Lingua Mundi: a construção de um mapa de significados independente de idioma a partir de dados léxicos abertos

1 · A intuição: por que os dicionários têm a forma errada

Todo aprendiz de idiomas já sentiu esse atrito. Você procura cat em um dicionário inglês–espanhol e encontra gato. Você procura gato em um dicionário espanhol–japonês e encontra 猫. Três dicionários depois, você passou uma tarde confirmando o que já suspeitava: a mesma ideia — um pequeno carnívoro doméstico que ronrona — está sendo descrita três vezes, em três arquivos separados, por três organizações diferentes, com três identificadores diferentes, e nunca uma única vez conectada às outras duas.

A intuição por trás da Lingua Mundi é que essa é a forma errada para dados linguísticos. O significado existe uma vez. As palavras existem muitas vezes. Um banco de dados que armazena significados como objetos de primeira classe e trata palavras como rótulos que diferentes idiomas fixam a esses significados permitiria que uma pessoa (ou um programa) fosse de qualquer idioma para qualquer outro por meio de um único mapa compartilhado — e permitiria que um aprendiz visse, de relance, que cat, gato, chat, Katze e 猫 não são cinco fatos para memorizar, mas um único fato vestindo cinco casacos.

Essa intuição não chegou como um raio. Ela cresceu, ao longo de aproximadamente um ano, a partir do trabalho cotidiano de uma pessoa em particular — e o traço documental mais antigo dela é notavelmente simples.

1.1 A primeira mensagem

Em 3 de dezembro de 2025, o autor abriu uma conversa com o ChatGPT e digitou o seguinte (citado verbatim; a conversa permaneceu aberta por quatro meses e meio e foi editada pela última vez em 21 de abril de 2026) [H]:

«Quero encontrar dicionários gratuitos semelhantes ao JMDICT e ao Kanjidict2 para os seguintes idiomas: espanhol, inglês, francês, italiano, português, chinês, coreano e vietnamita. Minha intenção é criar um banco de dados multilingue unificado para vários fins. Também tenho interesse em saber se existem bancos de dados semelhantes para línguas indígenas mexicanas aos quais eu possa acessar livremente.»

(Registro de sessão, ChatGPT, conversa "Free multilingual dictionaries", 2025-12-03; arquivo-fonte citado no Apêndice A.)

Três coisas nessa mensagem curta prenunciam tudo o que o projeto depois se tornou. Primeiro, os idiomas nomeados — espanhol, inglês, francês, italiano, português e, mais tarde, japonês — são exatamente os idiomas que o autor fala e com os quais trabalha como tradutor e professor de idiomas (um conjunto que ele formalizaria depois como o "Core 6"), além do chinês, do coreano e do vietnamita, que ele planejava adicionar em seguida. Segundo, a frase «um banco de dados multilingue unificado» já nomeia o objetivo: não seis dicionários, mas um único banco de dados que os contém todos juntos. Terceiro, o autor estava pensando em línguas indígenas mexicanas desde o primeiro dia — um fio que retorna repetidamente (uma integração de língua maia para a Lingua Mundi foi explorada em agosto de 2026 [H], e recursos de línguas maia aparecem por todas as suas notas de pesquisa).

O contexto por trás dessa mensagem também importa. O autor não é cientista da computação de formação. Ele é tradutor e tutor de idiomas que, na época, também aprendia japonês a sério, construindo pequenas ferramentas para facilitar esse aprendizado: jogos de aprendizado de kanji e kana e um canal de processamento de dicionário japonês (um editor de furigana para e-books japoneses se juntaria a essa caixa de ferramentas mais tarde, em 2026, como o projeto que se tornou o aplicativo Shikibu). Seu diretório pessoal no final de 2025 mostra a arqueologia desse aprendizado: uma cópia do arquivo de dicionário de kanji KANJIDIC2 baixado em 11 de novembro de 2025, uma lista de kanji Joyo em dezembro e, então — motivado por aquela conversa de 3 de dezembro — os dados do Open Multilingual Wordnet baixados em 5 de dezembro [H] (marcas de tempo de arquivos, /home/rex/; ver o Apêndice A). A conversa do ChatGPT de 3 de dezembro, em outras palavras, é a dobradiça: o momento em que «preciso de dados de japonês para as minhas ferramentas» se ampliou para «quero construir um banco de dados multilingue unificado, gratuito, para muitos idiomas, incluindo os idiomas do meu próprio país».

1.2 Dos dicionários aos significados: o canal de importação de dezembro de 2025

O que o autor fez em seguida é visível nos arquivos que criou. Entre 5 de dezembro e 16 de dezembro de 2025, ele escreveu, com o ChatGPT como parceiro de programação, um pequeno pipeline de scripts Python — extract_omw.py, merge_dicts.py, unified_dictionary_pipeline.py, crossref_deterministic.py — que baixava, analisava e mesclava dados lexicais de várias fontes abertas em formas progressivamente mais estruturadas [H] (scripts e datas em /home/rex/). A decisão de projeto mais importante desse período está documentada nos próprios arquivos: o estágio final do pipeline, datado de 16 de dezembro, divide cada entrada em quatro tipos de objetos — concept, sense, lexeme e grapheme (um grafema sendo um caractere escrito, como um kanji) — e os grava em disco como documentos JSON Lines. O esquema é revelador: um sense é um significado particular de uma palavra particular em um dicionário particular; um concept é a ideia compartilhada para a qual vários sentidos de vários idiomas apontam; e o campo concept_id de um sentido pode ser vazio — significando «este sentido de palavra ainda não foi vinculado a um conceito compartilhado». As notas do autor nesse código descrevem o método como «zero heurísticas»: nada de adivinhação difusa, nada de truques de similaridade estatística para decidir que duas palavras significam a mesma coisa; apenas vínculos explícitos e documentados. [H] (código do pipeline e anotações, /home/rex/, dezembro de 2025; detalhes no Apêndice A.)

Esse esquema de 16 de dezembro é, em miniatura, toda a arquitetura do projeto que mais tarde seria chamado Lingua Mundi: as palavras vivem nos idiomas; os significados vivem em um espaço compartilhado; e o problema difícil e honesto — qual palavra de qual idioma significa qual conceito — nunca é forjado. Um sentido que não tenha sido vinculado a um conceito é mantido no banco de dados, visivelmente desvinculado, em vez de ser silenciosamente encaixado por adivinhação. Dez meses depois, quando um bug em um canal de importação tornou a palavra inglesa cat invisível para o seu conceito, o autor descreveria o princípio exatamente nesses termos: melhor mostrar um órfão do que escondê-lo ([H]; ver a Seção 7).

1.3 A lacuna e a expansão

Então o rastro de papel fica em silêncio por cerca de cinco meses — de meados de dezembro de 2025 até o fim de maio de 2026, os registros disponíveis não contêm trabalho de pipeline de dicionário [NV]. Isso não é incomum para um tradutor que trabalha e tem alunos para ensinar, mas vale a pena afirmá-lo com clareza: o crescimento do projeto não foi contínuo. Ele avançou em surtos, separados por semanas ou meses de outro trabalho — um ritmo que continuaria ao longo de 2026.

Quando o fio é retomado, a ambição se ampliou. Em 1 de maio de 2026, o autor estuda "OMW v2.0 data coverage" (a versão do Open Multilingual Wordnet) [H] (título e conteúdo da conversa, ChatGPT, 2026-05-01). Em 27 de maio de 2026, ele abre uma conversa intitulada "Open Source Language Resources" e pede, em efeito, um mapa sistemático de todo recurso lexical, gramatical e semântico gratuito que pudesse alimentar uma base de conhecimento multilingue [H] (ChatGPT, 2026-05-27). A essa altura o projeto já tem nome e forma; as evidências de ambos aparecem no próximo capítulo.

1.4 Por que isso importa além do projeto de uma pessoa

Um leitor pode se perguntar por que um artigo deveria documentar a intuição de um projeto pessoal com tamanha extensão. A resposta é que a intuição é a contribuição. A ideia de que significados — e não grafias — são a unidade natural dos dados multilingues tem um longo pedigree acadêmico (é o sonho mais antigo da tradição de «interlíngua» da tradução automática e o princípio organizador dos synsets do Princeton WordNet; ver a Seção 2), mas raramente é posta em prática por um indivíduo, sem orçamento, como bem público. A maioria dos recursos multilingues que seguem esse princípio — o Open Multilingual Wordnet, o BabelNet, o projeto Universal Dependencies — é mantida por consórcios universitários com financiamento por meio de bolsas. A Lingua Mundi é uma tentativa de um pesquisador independente, usando apenas dados abertos e ferramentas gratuitas, de construir ele mesmo um pedaço dessa infraestrutura, para o seu próprio trabalho de tradução e ensino, e de doá-la. Se essa tentativa terá êxito é uma questão que o leitor pode julgar pelas evidências no restante deste artigo — e os diários do próprio autor o mostram fazendo a mesma pergunta, com a mesma honestidade, o tempo todo (ver a Seção 4.3).

2 · Contexto: o que significa «um mapa de significados»

Para entender o que a Lingua Mundi tenta construir, e o que há de genuinamente novo nisso, três vertentes de trabalhos anteriores importam: a ideia linguística de que o significado pode ser separado da grafia; a ideia computacional de que esse significado pode ser armazenado como dados e vinculado entre idiomas; e a observação moderna de que um mapa estruturado de significados complementa — em vez de competir com — os modelos neurais de linguagem.

2.1 O signo e as suas duas faces

A linguística moderna começa com uma observação enganosamente simples, geralmente creditada às palestras de Ferdinand de Saussure no início do século XX: uma palavra é o par de um som/forma (o «significante») e de um conceito (o «significado») (de Saussure, 1916/1983). Duas línguas, sob essa visão, não são dois conjuntos de palavras que por acaso se traduzem; são dois conjuntos de significantes que se sobrepõem parcialmente em um espaço compartilhado de significados. O significante inglês cat e o significante espanhol gato são formas diferentes com o mesmo significado. Se uma máquina pudesse armazenar os significados uma única vez e fixar significantes a eles, a tradução se tornaria uma consulta através de um meio compartilhado — uma ideia conhecida na tradução automática como abordagem da interlíngua: em vez de traduzir diretamente inglês→espanhol, traduzir inglês→significado→espanhol.

