A configuração comportamental de modelos multimodais como o MiniCPM-V é governada pelas diretivas iniciais injetadas no contexto de inferência. A manipulação dessas instruções permite adequar a saída da rede neural a domínios específicos sem exigir ajustes nos parâmetros de peso. Este documento descreve o procedimento técnico para localizar, analisar e adaptar os prompts de sistema na arquitetura do projeto.

Localização dos Arquivos de Definição

As cadeias de caracteres responsáveis pelo controle do assistente estão centralizadas no módulo de avaliação multimodal. A implementação crítica reside no arquivo eval_mm/vlmevalkit/vlmeval/vlm/minicpm_v.py, especificamente dentro da classe MiniCPM_Llama3_V. Este componente expõe um conjunto de atirbutos pré-configurados:

• options_system_prompt: Otimizado para validação de alternativas.
• wo_options_system_prompt: Direcionada a respostas objetivas.
• detail_system_prompt: Configurada para análises aprofundadas.
• vqa_prompt: Focada em consultas visuais diretas.

Essas variáveis servem como ponto de entrada para qualquer adaptação de lógica conversacional.

Mecanismo de Injeção e Execução

Durante a inicialização de uma sessão, a diretiva do sistema é serializada como o primeiro elemento na fila de contexto. O pipeline prioriza essa instrução, estabelecendo parâmetros de estilo antes do processamento do input do usuário. A seleção do template ocorre automaticamente conforme a categoria da tarefa (ex: extração de texto, raciocínio lógico ou análise de imagem).

A inserção das regras é garantida por uma verificação que assegura a precedência lógica. A implementação base segue o fluxo abaixo:

def preparar_contexto(instrucao_inicial: str, historico_conversa: list) -> list:
    if instrucao_inicial and instrucao_inicial.strip():
        payload_estrutura = {"role": "system", "content": instrucao_inicial}
        historico_conversa.insert(0, payload_estrutura)
    return historico_conversa

A rotina acima garante que os tensores de entrada sejam prefixados pela lógica operacional, influenciando diretamente a distribuição de probabilidade dos tokens gerados.

Estratégias de Adaptação

Modificação Estática

A abordagem mais direta envolve a reescrita dos atributos na classe de origem. Para forçar uma saída estruturada com exemplos práticos, a diretiva pode ser redefinida da seguinte forma:

# Atributo original
self.directive_detalhada = "Responda a questão com detalhes."

# Atributo reconfigurado
self.directive_detalhada = (
    "Desenvolva a resposta incluindo exemplos concretos "
    "e uma explicação sequencial passo a passo."
)

Roteamento Dinâmico por Contexto

Para cenários que exigem adaptação em tempo real, a lógica pode ser estendida no método de montagem do contexto. A verificação de chaves semânticas permite sobrescrever o comportamento padrão conforme o domínio da consulta:

def aplicar_rota_dinamica(texto_usuario: str, prompt_base: str) -> str:
    termos_viagem = {"viagem", "turismo", "roteiro", "destinos"}
    dominio_identificado = any(termo in texto_usuario.lower() for termo in termos_viagem)
    
    if dominio_identificado:
        diretriz_turistica = (
            "Atue como consultor especializado em planejamento turístico. "
            "Forneça orientações logísticas, inclua avisos de segurança "
            "e destaque particularidades culturais relevantes."
        )
        return f"{diretriz_turistica}\n\n{texto_usuario}"
    
    return f"{prompt_base}\n\n{texto_usuario}"

Esta estrutura desacopla a lógica de seleção da definição estática, permitindo a expansão do pipeline sem modificar a classe principle.

Validação Operacional

Após a aplicação das alterações, a integridade do fluxo deve ser verificada através do ambiente de demonstração local. A execução do script web_demos/web_demo.py instancia a interface de teste para injeção controlada de consultas. A análise dos logs de geração confirma se as restrições de estilo foram corretamente propagadas para o motor de inferência.