@inproceedings{medeiros-etal-2026-lispector,
    title = "Lispector: Fine-tuning de Modelos de Linguagem para Revis{\~a}o Gramatical e Ortogr{\'a}fica em Portugu{\^e}s Brasileiro",
    author = "Medeiros, Andresa  and
      Iszlaji, Felipe  and
      Sarmiento-Moreno, Claudia  and
      Muniz, Camila  and
      Ponciano, Larissa  and
      Dejigov, Larissa  and
      Monteiro, Ronald  and
      Kretikouski, Pedro  and
      Chaves, Guilherme",
    editor = "Souza, Marlo  and
      de-Dios-Flores, Iria  and
      Santos, Diana  and
      Freitas, Larissa  and
      Souza, Jackson Wilke da Cruz  and
      Ribeiro, Eug{\'e}nio",
    booktitle = "Proceedings of the 17th International Conference on Computational Processing of {P}ortuguese ({PROPOR} 2026) - Vol. 2",
    month = apr,
    year = "2026",
    address = "Salvador, Brazil",
    publisher = "Association for Computational Linguistics",
    url = "https://preview.aclanthology.org/ingest-dnd/2026.propor-2.8/",
    pages = "25--29",
    ISBN = "979-8-89176-387-6",
    abstract = "Este trabalho apresenta o Lispector, uma fam{\'i}lia de modelos de linguagem especializados para revis{\~a}o gramatical e ortogr{\'a}fica em portugu{\^e}s brasileiro. Comparamos duas estrat{\'e}gias de infer{\^e}ncia para a tarefa de corre{\c{c}}{\~a}o gramatical de texto com grandes modelos de linguagem (LLMs): (1) fine-tuning supervisionado e (2) prompting few-shot em modelos de maior escala. Utilizando um conjunto de dados de 4.500 pares de textos reais de usu{\'a}rios (2.500 registros para treino, 1.000 para avalia{\c{c}}{\~a}o e 1.000 para teste), com refer{\^e}ncias corrigidas por linguistas, analisamos duas variantes do Lispector baseadas em diferentes tamanhos de par{\^a}metros. A avalia{\c{c}}{\~a}o empregou as m{\'e}tricas BLEU, GLEU, METEOR e ROUGE. Os resultados demonstram que modelos menores submetidos a fine-tuning supervisionado superam consistentemente em todas as m{\'e}tricas modelos maiores que operam apenas com prompting, com o Lispector small alcan{\c{c}}ando ganhos expressivos em m{\'e}tricas de similaridade textual como GLEU (+12{\%}) e BLEU (+13{\%}). Assim, al{\'e}m do aumento de desempenho, os modelos fine-tuned apresentam comportamento mais previs{\'i}vel e conservador, caracter{\'i}sticas desej{\'a}veis em aplica{\c{c}}{\~o}es industriais de escrita assistida. No quesito lat{\^e}ncia, o Lispector small obteve a menor mediana de tempo de resposta entre todos os modelos e o menor P95 entre os fine-tuned; o Lispector large tamb{\'e}m se mostrou competitivo. Esses achados indicam que, para tarefas espec{\'i}ficas de revis{\~a}o textual em portugu{\^e}s brasileiro, o fine-tuning pode oferecer vantagens significativas em desempenho e efici{\^e}ncia computacional."
}