O sonho da interlíngua tem uma longa história na pesquisa em tradução automática e, repetidamente, provou ser difícil demais em sua generalidade plena (as línguas não recortam o significado em pedaços idênticos, e todo tradutor sabe que cat o animal e cat o músico de jazz são significados diferentes vestindo um único significante). Mas o sonho nunca morreu; ele foi apenas estreitado até algo construível: o léxico, a parte da língua que melhor se mapeia em significados estáveis e compartilhados.

2.2 WordNet e o synset

O estreitamento decisivo veio da psicologia e da lexicografia. Nas décadas de 1980 e 1990, George Miller e colegas de Princeton construíram o WordNet, uma base de dados lexical para o inglês organizada não alfabeticamente, mas semanticamente (Miller, 1995; Fellbaum, 1998). A invenção central do WordNet é o synset (uma contração de "synonym set", conjunto de sinônimos): um grupo de palavras que podem representar o mesmo significado em algum contexto. O synset {cat, true cat, Felis catus, domestic cat} é um significado; o synset {cat, kat, guy, hombre} — que significa «um termo informal para um jovem ou homem» — é outro significado, bem diferente, que por acaso compartilha o significante cat. O WordNet também registra relações entre synsets — mais importante, a hierarquia is-a (hiperonímia: um gato doméstico é um felino, um felino é um carnívoro, um carnívoro é um* mamífero…) — transformando o dicionário em um grafo, com significados como nós e relações tipadas como arestas.

O WordNet importa para a Lingua Mundi por três razões. Primeiro, ele provou que um léxico legível por máquina organizado por significado é viável e enormemente útil — os mecanismos de busca modernos, os corretores ortográficos e as bibliotecas de processamento de linguagem natural ainda se apoiam nele. Segundo, ele deu ao mundo um sistema de identificadores estáveis para significados: o Princeton WordNet numera os seus synsets, de modo que 02121620-n significa inequivocamente "gato doméstico" e pode ser citado entre bancos de dados. Terceiro, ele se tornou a âncora de um projeto multilingue: o Open Multilingual Wordnet (OMW).

2.3 O Open Multilingual Wordnet: um significado, muitos idiomas

O OMW, lançado por Francis Bond e Ryan Foster (Bond & Foster, 2013), reúne WordNets construídos em muitos idiomas e os alinha ao WordNet inglês de Princeton: os synsets de cada idioma participante carregam ponteiros para o synset inglês ao qual correspondem. O resultado é o recurso que tornou a Lingua Mundi possível: um conjunto de afirmações explícitas e curadas por humanos, da forma «o gato espanhol (sentido 1) pertence ao mesmo significado que o synset inglês de gato doméstico 02121620-n». Quando o autor da Lingua Mundi escreveu, na sua especificação de engenharia de julho de 2026, que o projeto seria «centrado em synsets» e alinharia os idiomas por meio do OMW [H] (documento de especificação, 24 de julho de 2026), ele estava sobre os ombros de Bond e Foster — assim como os scripts do seu canal de importação de dezembro de 2025, que analisavam diretamente os arquivos de dados do OMW, já estavam.

2.4 O ecossistema de dados abertos em torno dos WordNets

O OMW é um nó em um grande ecossistema com licenças abertas que um indivíduo pode combinar legal e tecnicamente:

• Wiktionary — o dicionário colaborativo hospedado pela Wikimedia

Foundation — oferece cobertura lexical muito ampla em centenas de idiomas, incluindo definições, traduções, flexões e pronúncia, sob licenças de compartilhamento pela mesma licença (Wikimedia Foundation; ver também Meyer & Gurevych, 2012, sobre o seu valor como rival de léxicos construídos por especialistas).

• Wikidata — a base de conhecimento estruturada da Wikimedia — armazena

afirmações com identificadores legíveis por máquina e é publicada sob CC0 (domínio público) (Vrandečić & Krötzsch, 2014).

• Universal Dependencies (UD) — um projeto comunitário que publica

treebanks de frases anotadas sintaticamente em mais de cem idiomas sob licenças abertas (Nivre et al., 2020). O UD contribui com frases reais e informação de classe gramatical — evidência de como as palavras são realmente usadas.

• [JMdict e KANJIDIC2](https://www.edrdg.org/jmdict/j_jmdict.html) — os arquivos de dicionário japonês e de

kanji mantidos pelo projeto EDRDG de Jim Breen, que cobrem o japonês de forma extensa e com traduções para vários idiomas (Breen, 2004). Esses foram os pontos de partida do autor (o seu primeiro arquivo de dicionário, baixado em novembro de 2025, foi o KANJIDIC2 [H]).

• UniMorph — um repositório multilingue de morfologia flexional (formas de

palavra como run/ran/running organizadas por característica gramatical) (Kirov et al., 2018; McCarthy et al., 2020).

• OPUS — uma grande coleção de frases paralelas (traduzidas) extraídas

da web e de legendas de filmes, com licenças abertas (Tiedemann, 2012).

• Listas de frequência de palavras, como o [wordfreq](https://github.com/rspeer/wordfreq) (Speer, 2022), que

classificam as palavras por quão comuns são em corpora reais.

• O padrão ISO 639-3, que atribui a cada língua humana um código estável

de três letras (p. ex., spa para espanhol, jpn para japonês), mantido pela SIL International — o banco de dados da Lingua Mundi usa esses códigos como chaves da sua tabela language [H].

Duas propriedades desse ecossistema merecem destaque porque estruturam todo o projeto. Primeiro, as licenças são genuinamente abertas — permissivas ou de compartilhamento pela mesma licença —, de modo que combiná-las em um banco de dados derivado é legal desde que a atribuição e os termos de licença sejam respeitados (a Lingua Mundi registra a fonte e a licença de cada conjunto de dados importado na sua própria tabela source; ver a Seção 6). Segundo, o ecossistema é complementar: o Wiktionary é amplo, mas raso; os WordNets são profundos, mas estreitos; o UD trata do uso; o UniMorph trata das formas de palavra; as listas de frequência tratam da proeminência. O problema de engenharia da Lingua Mundi não é "encontrar dados" — é "mesclar dados que nunca foram projetados para serem mesclados, sem mentir sobre as junções".

2.5 Por que um mapa de significados ainda importa na era dos grandes modelos

Uma objeção justa deve ser declarada com clareza: se os grandes modelos de linguagem já conseguem traduzir, definir e raciocinar sobre palavras, por que construir um léxico estruturado? A resposta do autor da Lingua Mundi, desenvolvida no seu artigo de pesquisa de junho de 2026 (Seção 3) e refinada durante o verão, tem três partes. Primeiro, verificabilidade: um banco de dados estruturado pode mostrar o seu trabalho — cada vínculo tem uma fonte, uma licença e uma data —, enquanto o conhecimento de um modelo é uma mistura estatística opaca que não pode ser auditada, corrigida ou citada. Segundo, custo e acesso: consultar um banco de dados local não custa nada e funciona offline, enquanto cada consulta a um modelo custa energia, dinheiro ou ambos; a regra de projeto permanente do autor é "zero-token research queries" — a API local é a superfície de pesquisa [H] (nota do projeto, 29 de agosto de 2026). Terceiro, complementaridade: o artigo de junho de 2026 argumentou — como hipótese, com as auditorias de três modelos convergindo para o mesmo veredito — que um modelo compacto operando sobre identificadores de conceitos, em vez de tokens brutos, poderia ser muito mais eficiente precisamente porque o mapa de conceitos faz o trabalho semântico fora da rede (ver a Seção 3). Quer essa hipótese sobreviva ou não à experimentação, o mapa em si permanece útil para os modelos: como uma memória externa que pode ser consultada, atualizada e citada sem retreinamento.

A ancestralidade intelectual da Lingua Mundi pode assim ser resumida em uma linha: é o sonho da interlíngua, estreitado ao léxico pelo WordNet, tornado multilingue pelo OMW, tornado legal pelo movimento de dados abertos e tornado pessoal pela necessidade de um tradutor de ter um dicionário que trate o significado, e não o idioma, como a coisa que está sendo arquivada.

3 · O nome, a tese e a arquitetura de sete grafos (maio–junho de 2026)

3.1 O nome

No fim de maio de 2026, as notas e especificações do autor usavam o título de trabalho "Multilingual Lexical Platform" [H] (especificação-mestre em markdown datada de 23 de maio de 2026, /home/rex/Descargas/Phone backup/Download/). O nome Lingua Mundi — «língua do mundo» em latim — aparece pela primeira vez no registro disponível em 1 de junho de 2026, como título de um manuscrito de pesquisa (ver abaixo) [H] (registros de conversa, 1 de junho de 2026; ocorrência verificada mais antiga nos arquivos do autor). O nome é adequado: a afirmação do projeto não é que ele contém muitos idiomas, mas que ele trata do único espaço de significado que esses idiomas compartilham.

3.2 Uma tese de pesquisa: o significado, não os tokens

Entre aproximadamente março e junho de 2026, o autor desenvolveu — em conversa com ChatGPT, Claude e DeepSeek — uma tese de pesquisa sobre por que um mapa da linguagem no nível do conceito poderia tornar a tecnologia de linguagem radicalmente mais eficiente e acessível. A tese, no enquadramento de trabalho que o autor levou à conversa (citado verbatim do seu pedido de viabilidade de 18 de julho de 2026, no qual colou a descrição para revisão) [H]:

«Criar um mapa multilingue, aberto e legível por máquina da linguagem humana que separe: 1. Significado · 2. Forma · 3. Estrutura · 4. História · 5. Uso — em grafos interoperáveis. O objetivo de longo prazo é tornar a linguagem computável no nível do conceito, em vez do nível do token. […] O PLN moderno modela em grande parte: token → token. A Lingua Mundi modela: conceito ↔ idioma.»

