Não faltam benchmarks de IA generativos projetados para medir o desempenho e a precisão de um determinado modelo na conclusão de várias tarefas empresariais úteis – desde codificação para instrução seguinte para navegação na web agente e uso de ferramenta. Mas muitos desses benchmarks têm uma grande falha: medem a capacidade da IA de resolver problemas e solicitações específicas, e não como factual o modelo está nos seus resultados – quão bem ele gera informações objetivamente corretas vinculadas a dados do mundo real – especialmente quando se trata de informações contidas em imagens ou gráficos.
Para setores onde a precisão é fundamental – jurídico, financeiro e médico – a falta de uma forma padronizada de medir factualidade tem sido um ponto cego crítico.
Isso muda hoje: a equipe FACTS do Google e sua unidade de ciência de dados Kaggle lançou o FACTS Benchmark Suite, uma estrutura de avaliação abrangente concebido para colmatar esta lacuna.
O associado artigo de pesquisa revela uma definição mais matizada do problema, dividindo "factualidade" em dois cenários operacionais distintos: "factualidade contextual" (baseando as respostas nos dados fornecidos) e "factualidade do conhecimento mundial" (recuperando informações da memória ou da web).
Embora a manchete seja a colocação de primeira linha do Gemini 3 Pro, a história mais profunda para os construtores é a ampla indústria "parede de factualidade."
De acordo com os resultados iniciais, nenhum modelo – incluindo Gemini 3 Pro, GPT-5 ou Claude 4.5 Opus – conseguiu atingir uma pontuação de precisão de 70% em todo o conjunto de problemas. Para os líderes técnicos, isto é um sinal: a era da "confie, mas verifique" está longe de terminar.
Desconstruindo o benchmark
O conjunto FACTS vai além de simples perguntas e respostas. Ele é composto por quatro testes distintos, cada um simulando um modo de falha diferente do mundo real que os desenvolvedores encontram na produção:
-
Benchmark Paramétrico (Conhecimento Interno): O modelo pode responder com precisão a perguntas triviais usando apenas seus dados de treinamento?
-
Referência de pesquisa (uso de ferramenta): O modelo pode usar efetivamente uma ferramenta de pesquisa na web para recuperar e sintetizar informações ao vivo?
-
Referência Multimodal (Visão): O modelo pode interpretar com precisão gráficos, diagramas e imagens sem ter alucinações?
-
Referência de aterramento v2 (contexto): O modelo pode seguir estritamente o texto fonte fornecido?
O Google divulgou 3.513 exemplos ao público, enquanto o Kaggle mantém um conjunto privado para evitar que os desenvolvedores treinem com os dados de teste – um problema comum conhecido como "contaminação."
A tabela de classificação: um jogo de polegadas
A execução inicial do benchmark coloca o Gemini 3 Pro na liderança com uma pontuação FACTS abrangente de 68,8%, seguido pelo Gemini 2.5 Pro (62,1%) e pelo GPT-5 da OpenAI (61,8%).No entanto, uma análise mais detalhada dos dados revela onde estão os verdadeiros campos de batalha para as equipes de engenharia.
|
Modelo |
Pontuação FACTS (média) |
Pesquisa (capacidade RAG) |
Multimodal (Visão) |
|
Gêmeos 3 Pró |
68,8 |
83,8 |
46,1 |
|
Gêmeos 2.5 Pró |
62,1 |
63,9 |
46,9 |
|
GPT-5 |
61,8 |
77,7 |
44,1 |
|
Grok 4 |
53,6 |
75,3 |
25,7 |
|
Fechar 4.5 Trabalho |
51.3 |
73,2 |
39,2 |
Dados provenientes das notas de lançamento da equipe FACTS.
Para Construtores: O "Procurar" vs. "Paramétrico" Brecha
Para desenvolvedores que constroem sistemas RAG (Retrieval-Augmented Generation), o Search Benchmark é a métrica mais crítica.
Os dados mostram uma enorme discrepância entre a capacidade de um modelo de "saber" coisas (paramétricas) e sua capacidade de "encontrar" coisas (Pesquisar). Por exemplo, Gemini 3 Pro pontua 83,8% em tarefas de pesquisa, mas apenas 76,4% em tarefas paramétricas.
Isto valida o padrão atual de arquitetura empresarial: não confie na memória interna de um modelo para fatos críticos.
Se você estiver construindo um bot de conhecimento interno, os resultados do FACTS sugerem que conectar seu modelo a uma ferramenta de pesquisa ou banco de dados vetorial não é opcional – é a única maneira de levar a precisão a níveis de produção aceitáveis.
O Aviso Multimodal
O dado mais alarmante para gerentes de produto é o desempenho em tarefas multimodais. As pontuações aqui são universalmente baixas. Mesmo o líder da categoria, Gemini 2.5 Pro, atingiu apenas 46,9% de precisão.
As tarefas de benchmark incluíram leitura de gráficos, interpretação de diagramas e identificação de objetos na natureza. Com menos de 50% de precisão geral, isso sugere que a IA multimodal ainda não está pronta para extração de dados não supervisionada.
Conclusão: Se o roteiro do seu produto envolve que uma IA extraia automaticamente dados de faturas ou interprete gráficos financeiros sem revisão humana, você provavelmente está introduzindo taxas de erro significativas em seu pipeline.
Por que isso é importante para sua pilha
O Benchmark FACTS provavelmente se tornará um ponto de referência padrão para compras. Ao avaliar modelos para uso empresarial, os líderes técnicos devem olhar além da pontuação composta e aprofundar-se no sub-benchmark específico que corresponda ao seu caso de uso:
-
Construindo um bot de suporte ao cliente? Observe a pontuação de Grounding para garantir que o bot cumpra seus documentos de política. (O Gemini 2.5 Pro superou o Gemini 3 Pro aqui, 74,2 vs 69,0).
-
Construindo um Assistente de Pesquisa? Priorize as pontuações da pesquisa.
-
Construindo uma ferramenta de análise de imagem? Proceda com extremo cuidado.
Como a equipe FACTS observou em seu comunicado, "Todos os modelos avaliados alcançaram uma precisão global inferior a 70%, deixando uma margem considerável para progressos futuros."Por enquanto, a mensagem para a indústria é clara: os modelos estão a ficar mais inteligentes, mas ainda não são infalíveis. Projete seus sistemas partindo do pressuposto de que, em aproximadamente um terço das vezes, o modelo bruto pode estar errado.
