Uma equipe de auditoria fiscal da SEFAZ Nacional está desenvolvendo um sistema baseado em LLMs para analisar automaticamente petições e recursos administrativos. Durante os testes, observou-se que o modelo, ao ser questionado sobre a legislação tributária, por vezes apresenta respostas que parecem plausíveis, mas contêm dispositivos legais inexistentes ou citações de artigos com conteúdo distorcido. Para mitigar esse problema, a equipe considerou quatro abordagens:

• I. Aumentar o tamanho do modelo e o volume de dados de pré-treinamento, incluindo mais textos jurídicos, na expectativa de que o modelo aprenda a distinguir corretamente a legislação vigente.
• II. Implementar uma etapa de recuperação de informações (RAG) que consulte uma base de dados oficial e atualizada da legislação, condicionando a geração do modelo aos trechos recuperados.
• III. Aplicar técnicas de ajuste fino (fine-tuning) com um conjunto de pares pergunta-resposta corretos, elaborados por especialistas, para ensinar o modelo a responder de forma precisa.
• IV. Adotar um mecanismo de verificação pós-geração que, por meio de regras e busca em fontes confiáveis, sinalize ou corrija automaticamente citações legais inconsistentes.

Considerando as características dos LLMs e as estratégias para reduzir alucinações, qual das alternativas a seguir apresenta uma análise correta sobre a eficácia e as limitações dessas abordagens?