O argumento subjacente, enunciado no manuscrito de junho, é que um modelo de linguagem gasta a maior parte da sua capacidade em variação superficial — tratando "dog", "perro" e "犬" como três coisas sem relação quando são uma única coisa em três casacos [H] (manuscrito V4, citado integralmente na conversa de auditoria de 1 de junho de 2026). Se um modelo pudesse, em vez disso, ler e escrever sequências de conceitos — com o mapa de conceitos fazendo o trabalho multilingue fora da rede —, o modelo poderia ser menor, mais barato e executável em computadores comuns.

3.3 Sete versões em uma manhã: o método de colaboração adversarial

O manuscrito, intitulado Lingua Mundi: A Semantic Infrastructure for Concept-Grounded Language Models, propunha uma arquitetura de sete camadas: um grafo de conceitos (significados independentes de idioma, tamanho-alvo de um bilhão de nós), um grafo de synsets (mapeando as palavras de cada idioma em conceitos) e grafos para morfologia, derivação, etimologia, correspondência entre idiomas e uso — todos unidos por um sistema comum de identificadores; além de uma arquitetura de modelo fundamentada em conceitos (um modelo de sequência estilo Mamba lendo identificadores de conceitos), embeddings hiperbólicos (bola de Poincaré) para o grafo de conceitos, recuperação explícita de fatos a partir do grafo e um orçamento auditado mostrando a coisa toda cabendo em laptops comuns [H] (manuscrito, 1 de junho de 2026).

O que torna esse episódio notável como método — e extraordinariamente bem documentado — é que o autor não escreveu o manuscrito sozinho. Na manhã de 1 de junho de 2026, ele submeteu o rascunho a sete revisões sucessivas (V1–V7) em menos de meia hora, usando dois modelos de forma adversarial: a DeepSeek redigia cada revisão enquanto o ChatGPT auditava cada rascunho com o rigor de um revisor adversário hostil [H] (registros de conversa, DeepSeek "Revisión y corrección del proyecto Lingua Mundi" e ChatGPT "Audit Feedback Lingua Mundi", ambos de 1 de junho de 2026). As transcrições das auditorias são preservadas verbatim e são extraordinariamente francas sobre o que cada rodada corrigiu:

• a aritmética do armazenamento de embeddings INT8 foi corrigida (um erro de

fator de dois no orçamento de armazenamento);

• uma alegação empírica fabricada («empiricamente, verificamos que…») foi

removida e substituída por uma hipótese explicitamente rotulada, ancorada em trabalhos anteriores;

• uma comparação contra um modelo futuro hipotético foi substituída por uma

comparação contra um modelo real (DeepSeek-V3);

• as afirmações de desempenho do resumo foram progressivamente estreitadas;
• afirmações de escalabilidade sem suporte foram re-rotuladas como problemas

de pesquisa em aberto; e

• o manuscrito foi reformulado, até a V7, de uma alegação empírica para um

position paper honesto — uma agenda de pesquisa com um plano de avaliação explícito e falseável (robustez na desambiguação de sentidos de palavras, ablações, linhas de base).

Os vereditos finais das auditorias, preservados nos registros, avaliaram a visão do manuscrito como alta, ao mesmo tempo que classificaram consistentemente o suporte empírico como baixo — e a recomendação final da última auditoria foi contundente [H]:

«Se eu estivesse assessorando o projeto, neste momento eu pivotaria da escrita de artigos para a implementação. O próximo artefato valioso não é a V8. É o Protótipo 0.1 da Lingua Mundi … com: 100k–1M conceitos, somente inglês, tokenizador de conceitos, reconstrução de conceitos, execução de treinamento com TinyStories, comparação direta contra o token-Mamba. Esse experimento responderia à questão central: a compressão semântica preserva informação suficiente para justificar o gargalo?»

O autor seguiu esse conselho. Três observações sobre esse episódio importam para entender tudo o que veio depois. Primeiro, a ideia nunca foi o gargalo — o autor tinha, nas suas próprias palavras, uma visão que as auditorias avaliaram como A−; o gargalo era a evidência, e as auditorias disseram isso sete vezes. Segundo, o método de trabalho do autor — usar vários modelos de IA como colaboradores adversariais, guardar cada rascunho e cada auditoria e preferir qualificação honesta à afirmação exagerada e confiante — tornou-se o padrão permanente do estúdio, e é o mesmo método visível nas convenções de verificação [H]/[O]/[NV] do presente artigo (Apêndice A). Terceiro, a arquitetura de sete camadas daquele manuscrito de junho não desapareceu quando o autor pivotou para a implementação: ela se tornou o roteiro do projeto. A Lingua Mundi que existe hoje (setembro de 2026) implementa o grafo de conceitos, o grafo de synsets, a importação de morfologia, as camadas de corpus e uma API; as camadas de derivação, etimologia, correspondência e uso são fases explicitamente na fila do mesmo plano (Seções 5–6, 10.3) [H] (roteiro do projeto, 29 de agosto de 2026).

4 · A plataforma toma forma (julho–agosto de 2026)

4.1 Viabilidade: «isso pode ser feito com componentes de código aberto?»

Em 18 de julho de 2026, o autor perguntou ao ChatGPT, diretamente, se a visão poderia ser construída a partir de componentes gratuitos existentes e o que ele precisaria para desenvolvê-la [H] (conversa "Lingua Mundi Project Feasibility", 2026-07-18, 00:44 UTC — a noite de 17 de julho no fuso horário central do autor). A conversa — e as semanas que se seguiram — registram a mudança de artigo de pesquisa para programa de engenharia. O projeto adotou a declaração formal de missão que ele colou naquela conversa para revisão (citada na Seção 3.2), e o autor começou a estruturar código real: arquivos de esquema para o modelo de dados existem em disco datados de 17 de julho de 2026 [H] (instantâneos de código, julho de 2026; ver o Apêndice A).

4.2 A especificação de engenharia (24 de julho de 2026)

Em 24 de julho de 2026, o autor consolidou o projeto em uma especificação de engenharia de 104 páginas, Multilingual Lexical Platform — Engineering Specification, versão 2.0, com o subtítulo "Revised & Production-Ready" [H] (PDF, /home/rex/, 24 de julho de 2026; texto extraído para este artigo). A especificação é a constituição do projeto, e o seu conteúdo explica a maior parte do que depois foi construído:

• O princípio centrado em synsets. O documento afirma que todo objeto

lexical deve, em última instância, fixar-se a um synset (um significado), e que o banco de dados é organizado em torno de significados, e não de grafias. O seu exemplo trabalhado é a palavra bank, que deve ser uma única forma superficial com vários synsets distintos ("river bank", "financial institution", "to bank on something") — nunca uma massa amorfa de significados indiferenciados [H].

• Níveis de idiomas. A especificação planejou os idiomas em dois níveis:

Nível 1 para o lançamento — inglês, espanhol, francês, português, japonês e chinês mandarim (simplificado e tradicional) — e Nível 2 — italiano, coreano e vietnamita [H]. (O conjunto que de fato saiu no banco de dados difere de duas maneiras interessantes, documentadas na Seção 10: os seis ativos são inglês, espanhol, francês, alemão, português, japonês — mandarim e italiano estão ausentes, alemão presente. A substituição não é explicada em nenhum lugar dos registros sobreviventes [NV], uma admissão franca de uma questão de proveniência não resolvida.)

• O modelo de dados. O capítulo 5 da especificação esboça o esquema em

linhas gerais, e o modelo que saiu na primeira migração do repositório é um núcleo de onze tabelas que corresponde à intuição de quatro entidades do protótipo de dezembro de 2025, agora formalizada: idiomas, lexemas, sentidos, conceitos (synsets), relações, fontes, synsets e tabelas de apoio (ver a Seção 5).

• Uma hierarquia de alinhamento de cinco níveis. Como o vínculo

automático e o manual de palavras a conceitos diferem em confiabilidade, a especificação propôs cinco níveis de confiança de alinhamento, desde vínculos explícitos declarados pela fonte (p. ex., mapeamentos do OMW) até adivinhações heurísticas — com a regra de que cada vínculo armazenado carrega o seu nível de confiança. Essa é a forma madura da regra de dezembro de 2025 de "zero heurísticas": não nenhum vínculo automático, mas vínculo rotulado e honesto [H].

• Um roteiro de fases com portões. Fases 0–5, cada uma com um critério de

saída, do esquema e do ETL à API e aos aplicativos.

• Um registro de riscos — incluindo um anexo de autocrítica que propõe

camadas de etimologia e de CJKV/Unihan e alerta sobre os "falsos amigos" japonês–chinês (p. ex., 娘 "daughter" em japonês vs. "mother" em chinês; 手紙 "letter" vs. "toilet paper") [H].

A especificação também fixou a pilha que o projeto depois simplificaria: FastAPI, PostgreSQL, um mecanismo de busca (Meilisearch na especificação) e um frontend web (Next.js). Notavelmente, em 13 de agosto o autor já estava questionando essa pilha ele mesmo (Seção 4.4).

4.3 O diário de julho: pensando no sistema operacional semântico

Pela mesma época, o diário particular do autor (knowledge project.txt, 85 KB, lido integralmente para este artigo; marca de tempo do arquivo: 18 de julho de 2026, uma única sessão de trabalho) registra um fio relacionado e mais pessoal: sua tentativa de pensar até o fim um "universal semantic graph" — uma forma independente de notação de representar o significado que funcionasse através de linguagens de programação, teoria musical, química e linguagem natural (um projeto separado que ele chamou de USG) [H] (diário, julho de 2026). A passagem do diário mais relevante para a Lingua Mundi (linhas 2563–2587) é a sua reflexão sobre o que significaria apresentar um objeto semântico em três idiomas ao mesmo tempo — a mesma intuição de cat · gato · 猫, escrita como um exercício de pensar sobre interfaces em vez de idiomas [H]. Reveladoramente, o exemplo trabalhado do próprio diário de uma "linguagem" a ser explicada é o esquema LanguageCreate da base de código da Lingua Mundi — prova de que em meados de julho os dois fios (a visão de pesquisa e o código real) já estavam entrelaçados na sua mente [H].

