Overtuning by Metaprompt: A Non-Parametric Control Axis for LLM Behavior

Overtuning por Metaprompt propõe um paradigma de controle não paramétrico do comportamento de Modelos de Linguagem de Grande Escala (LLMs), operando externamente aos pesos do modelo. Embora o fine-tuning seja tradicionalmente tratado como o principal eixo de alinhamento comportamental, ele permanece estático, opaco e inadequado para governança em tempo de execução em sistemas complexos. Este trabalho introduz o overtuning como um eixo complementar de controle, implementado por meio de uma camada de orquestração que governa o comportamento em tempo de inferência, sem retreinamento ou modificação paramétrica. O núcleo do paradigma é o metaprompt, um artefato de controle mediado por software que monta e injeta dinamicamente prompts com base em estado persistente, condições de execução e políticas explícitas. Ao ancorar a geração em pilares contextuais e mnemônicos mantidos dinamicamente, o overtuning reduz a distância inferencial efetiva, mitigando alucinações por meio de restrição arquitetural, e não por aprendizado adicional. O artigo apresenta um framework que formaliza o overtuning como mecanismo arquitetural capaz de sustentar governança ética, escopo de papéis, roteamento comportamental e auditabilidade. O texto também discute um risco crítico do paradigma — a clausura epistêmica, caracterizada por coerência interna excessiva e circularidade — argumentando que tal risco define requisitos de governança, e não uma invalidação do modelo. Ao reposicionar o alinhamento comportamental como um problema de arquitetura de sistemas, este trabalho oferece uma alternativa orientada à governança frente a abordagens centradas em parâmetros, com implicações diretas para explicabilidade, controle e auditoria em sistemas de IA.