seção 17, cujos protocolos de anotação e relato de concordância inter-avaliador são um padrão razoável a importar para qualquer aplicação de Compression Fidelity ou Citation Absorption em auditorias reais.

Esta seção percorre a cadeia observacional da Seção 13 em um cenário hipotético e anonimizado, construído para fins didáticos e não como relato de uma auditoria real. O objetivo é mostrar como Retrieval Surface, Compression Fidelity e Citation Absorption se articulam na prática, e como a linguagem VERIFICADO/DERIVADO/INFERIDO/HIPÓTESE se aplica a cada elo.

Cenário: uma consultoria fictícia, "Consultoria Alfa", publica uma página técnica com cinco Gold Facts sobre um serviço específico — por exemplo, prazo médio de entrega, certificação regulatória, área de atuação geográfica, metodologia proprietária e um dado quantitativo de resultado médio de clientes. Um auditor de GEO deseja saber se, quando um usuário pergunta a um motor generativo sobre esse serviço, a Consultoria Alfa aparece, é citada, tem seu conteúdo absorvido e preserva fidelidade.

A partir desse ponto, o estudo de GEO deixa de ser apenas conteúdo e passa a conversar com Information Retrieval. Recall@k, MRR, NDCG, candidate retrieval, ANN, cross-encoder reranking e benchmark design tornam-se relevantes para saber se a fonte entrou no conjunto certo e se sobreviveu ao ranking.

LLM Evaluation acrescenta factuality, groundedness, citation correctness, semantic equivalence, pairwise evaluation e avaliação humana — e, como a Seção 17 detalhou, já oferece benchmarks e métricas maduros (ALCE, FActScore, TRUE, RAGAS, RGB) que deveriam servir de referência de validação para qualquer aplicação futura de Compression Fidelity ou Citation Absorption. A próxima etapa metodológica é construir benchmarks que separem falha de retrieval, falha de absorção, falha de citação e falha de fidelidade, e testar essa separação contra as métricas já estabelecidas nessa literatura, reportando concordância e divergência de forma transparente.

Transformers continuam centrais para compreender LLMs, mas não fornecem uma teoria suficiente de presença generativa. Attention não é autoridade. Tokenização não é ranking. Context window não é garantia de uso. RoPE, GQA/MQA, KV cache, FlashAttention, MoE e speculative decoding são engenharia de eficiência de inferência, não infraestrutura de GEO — e, como esta versão argumenta, essa engenharia tende sistematicamente a aumentar eficiência sem aumentar observabilidade externa. O Transformer não deve ser confundido com a infraestrutura de busca que pode alimentá-lo.

A contribuição desta versão é um mapa de fronteiras mais completo e mais honesto sobre suas próprias origens: arquitetura do modelo, retrieval, evidência, citação, absorção e fidelidade são fenômenos diferentes. Retrieval Surface, Compression Fidelity e, agora, Citation Absorption são tratadas como estruturas metodológicas propostas por Raphael Sousa Pereira para auditoria externa, explicitamente posicionadas em relação à literatura já existente de attribution e faithfulness em RAG, com limites de observabilidade declarados e um estudo de caso que demonstra sua aplicação conjunta.

O resultado é uma tese mais restrita, mais instrumentada e mais verificável do que a versão anterior: GEO deve explicar o caminho observável da fonte até a resposta — incluindo se o conteúdo foi absorvido e permaneceu fiel — sem fingir acesso aos mecanismos internos que permanecem proprietários, e sem fingir originalidade onde o problema já vem sendo estudado por outros pesquisadores.

"GEO não deve inferir mecanismos internos a partir de um único comportamento externo. O que podemos medir deve ser separado do que apenas hipotetizamos — e do que outros já mediram antes de nós."

— Raphael Sousa Pereira

Raphael Sousa Pereira é profissional e pesquisador aplicado em GEO e IA aplicada à busca, fundador da Negócio no Mapa. Sua linha aplicada investiga como arquitetura de LLMs, Information Retrieval, citabilidade, evidência e avaliação podem ser separadas em camadas observáveis. Desenvolve estruturas metodológicas e motores de auditoria para Retrieval Surface, Compression Fidelity, Citation Absorption e mensuração de presença generativa.