4.4 Agosto: do esquema ao sistema em funcionamento

Agosto de 2026 é quando a Lingua Mundi se tornou um sistema. Os registros sobreviventes mostram uma sequência densa de decisões, cada uma deixando o seu rastro:

• 1–8 de agosto. O autor explorou as opções de grafo e de representação

de conhecimento ("JSON as a Graph", 29 de julho; ideias de monetização de API, 7–12 de agosto) e — criticamente para a arquitetura final — perguntou se a API "realmente precisa" de uma pilha pesada (Seção 4.5) [H].

• 11 de agosto. Ele explorou a integração de línguas maias na Lingua

Mundi ("Lingua Mundi Maya integration"), dando continuidade ao interesse nas línguas indígenas mexicanas manifestado pela primeira vez na mensagem de dezembro de 2025 [H].

• 13 de agosto. Duas conversas de projeto definiram a forma do produto:

"Linguistic API Tech Stack" (ver 4.5) e "Semantic Interaction Layer", que esboçou a futura interface entre a camada de conhecimento e os aplicativos [H].

• 19–25 de agosto. Ele construiu a demonstração japonesa: um banco de

dados offline compacto (SQLite) que empacota dados de dicionário japonês, de modo que o projeto orientado a conceitos pudesse ser tocado, consultado e mostrado a outras pessoas ("Build Japanese Demo"; os arquivos lingua-mundi-jpn.sqlite resultantes estão preservados em disco) [H]. O sprint tinha um prazo e um público concretos: representantes da Japan Foundation chegariam à sua universidade na semana seguinte, e a demo (junto com o editor de furigana que estava sendo renomeado Shikibu no mesmo período) foi preparada como um dossiê de produto para ser deixado naquela visita [H] (registro de conversa, 19–25 de agosto de 2026).

• 23 de agosto. Ao pedir uma descrição de um parágrafo do conceito, ele

recebeu de volta um resumo que corresponde ao que os registros mostram que ele construiu: «uma infraestrutura linguística legível por máquina para línguas humanas… em vez de ser apenas um dicionário de japonês ou um aplicativo de tradução, a Lingua Mundi pretende se tornar uma camada geral de inteligência linguística» [H] — e, na mesma conversa, uma descrição técnica nomeando a pilha então planejada (PostgreSQL, Apache AGE para consultas em grafo, OpenSearch para recuperação, FastAPI como API) que as medições do mês seguinte tornariam desnecessária (Seção 4.5, Seção 6) [H].

• 24 de agosto em diante. A base de código mudou-se para a sua casa

permanente como um repositório adequado ("LinguaMundi"), com o rastro de instantâneos diários de backup no GitHub começando em 27 de agosto [H] (instantâneos do repositório; ver o Apêndice A).

4.5 A decisão da pilha enxuta que moldou tudo

A decisão técnica mais consequente de agosto está preservada verbatim. Em 13 de agosto de 2026, o autor colou a sua própria pilha tecnológica planejada — FastAPI, Polars, DuckDB, PostgreSQL, Apache AGE (uma extensão de grafo), OpenSearch, Redis, Celery, React e Docker — e perguntou: «A API linguística realmente precisa dessa pilha se ela já roda em postgres?» [H] (conversa "Linguistic API Tech Stack", 13 de agosto de 2026).

A resposta que recebeu — e adotou — foi que quase nada disso era necessário ainda: o PostgreSQL sozinho poderia servir dados de dicionário relacionais, kanji, leituras, conjugações, traduções, busca em texto completo e até consultas recursivas em estilo de grafo, e a regra correta era «limitação do PostgreSQL → adicionar tecnologia», e não «a Fase 3 diz banco de dados de grafo → instalar banco de dados de grafo» [H] (mesma conversa). O conselho concluía: «A vantagem competitiva da sua API não é a infraestrutura. É o modelo de dados linguístico e as transformações que você construiu sobre os dados» [H].

Essa decisão — um banco de dados relacional, um framework de API e nada mais até que uma necessidade seja medida — é a ancestral direta da arquitetura de desempenho descrita nas Seções 6–7. Quando, em setembro de 2026, o banco de dados cresceu para 1,6 milhão de sentidos de palavra e consultas ingênuas passaram a levar minutos, o autor não recorreu a um banco de dados de grafo nem a um mecanismo de busca: ele recorreu às visões materializadas do PostgreSQL — o padrão de «assar, não rederivar» — e reduziu as consultas mais lentas de mais de um minuto para cerca de um segundo em hardware de 2014 (Seção 7). A decisão de agosto de permanecer enxuto é o que tornou essa otimização de setembro ao mesmo tempo necessária e possível.

4.6 O método de desenvolvimento humano-IA, na prática

Quem lê esta história terá notado que quase todo marco é acompanhado por um registro de conversa: o autor pensa em diálogo. Em agosto de 2026, o seu método já havia se estabilizado em algo que pode ser descrito com precisão a partir do registro:

1. O humano define a direção e é dono dos dados. Cada pedido nos

registros é do próprio autor; cada arquivo está na sua máquina; cada decisão — incluindo reversões como a questão da pilha enxuta — é dele.

1. Os modelos de IA são usados como colaboradores especializados. O

ChatGPT foi muito usado para pesquisa, crítica de arquitetura e auditoria; a DeepSeek, para ciclos de redação e revisão e (mais tarde) como o harness subjacente à automação do próprio estúdio; o Claude, para memória de horizonte longo e contexto do projeto (a base de conhecimento do estúdio começou como uma exportação de memória do Claude).

1. O registro é mantido. As conversas são exportadas (os arquivos do

autor contêm milhares), o código é fotografado em instantâneos e — a partir de 26 de agosto de 2026 — cada sessão de trabalho é registrada em uma base de conhecimento Obsidian com frontmatter, datas e status de verificação (Seção 9). Este artigo só é possível por causa desse hábito de manter registros.

1. A revisão adversarial é incorporada. O ciclo de auditoria V1–V7 do

manuscrito de junho (Seção 3.3) tornou-se uma prática permanente: os rascunhos são auditados por um modelo diferente daquele que os escreveu, e as auditorias são guardadas em arquivo.

Quer alguém chame isso de "vibe coding", de «desenvolvimento assistido por IA» ou simplesmente de «usar as ferramentas», o rótulo honesto importa para o registro: a Lingua Mundi é um projeto de autoria humana construído em colaboração deliberada e documentada com assistentes de IA, e este artigo (em si um rascunho gerado por IA sob a direção do autor, conforme o aviso do preâmbulo) é um artefato do mesmo método.

5 · Projeto: os princípios linguísticos e matemáticos do modelo

Esta seção explica, em linguagem simples, as ideias que determinam como a Lingua Mundi armazena a língua. Leitores que quiserem a história podem saltar para a Seção 6; leitores que quiserem as fórmulas e o esquema vão encontrá-las aqui e no Apêndice A.

5.1 Quatro tipos de objetos, um espaço de significados

O modelo de dados descende diretamente dos quatro tipos de entidade do canal de importação de dezembro de 2025 (Seção 1.2) e das onze tabelas da especificação de julho de 2026 [H]. Na sua forma madura, ele armazena cinco tipos centrais de coisas (verificados contra o esquema ativo, setembro de 2026 [H]):

• Idioma — uma linha por língua humana, indexada pelo seu código ISO

639-3 de três letras (eng, spa, jpn, …), com o seu nome, autônimo (o nome que os falantes usam), família linguística e sistema de escrita. Adicionar um idioma a todo o sistema é, por projeto, adicionar uma linha mais conjuntos de dados: não há tabelas por idioma em lugar nenhum [H] (código e nota do projeto, 29 de agosto de 2026). Essa propriedade "independente de idioma" é a expressão no nível do esquema da ideia da interlíngua (Seção 2.1).

• Lexema — uma forma de palavra em um idioma específico: a cadeia cat,

a cadeia gato, a cadeia 猫. Um lexema pertence a exatamente um idioma e carrega uma classe gramatical.

• Sentido — *um significado de um lexema tal como registrado por um

dicionário: o sentido de "cat" animal, do WordNet; o sentido de "cat" músico de jazz, do WordNet; o sentido de "cat" tronco de yule, do Wiktionary. Um lexema normalmente tem muitos sentidos — é assim que o modelo representa a polissemia* (uma palavra, muitos significados) sem nunca colapsar significados uns nos outros. Um sentido pode ou não estar vinculado a um conceito; o vínculo é o campo concept_id, e ele é anulável por projeto — um sentido não vinculado é mantido e mostrado como um órfão, em vez de ser encaixado à força por adivinhação [H] (esquema; notas do canal de importação, dezembro de 2025).

• Conceito — um significado, compartilhado entre idiomas: o conceito

"gato doméstico" identificado pela URI do synset do Princeton WordNet princeton-wordnet:02121620-n [H] (banco de dados ativo). É nos conceitos que o alinhamento multilingue acontece: o gato espanhol (um dos seus sentidos), o cat inglês, o chat francês, o Katze alemão e o 猫 japonês podem todos apontar para o mesmo conceito — eles são "uma estrela" com muitos nomes (Seção 8). A tabela de conceitos é o coração do sistema e, no banco de dados atual, contém 96,434 linhas [H] (medição, 6–7 de setembro de 2026).

• Relação — uma conexão tipada e dirigida entre dois conceitos, p. ex.,

gato doméstico IS_A felino, ou felino IS_A carnívoro. As relações carregam um predicado, uma confiança e uma fonte. O banco de dados atual contém 171,672 delas [H] (medição, 6–7 de setembro de 2026).

Em torno desses cinco há maquinário de proveniência — uma tabela source que registra de onde veio cada conjunto de dados, a sua licença e a sua URL (para que nenhuma afirmação no banco de dados fique sem atribuição), tabelas de synsets fazendo a ponte com o formato do OMW e tabelas de apoio para kanji e leituras [H] (esquema, setembro de 2026).

5.2 O problema do alinhamento, e por que não se finge

O problema intelectual central de um mapa multilingue de significados é o alinhamento: decidir que este sentido de esta palavra em este idioma é o mesmo significado que aquele sentido de aquela palavra em aquele idioma. A resposta da Lingua Mundi, herdada do projeto do OMW, é não decidir isso do zero: o OMW já afirma, por idioma, quais dos seus synsets correspondem a synsets do Princeton WordNet, de modo que o banco de dados importa esses mapeamentos explícitos como a sua camada primária de alinhamento [H] (Bond & Foster, 2013; código de importação). Onde não existe mapeamento explícito, o sistema aplica a sua hierarquia de confiança de cinco níveis (da especificação de julho de 2026): os vínculos explícitos declarados pela fonte têm o posto mais alto; os vínculos inferidos têm o posto mais baixo e são armazenados com o seu nível — nunca promovidos silenciosamente a "fato" [H] (especificação, 24 de julho de 2026). Essa é a forma madura da regra de dezembro que o autor rabiscou no código do seu canal de importação: "zero heurísticas". Não é que o sistema nunca adivinhe; é que as adivinhações são rotuladas como adivinhações, e é isso que torna o banco de dados honesto o bastante para crescer: uma adivinhação errada marcada como adivinhação pode ser encontrada e corrigida; uma adivinhação errada armazenada como fato envenena tudo a jusante.

A mesma filosofia governa a granularidade dos idiomas. A ISO 639-3 distingue línguas reais, não fronteiras políticas nem variantes de sistema de escrita. O autor sinalizou um caso genuinamente difícil para o futuro: o coreano, cujo único código ISO kor cobre tanto o padrão da República da Coreia quanto o padrão da República Popular Democrática da Coreia. Os registros sobreviventes mostram isso sinalizado como uma decisão de modelagem em aberto [H] (registro de sessão, 7 de setembro de 2026) — um exemplo do princípio do esquema de que ele armazena línguas, não localidades, e um lembrete de que os dados linguísticos do mundo real resistem a caixas arrumadas de uma linha por idioma.

5.3 O grafo: taxonomias, vizinhanças e a cauda longa

Uma vez que os sentidos estejam alinhados aos conceitos e que as relações conectem conceitos, o banco de dados é um grafo: 96,434 nós de significado unidos por 171,672 arestas tipadas, sendo o maior componente a taxonomia is-a herdada do WordNet (mamífero → carnívoro → felino → gato doméstico), enriquecida por relações de instância-de, parte-de e entre idiomas [H] (medição, setembro de 2026; esquema). Três fatos matemáticos sobre tais grafos moldam a interface de usuário e a engenharia:

1. Taxonomias são árvores de significado. Como os pais de cada conceito

são conhecidos, o sistema pode responder «do que isto é um tipo?» (subir) e «quais são os tipos disto?» (descer) — as operações por trás da lente de taxonomia da interface (Seção 8).

1. As distribuições de grau são zipfianas. Grafos de idiomas reais são

mais ou menos livres de escala: alguns poucos conceitos (como "animal", "pessoa", "coisa") têm vizinhanças enormes, enquanto a maioria dos conceitos tem um punhado de vizinhos. Essa "cauda longa" é a mesma forma estatística que Zipf mediu famosamente nas frequências de palavras (Zipf, 1949): um pequeno número de palavras responde pela maior parte do uso. Duas consequências de projeto decorrem: a classificação precisa existir (você não pode mostrar 30,000 significados de uma consulta), e a classificação deve ser significativa — a interface portanto classifica os conceitos pelo seu brilho no céu, um proxy de quão "importante" ou bem conectado um significado é (Seção 5.5).

1. Os caminhos mais curtos são a rota natural de tradução. Dados dois

conceitos, o grafo pode ser pesquisado em busca de um caminho que os conecte — a operação por trás da ferramenta de sextante da interface (Seção 8.4), implementada como uma busca em largura bidirecional limitada sobre a taxonomia (≤ 10 saltos, 25 vizinhos por nó, respondendo em milissegundos) [H] (código, medição ativa, setembro de 2026).

5.4 Zipf e a forma dos dicionários

A lei de Zipf merece uma menção explícita porque explica silenciosamente toda a arquitetura de desempenho. Se as frequências de palavras seguem uma lei de potência, então qualquer dicionário é dominado por uma cabeça curta de palavras comuns e por uma cauda astronomicamente longa de palavras raras. O manuscrito de junho de 2026 chegou a derivar um cálculo de cobertura baseado em Zipf para vocabulários de conceitos [H] (auditoria do manuscrito V7, 1 de junho de 2026). Para o banco de dados, a cauda longa significa: a maioria das linhas são palavras raras, a maioria das consultas atinge palavras comuns, e qualquer consulta que tenha de varrer a tabela inteira — incluindo todas as palavras raras — é catastroficamente mais lenta do que uma consulta que pode começar de uma classificação pré-computada. O padrão de visão materializada da Seção 7 é, no fundo, uma forma de transformar a lei de Zipf de inimiga do desempenho em ferramenta de projeto: assar a cabeça (a classificação, as palavras principais de cada conceito) uma vez, e deixar a cauda permanecer nas tabelas relacionais para as consultas raras que de fato precisam dela.

5.5 O brilho no céu: uma classificação para governar o mapa

A metáfora organizadora da interface é um mapa estelar (Seção 8), e a metáfora é sustentada por um cálculo real. A cada conceito é atribuído um brilho — uma magnitude numérica usada para ordenar o céu — derivado de como ele se situa no grafo multilingue: quantos idiomas têm palavras fixadas nele, quão ricos são esses conjuntos de palavras e quão proeminente é o conceito na taxonomia. O banco de dados materializa isso como concept_sky_rank, uma ordenação pré-computada de todos os 96,000+ conceitos, de modo que «dê-me o céu» nunca exija ordenar um milhão de linhas no momento da consulta [H] (scripts e medição, 6 de setembro de 2026). Duas visões companheiras — concept_lang_rank (classificações por idioma) e concept_word_rank (as quatro palavras principais por conceito por idioma, "assadas" de modo que enriquecer uma estrela com as suas palavras seja uma consulta direta, e não uma junção sobre 1,6 milhão de sentidos) — completam o sistema de classificação [H] (scripts, 6 de setembro de 2026; contagens de linhas no Apêndice A).

5.6 Trabalho limitado: a disciplina do designer de jogos aplicada a um banco de dados

O princípio de projeto final é emprestado dos videogames. Um jogo renderiza um quadro em 16 milissegundos não importa quão grande seja o mundo: ele faz um orçamento de trabalho por quadro. A Lingua Mundi aplica a mesma disciplina — trabalho limitado por consulta em um espaço de dados ilimitado — porque o seu hardware exige isso (um laptop da era de 2014; Seção 9). Nenhum pedido pode varrer o corpus inteiro; todo pedido deve começar de um índice ou de uma visão assada; a interface deve renderizar apenas quando o usuário faz algo (CPU ociosa ≈ 0%); e os resultados são paginados com janelas estáveis. As Seções 6 e 7 mostram as três paredes de desempenho que essa disciplina encontrou e como cada uma foi resolvida com o mesmo padrão: assar, não rederivar.

6 · Arquitetura: importar o mundo, servir o mapa

6.1 O canal de importação: um registro, mais de vinte importadores

Cada conjunto de dados entra na Lingua Mundi por meio de um importador — um programa que sabe ler um formato externo e escrevê-lo no esquema canônico. A lista única e autoritativa de importadores vive em um arquivo, o registro de importadores; em setembro de 2026, ele continha mais de vinte plugins registrados, cobrindo: Princeton WordNet e o English WordNet, o Open Multilingual Wordnet (OMW), o Wiktionary e o seu derivado legível por máquina kaikki, o Wikidata, o UniMorph e o J-UniMorph (morfologia), os treebanks do Universal Dependencies (UD), o OpenThesaurus (sinônimos em alemão), o dicionário de pronúncia CMU, as decomposições de caracteres IDS, os dados interlinguísticos do CLICS, as listas de frequência de palavras e a família japonesa — JMdict, EJDict, KANJIDIC2 [H] (registro de importadores e notas do projeto, acessados em 6–7 de setembro de 2026). (Uma ressalva por precisão: existe uma pasta para corpora paralelos do OPUS no diretório de importadores, mas ela é um stub vazio e não registrado, à espera da camada de frases do roteiro — ela está listada aqui por honestidade, não como uma fonte entregue [H] (inventário de código, 6–7 de setembro de 2026).) Cada importador registra os seus idiomas-alvo contra os mesmos códigos ISO, e é isso que mantém o esquema independente de idioma na prática, e não apenas na teoria [H] (código).

As importações são supervisionadas por um canal de importação que executa cada fonte, registra o trabalho de importação e — crucialmente para a Seção 7 — reporta sucesso. Após cada importação, ele atualiza as visões de classificação (Seção 5.5) para que o "céu" sempre reflita os dados mais frescos [H] (scripts, setembro de 2026).

6.2 O corpus hoje (medido)

Medição direta por SQL do banco de dados ativo em 6 de setembro de 2026 às 23:02, horário central, re-verificada em 7 de setembro de 2026 (as duas contagens idênticas) [H]:

Peso lexical por idioma (auditoria de enriquecimento, 6 de setembro de 2026 [H]):

Duas ressalvas honestas devem acompanhar esses números. Primeiro, os valores por idioma são aproximados (arredondados a partir da auditoria); as contagens por SQL no nível da tabela são exatas no instante da medição. Segundo, o corpus é em camadas: alguns conjuntos de dados (kaikki Wiktionary e listas de frequência de palavras) foram deliberadamente limitados a 50,000 linhas por execução de importação, com cobertura mais profunda fornecida por outras fontes, e esse limite é documentado em vez de ocultado [H] (auditoria, 6 de setembro de 2026). A Seção 7 mostra o que acontece quando um limite semelhante não é documentado como um risco.

6.3 A superfície da API

O sistema expõe uma API HTTP pequena e deliberadamente congelada (FastAPI), cuja superfície da Fase 0 está documentada como nunca quebrando à medida que novas fases chegam [H] (nota do projeto, 29 de agosto de 2026). Os endpoints, verificados ativos em setembro de 2026 [H]:

• /languages — listar os idiomas ativos e os seus metadados;
• /lexemes e /concepts — consultas de listagem paginadas (limit/offset,

limitadas a 1,000 por página depois que uma auditoria de agosto–setembro as encontrou sem limite);

• /analyze — análise morfológica/lexical de uma palavra;
• /kanji e /lookup — as consultas japonesas de kanji e de dicionário;
• /graph/sky — o feed do mapa estelar: conceitos classificados por brilho

no céu, com parâmetros de busca (query, lang), de profundidade (skip/tier), de se anexar palavras membro (words) e uma lente de taxonomia (anchor, lens=up|down) que sobe ou desce a árvore is-a a partir de um conceito dado;

• /graph/star/{id} — uma estrela por inteiro: as suas palavras membro por

idioma e os seus conceitos vizinhos, ambos paginados;

• /graph/path — a busca limitada no grafo (Seção 5.3) entre dois

conceitos;

• /graph/word — a "lente de palavra": dado uma palavra e um idioma, os

conceitos aos quais os sentidos dela atualmente se vinculam.

Todas as respostas são comprimidas (gzip), e toda consulta é projetada para rodar a partir de um índice ou de uma visão materializada — a regra do "trabalho limitado" da Seção 5.6 [H] (código e cabeçalhos ativos, setembro de 2026).

6.4 Por que o design é independente de idioma no banco de dados, e não apenas no papel

O leitor agora pode ver o ciclo inteiro. Um novo idioma chega como uma linha language (digamos, mandarim, código cmn) mais conjuntos de dados registrados (o wordnet de mandarim do OMW, um treebank de mandarim do UD). Os importadores escrevem os seus lexemas, sentidos e — onde o OMW ou outros mapeamentos explícitos existem — os seus vínculos sentido→conceito. As visões de classificação são recalculadas; o céu ganha um novo idioma; nenhuma tabela muda; nenhuma migração; nenhum caso especial na API. A próxima família planejada ao longo desse caminho exato — mandarim, cantonês, coreano e vietnamita — está descrita na Seção 10.3, onde o reconhecimento de disponibilidade de dados que decidirá o seu cronograma está registrado [H] (registro de sessão, 7 de setembro de 2026). A promessa do design — «adicionar idiomas indefinidamente» — portanto não é marketing: é consequência direta do esquema.

7 · Duas lições de infraestrutura: «assar, não rederivar» e «falhar ruidosamente»

Todo projeto de banco de dados eventualmente encontra as suas paredes de desempenho. A Lingua Mundi encontrou três delas em uma única semana — e então descobriu que o problema mais interessante não era a velocidade, mas o silêncio. Esta seção conta as duas histórias, porque juntas elas são as lições de engenharia mais transferíveis do projeto.

7.1 O padrão: assar, não rederivar

A regra que resolveu as três paredes de desempenho é simples o bastante para ser enunciada em uma frase: quando muitas consultas precisam do mesmo cálculo caro, calcule-o uma vez, armazene o resultado e mantenha-o fresco — não o recalcule a cada consulta. Em termos de banco de dados, a Lingua Mundi usa as visões materializadas do PostgreSQL: tabelas pré-computadas que agem como índices cheios de respostas.

• Parede 1 — classificar o céu. Originalmente, pedir o mapa estelar

padrão forçava o banco de dados a reclassificar o corpus inteiro por pedido: cerca de 8.6 segundos a cada vez no laptop do projeto da era de

1. O reparo assou a classificação em concept_sky_rank e

concept_lang_rank (94,498 e 218,120 linhas pré-computadas), depois do que o céu padrão respondia em ~0.25 s e os pedidos mais profundos em dezenas de milissegundos [H] (medido, 6 de setembro de 2026).

• Parede 2 — nomear as estrelas. Pedir o céu com as suas palavras

anexadas (as palavras principais por conceito por idioma) exigia uma junção sobre 1.6 milhão de sentidos a cada pedido; com 1,000 estrelas, a consulta levava mais de um minuto — um caso patológico. O reparo assou as próprias palavras: concept_word_rank pré-computa as quatro palavras principais por conceito por idioma (338,378 linhas na criação), transformando uma junção de mais de um minuto em uma consulta direta de ~1.1 s, e a visão padrão em ~0.25 s [H] (medido, 6 de setembro de 2026).

• Parede 3 — hierarquia e paginação. Subir e descer a taxonomia (lente

para cima/para baixo) e paginar por janelas estáveis de estrelas foram resolvidos com predicados canônicos, ordenação por índice e janelas de paginação estáveis (consultas no estilo DISTINCT ON) em vez de um banco de dados de grafo — o retorno da decisão de agosto pela "pilha enxuta" (Seção 4.5) [H] (código e medições, 6 de setembro de 2026).

Após cada importação, as visões são atualizadas automaticamente, de modo que "assado" nunca significa "velho" [H] (scripts). O padrão inteiro é uma instância nativa de banco de dados do que os desenvolvedores de jogos chamam de orçamento: o trabalho caro acontece uma vez, fora do caminho crítico, e o pedido do usuário apenas lê respostas pré-computadas.

7.2 O truncamento silencioso que ocultou cat

Em fins de agosto de 2026, a camada inglesa do corpus foi importada com um limite de linhas que ninguém pretendia que fosse um limite. O script de importação supervisor limitou a importação do English Open Multilingual Wordnet a 50,000 candidatos — e depois reportou sucesso [H] (registro de sessão, 6 de setembro de 2026, entrada de causa raiz). O cat inglês é o candidato número 52,195 na ordem alfabética do arquivo. Ele foi cortado. Cerca de 21,830 dos 117,659 synsets ingleses nunca foram criados; para esses significados, os sentidos ingleses existiam como entradas brutas de dicionário, mas nunca foram vinculados a conceitos. A palavra cat não estava faltando no banco de dados — ela estava invisível para o mapa: uma busca pelo seu significado não conseguia encontrá-la, porque o nó de significado para o qual os seus sentidos deveriam apontar nunca tinha sido construído [H] (mesma fonte).

Por cerca de seis dias, ninguém soube. A demonstração com a qual o autor se importava — cat · gato · 猫 em uma estrela — funcionava em espanhol e japonês, mas dava vazio em inglês, e o resultado vazio parecia uma lacuna de dados — como se o inglês não tivesse a palavra. (Uma nota de cronometragem do registro: o céu multilingue em si só chegou quando integrate_core6.py terminou de vincular os idiomas importados perto do fim da execução de importação de agosto–setembro — antes disso, o céu de reserva era uma pequena visão de um único idioma —, e é por isso que o buraco inglês só apareceu no início de setembro, uma vez que a visão de conceito compartilhado estava de fato ativa [H] (registro de sessão, 6 de setembro de 2026).) A insistência do próprio autor, registrada no registro de sessão, era que isto era «não uma lacuna de dados — infraestrutura» [H] (registro de sessão, 6 de setembro de 2026). Ele estava certo. A falha não estava nos dados, mas na honestidade do canal de importação: uma importação truncada tinha reportado sucesso, e nada no sistema foi projetado para notar que "sucesso" com um limite de 50,000 linhas significava fracasso para o candidato 52,195.

7.3 O reparo: uma cadeia de reparação sem limite e idempotente

O reparo — projetado e lançado em 6–7 de setembro de 2026 e verificado como completo em 8 de setembro de 2026 (ver a Seção 10.1) — é um modelo de como consertar um canal de dados sem perder dados nem confiança [H] (scripts e registro de sessão, 6–7 de setembro de 2026):

1. Reimportar o English WordNet sem o limite — de forma idempotente,

para que uma execução interrompida possa simplesmente ser relançada sem duplicar linhas;

1. re-executar as relações synset-a-synset para os synsets recém-criados;
2. integrar: promover novos synsets a conceitos, vincular os campos

concept_id dos sentidos membros e reexpressar as relações de conceito;

1. atualizar as visões materializadas para que o mapa reflita o corpus

reparado; e

1. verificar de ponta a ponta com um script de aceitação que prova, a

partir do banco de dados e através da API ativa, que o cat inglês alcança o conceito de gato doméstico princeton-wordnet:02121620-n junto com os seus membros multilingues — gato, chat, Katze, 猫 — e que o conceito tem pais na taxonomia. A verificação de aceitação é projetada para ser re-executada a qualquer momento e para sair com um PASS ou FAIL alto e claro.

Como cada passo foi escrito para ser idempotente (get-or-create, skip-if-exists), uma falha de máquina no meio do reparo custa nada além de tempo: a cadeia pode ser relançada e terminará o trabalho. A mesma propriedade protege o banco de dados ativo de estados parciais.

7.4 A lição: falhar ruidosamente versus falhar em silêncio

O episódio do cat é um caso de livro-texto de um problema que todo engenheiro de dados teme: um canal de importação que falha silenciosamente e reporta sucesso. A lição metodológica — que um limite de linhas não é um critério de sucesso, e que os importadores devem verificar a completude, e não apenas a conclusão — vale ser enunciada como um princípio geral para a infraestrutura de dados abertos, onde os conjuntos de dados chegam sem garantias e os canais de importação são montados à mão. A resposta da Lingua Mundi foi institucionalizada em duas formas: o script de aceitação que qualquer cadeia de importação futura pode executar, e a regra permanente do estúdio de que afirmações não verificadas são rotuladas como não verificadas — no banco de dados (sentidos órfãos mantidos visíveis, níveis de confiança nos vínculos) e em todo registro escrito (a convenção [H]/[O]/[NV] deste artigo, Apêndice A). Um sistema que pode mostrar os seus órfãos é um sistema cujas lacunas podem ser encontradas. Um sistema que os esconde é um sistema cujas lacunas serão encontradas — eventualmente, pela pior pessoa possível: um usuário procurando por cat.

8 · A interface: um mapa estelar de significados

Dados sozinhos não são um produto. A pergunta que moldou a interface da Lingua Mundi era simples: como deveria ser olhar para um mapa de significados? A resposta do autor, desenvolvida ao longo da primeira semana de setembro de 2026, foi que deveria ser como olhar para um céu — e, especificamente, como a carta de um planeta-tesouro fictício: um mapa de papel navegável de um universo em que cada estrela é uma ideia, e os idiomas são os telescópios que você escolhe para observá-la [H] (registros de sessão, 1–7 de setembro de 2026). Esta seção descreve a interface que resultou disso: a sua metáfora pedagógica, a sua linguagem visual, os seus instrumentos e a disciplina de engenharia que permite que tudo isso rode em um laptop de 2014.

8.1 Da página de dicionário ao céu: nomear o produto

A interface passou por três identidades em duas semanas, e os nomes acompanham a evolução do produto [H] (registros de sessão, 31 de agosto – 6 de setembro de 2026). Ela começou como uma página de dicionário comum ("/gui/", chamada de Observatório em 31 de agosto), tornou-se o Planetário em 1 de setembro, quando as importações de dados terminaram e uma visualização de campo de estrelas apareceu, e — depois que o autor olhou para o resultado e declarou que as estrelas eram "andaimes, não o produto" — pivotou na noite de 6 de setembro para um explorador de grafo semântico: o mesmo céu, mas agora o ponto era o significado, com nós que são conceitos rotulados nos idiomas que você habilita, arestas coloridas por família de relação e busca que desambigua sentidos. A visão mais antiga do céu foi preservada, mas desvinculada; o explorador tornou-se a face padrão da Lingua Mundi [H] (registro de sessão, 6 de setembro de 2026).

8.2 A metáfora pedagógica: um instrumento, não um painel

Cada elemento da interface se mapeia um-a-um em um conceito da astronomia e do próprio projeto de idiomas — um design pedagógico deliberado (a tabela de metáforas é a documentação interna do produto) [H] (registros de sessão, 6–7 de setembro de 2026):

Nada disso é decoração; o briefing de design do autor para a ferramenta está citado nos registros e vale repetir: a interface deveria ser «uma ferramenta real de descoberta, não um brinquedo» — um mapa de todos os idiomas que um aprendiz ou pesquisador possa explorar de verdade —, e as suas fontes deveriam se comportar como um mapa de papel navegável, não como um painel [H] (registros de sessão, 6 de setembro de 2026). No mesmo espírito, os painéis de instrumentos são deliberadamente esqueuomórficos: mostradores de exposição com botões de latão, medições de sextante, cursos traçados em carta, um selo de época — a estética de um velho observatório, escolhida para ensinar pela sensação, e não pelos rótulos de menu.

8.3 O que está na tela

O explorador, verificado de ponta a ponta em setembro de 2026 [H], oferece:

• Busca com desambiguação de sentidos. Digitar gato (espanhol)

devolve estrelas-significado; cada resultado pode mostrar quais palavras, em quais idiomas, compartilham o significado — o painel da estrela gato doméstico exibe os seus membros do synset multilingue, p. ex., o cat e o grimalkin ingleses, o Katze alemão, o 猫 japonês (Seção 8.5).

• Viagem. Clique numa estrela (ou clique com shift / pressione a tecla

de medir) para torná-la o foco; o céu se recentraliza nela e a sua vizinhança aparece.

• O painel da estrela. Os membros por idioma da estrela focada, a sua

definição e os seus vizinhos — com paginação para vizinhanças grandes.

• A lente de taxonomia. Subir aos pais de uma estrela («do que isto é um

tipo?») ou descer aos seus filhos («que tipos disto existem?») pelos predicados canônicos da família is-a.

• Os instrumentos (todos ativos, verificados): o **mostrador de

exposição amplia o campo da estrela focada em passos (90 → 180 → 360 → 720 → 1,000 estrelas), fundindo o céu mais amplo sem reviajar; o sextante mede um caminho limitado no grafo entre duas estrelas (a busca /graph/path da Seção 5.3), desenhando um curso dourado tracejado pelo céu e registrando cada etapa; as marcas do céu fixam estrelas (persistidas localmente, para que a sua própria mini-constelação sobreviva aos recarregamentos); a bússola de palavras circunda a estrela focada com fichas de palavras — uma por idioma habilitado, clicável para trocar o idioma de busca; e o diário de bordo, a marcação de retorno, o selo de época e o retículo mantêm você orientado [H]** (registro de sessão, 7 de setembro de 2026).

• O affordance de apoio. Um controle "✦ support" abre o modal de

doações (Seção 10).

8.4 Engenharia do céu em hardware de 2014

A beleza da interface está subordinada a uma restrição dura: ela deve rodar suavemente em uma máquina com um processador da era de 2014, 8 GB de RAM e um disco giratório — a mesma máquina que hospeda o banco de dados. A engenharia que torna isso possível merece documentação porque é a mesma disciplina de trabalho limitado da Seção 7, aplicada a pixels [H] (registros de auditoria e de sessão, 6–7 de setembro de 2026):

• A página só renderiza com entrada do usuário. O uso de CPU ociosa é

~0%; nada se anima a menos que o usuário faça algo. Não há animação perpétua — uma escolha deliberada sob o "orçamento da batata" (Seção 9).

• A nebulosa é assada. O fundo decorativo (flores e poeira em

púrpura/verde-azulado/rosa) é pintado uma vez a cada redimensionamento e depois cacheado, com paralaxe de câmera ao redesenhar, em vez de ser recalculado por quadro.

• Os rótulos são racionados. Apenas ~24 rótulos de estrelas são

desenhados por quadro — um orçamento de rótulos —, mantendo os redesenhaços baratos e o texto legível [H] (o código da interface limita os posicionamentos com MAX_LABELS = 24; gui/planetarium-v1.html).

• Os pedidos são protegidos. Tokens de resposta obsoleta e controles de

abortamento cancelam consultas em voo quando o usuário segue adiante; cliques duplos adiam as ações de clique único para que nenhuma busca desperdiçada seja disparada; redimensionamentos são debounced e a razão de pixels do canvas é limitada (reduzindo a memória de um redimensionamento de ~24 MB para ~11 MB em 1080p).

• A acessibilidade é explícita: papéis do canvas e rótulos aria, suporte

a movimento reduzido e navegação por teclado foram adicionados na mesma passada do polimento visual [H] (registro de sessão, 7 de setembro de 2026).

8.5 A demonstração que amarra tudo

A demonstração contínua do projeto é a palavra cat — ou, melhor, o conceito ao qual ela pertence. Pesquise gato em espanhol no explorador, viaje até a estrela, e o painel mostra o synset princeton-wordnet:02121620-n com os seus membros nos idiomas ativos. O subconjunto de fato verificado de ponta a ponta nas verificações headless de 6–7 de setembro de 2026 está registrado no log de teste — cat, grimalkin e felis silvestris catus em inglês (o nome científico que o WordNet armazena), Katze em alemão, gato em espanhol, 猫 em japonês —, e as listas de membros mais amplas que o banco de dados armazena para esse synset (p. ex., em inglês housecat, mouser, puss, tomcat; em francês chat, chatte; em alemão Kater; em japonês ネコ; em português gato, bichano) vêm da filiação ao wordnet importado, e não do log de ponta a ponta; um leitor que quiser a enumeração completa e atual pode re-executar a consulta de aceitação da Seção 7.3 [H com [NV] na cauda não testada] (log E2E headless e banco de dados ativo, 6–7 de setembro de 2026). Uma estrela, seis idiomas, um significado: a intuição de dezembro de 2025, visível na tela. O lado inglês desta demonstração é exatamente o que o bug da Seção 7.2 quebrou por pouco tempo: uma busca gato iniciada em espanhol alcançou a estrela o tempo todo, enquanto uma busca cat iniciada em inglês só funciona depois do reparo de cobertura, e o script de aceitação da Seção 7.3 existe precisamente para provar, sob demanda, que cat · gato · 猫 compartilham a sua estrela.

9 · A bancada de trabalho: ferramentas, fluxo de trabalho e a máquina «batata»

Uma história de projeto é incompleta sem a bancada de trabalho sobre a qual foi construído. A bancada de trabalho da Lingua Mundi é incomum, e as restrições que ela impôs moldaram quase toda decisão de engenharia neste artigo.

9.1 A batata

A máquina que hospeda o banco de dados, a API, a interface e o ambiente de desenvolvimento é um único laptop de consumo: um ASUS X751MA com um Intel Pentium N3540 (Bay-Trail, quatro núcleos, sem AVX2), 8 GB de RAM (7,6 GiB utilizáveis), um disco rígido de 5400 rpm e um uplink de internet de aproximadamente 47 KB/s — capturado ativo para este artigo em 7 de setembro de 2026 ([H], lscpu//proc/meminfo na própria máquina). As notas do projeto descrevem essa mesma máquina de maneiras variadas, como um Atom Z36xx/Z37xx ou um Pentium N3540 — a mesma família de silício Bay-Trail sob nomes diferentes [O]; registros de conversa anteriores de 2026 também referenciam um perfil diferente (uma máquina Intel Jasper Lake "N5105"), que a Seção 10.2 lista como um conflito de registro de hardware não resolvido. O estúdio chama a máquina ativa, com afeto, de a batata — e ela estabeleceu uma regra que aparece por todos os registros: uma operação pesada por vez, wrappers com guarda de memória, nenhuma animação perpétua, nenhuma infraestrutura prematura (Seção 4.5) e todo trabalho pesado executado como um script destacado auto-alertante que reporta quando termina, em vez de ser monitorado por polling [H] (registros de sessão e ferramentas, setembro de 2026). O padrão de "assar, não rederivar" (Seção 7), a interface somente sob entrada do usuário (Seção 8.4) e a superfície de pesquisa de custo zero de LLM (Seção 9.4) são todos, no fundo, consequências da batata — prova de que um orçamento apertado pode ser uma virtude de projeto, e não uma limitação.

9.2 A pilha de software

O sistema em execução (verificado ativo, setembro de 2026 [H]): PostgreSQL 16 como o único armazenamento de dados (Seção 4.5), FastAPI (Python) como a camada de API, SQLAlchemy + Alembic para modelos e migrações, scripts Python para os importadores e para a gestão das visões materializadas, e uma pequena interface web sem dependências (HTML/CSS/JavaScript) servida da mesma origem. A maquinaria auxiliar inclui serviços de usuário systemd que mantêm vivos a API e a guarda de memória/térmica (Seção 9.5), um backup diário no GitHub da base de código, uma base de conhecimento Obsidian como memória do projeto (Seção 9.3), verificações de ponta a ponta com Chromium headless para a interface e as ferramentas detach-run + notify do estúdio para trabalhos em segundo plano auto-alertantes [H] (inventário de serviços e ferramentas, setembro de 2026).

9.3 A base de conhecimento: uma memória de projeto auditável

A partir de 26 de agosto de 2026, o autor e os seus agentes mantiveram uma base de conhecimento estruturada (um cofre Obsidian) na qual cada sessão de trabalho é registrada: trabalho feito, decisões tomadas, próximas ações e o arquivo de onde cada fato veio, com frontmatter registrando a proveniência e uma bandeira verified: true/false [H] (convenções do cofre, agosto–setembro de 2026). O cofre é a razão pela qual este artigo consegue citar datas e citações: quando este rascunho diz "registro de sessão, 6 de setembro de 2026", ele está apontando para um arquivo que existe, foi escrito naquele dia e carrega as suas próprias notas de fonte. Duas convenções desse cofre merecem menção como método: toda afirmação deve declarar a sua fonte, e a história nunca é inventada — material não confirmado é mantido, mas sinalizado como não verificado [H] (convenções do cofre). Essas convenções são as convenções deste artigo (Apêndice A).

9.4 Pesquisa de zero tokens e a regra do local-primeiro

A regra permanente do autor — visível na nota do projeto de 29 de agosto de 2026 — é que a API local é a superfície de pesquisa: /lexemes, /concepts, /analyze respondem perguntas sobre o corpus com zero tokens de LLM gastos [H]. O mesmo instinto local-primeiro governa os dados (tudo auto-hospedado; nada depende de um fornecedor), o dinheiro (somente níveis gratuitos e dados abertos; Seção 10) e a privacidade (segredos nunca saem da máquina; a base de conhecimento é privada) [H] (registros de sessão, setembro de 2026).

9.5 Salvaguardas em uma máquina frágil

Como a batata não tem folga, o estúdio construiu salvaguardas que são elas mesmas parte da história de engenharia: uma guarda de memória/térmica (tools/mem-manager.sh, v2, ativa em 7 de setembro de 2026) que alerta abaixo de 900 MiB de memória disponível ou 80 °C e descarta unidades opcionais em segundo plano abaixo de 500 MiB ou 88 °C, além de um killer de oom antecipado no nível do sistema (earlyoom -m 8 -s 5, ou seja, ele age quando a memória livre colapsa abaixo de 8%, com uma cadência de 5 segundos) [H] (configuração ativa: limiares de mem-manager.sh e /etc/default/earlyoom, lidos em 7 de setembro de 2026). As regras operacionais do estúdio mantêm essas salvaguardas longe de terem de agir: uma operação pesada por vez, wrappers com guarda de memória e trabalhos destacados auto-alertantes para tudo que é de longa duração. Reparos longos são escritos para serem idempotentes (get-or-create, skip-if-exists), de modo que qualquer interrupção — uma reinicialização, uma queda de energia, um disparo da guarda — custe nada além de tempo: o reparo pode simplesmente ser relançado e terminará o trabalho (Seção 7.3). A mesma disciplina trata a concorrência em si como um recurso a ser orçado, como memória ou disco.

9.6 Governança: licenças, atribuição e a decisão do «gratuito para sempre»

Cada conjunto de dados da Lingua Mundi entrou com a sua licença registrada (o inventário docs/DATA_LICENSES.md do repositório; a tabela source do banco de dados ativo) [H]: WordNet (permissiva), o Open Multilingual Wordnet (licenças por idioma, predominantemente CC BY-SA e CC BY), Wiktionary e kaikki (CC BY-SA, com termos legados GFDL), Wikidata (CC0), UniMorph (CC BY-SA 3.0), Universal Dependencies (CC BY-SA 4.0), JMdict/KANJIDIC2 e a família EDRDG (permissivas, com atribuição), OPUS (por conjunto de dados), CLICS e listas de frequência de palavras (por fonte), e assim por diante [H] (inventário de licenças, acessado em setembro de 2026). O projeto retribui: as suas próprias saídas também estão planejadas para serem gratuitas.

O modelo de financiamento evoluiu publicamente ao longo de nove dias no fim de agosto/início de setembro de 2026, e o registro mostra cada passo [H] (registros de sessão e calendário, 29 de agosto – 7 de setembro de 2026): um plano inicial de vender um aplicativo de dicionário offline do Core 6 (Texupan, $29 ou $9/mês) em 29 de agosto; uma listagem de loja com links de pagamento no hub da loja até 1 de setembro; e — até 7 de setembro — uma decisão de tornar a Lingua Mundi gratuita para sempre, financiada por doações voluntárias, com o produto do Stripe literalmente chamado "Lingua Mundi — keep it free forever", preços únicos de €5/€15/€50 e mensais de €3/€9/€25, e uma meta anual honesta de €2,400 para cobrir a infraestrutura e o trabalho de dados do próximo idioma [H] (registro de sessão, 7 de setembro de 2026). A conta foi deliberadamente configurada dormente — doações desabilitadas até o autor completar a verificação de identidade do provedor de pagamento —, de modo que "gratuito para sempre" é, no enquadramento do autor, uma afirmação verificável, não um slogan [H] (registro de sessão, 7 de setembro de 2026). A verificação de identidade foi concluída em 8 de setembro de 2026 e os seis links de pagamento entraram em funcionamento naquela mesma manhã; estão publicados na seção de financiamento da loja [H] (registro da conta Stripe e histórico dos links de pagamento, 8 de setembro de 2026). O texto voltado ao público segue a regra da voz do estúdio (preâmbulo) e a regra do texto honesto: nada de hype, nada de afirmação exagerada — a mesma disciplina que governa o banco de dados e este artigo.

10 · Onde o projeto está (7 de setembro de 2026), os seus limites honestos e o caminho adiante

10.1 Estado atual do sistema

Medido diretamente contra o sistema ativo em 6–7 de setembro de 2026 [H] (ver o Apêndice A para as consultas exatas):

• Corpus (instantâneo pré-reparo, 6–7 de setembro de 2026): 96,434 conceitos · 1,238,383 lexemas · 1,608,018 sentidos · 171,672 relações, em seis idiomas ativos (inglês, espanhol, francês, alemão, português, japonês) — as contagens por SQL reproduzidas identicamente nas duas datas de medição.
• Corpus (pós-reparo, 8 de setembro de 2026): 125980 conceitos / 125980 synsets / 352333 lexemas de inglês, conforme registrado no relatório de reparo (lm-en-coverage-REPORT-2026-09-08.txt, RESULT: PASS); os membros multilingues da estrela cat princeton-wordnet:02121620-n abrangem inglês, espanhol, japonês, alemão e português (cat, gato, 猫, Katze, Gato doméstico).
• Visões de classificação: concept_sky_rank 94,498 linhas;

concept_lang_rank 218,120 linhas; concept_word_rank 338,378 linhas na criação (uma recontagem ativa foi negada ao papel de banco de dados padrão; sinalizado [NV]).

• Desempenho: céu padrão ≈ 0.25 s a quente (8.6 s antes das visões de

classificação); consulta profunda de 1,000 estrelas com palavras ≈ 1.1 s (>60 s antes da visão de palavras); buscas de caminho no grafo em milissegundos; busca ≈ 0.5 s a quente / ≈ 10 s a frio no cache de páginas do disco rígido.

• Interface: explorador de grafo semântico ativo na origem web da API,

com todos os instrumentos (mostrador de exposição, sextante, marcas do céu, bússola de palavras, diário de bordo, selo de época) verificados por 23/23 verificações de ponta a ponta com navegador headless em 6–7 de setembro de 2026.

• Reparo de cobertura do inglês: a cadeia de reimportação sem limite do English WordNet, relações, integração, atualização de visões e verificação de ponta a ponta (Seção 7.3) foi lançada na manhã de 7 de setembro de 2026 e rodou até a conclusão em 8 de setembro de 2026 às 22:19 (2026-09-08 22:19:12). O seu portão de aceitação passou: o relatório da própria cadeia (lm-en-coverage-REPORT-2026-09-08.txt, RESULT: PASS) registra o sentido inglês de cat vinculado ao conceito em princeton-wordnet:02121620-n, cujos membros multilingues incluem cat, gato, 猫, Katze, Gato doméstico [H] (relatório, 8 de setembro de 2026).
• Governança: canal de doações ativo — verificação de identidade concluída em 8 de setembro de 2026, seis links de pagamento publicados na loja; base de

código com backup diário; base de conhecimento em dia.

10.2 O que honestamente não se sabe, e o que está sem resolver

As convenções de verificação do estúdio exigem que este artigo diga com clareza o que não pôde verificar e registre as contradições entre fontes. As importantes:

1. A discrepância do "Core 6". O conjunto pessoal de idiomas do autor

(registrado em 29 de agosto de 2026) é espanhol, inglês, japonês, francês, italiano e português. Os seis idiomas do banco de dados ativo são inglês, espanhol, francês, alemão, português e japonês. O alemão substituiu o italiano no banco de dados sem nenhuma explicação escrita sobrevivente; a linha do idioma italiano e os conjuntos de dados italianos foram registrados antes, mas a tabela ativa contém o alemão [H], com a razão [NV] (ver também a Seção 4.2 sobre os níveis da especificação, que incluíam mandarim e italiano, mas não alemão — três conjuntos de idiomas publicados diferentes em três meses).

1. Deriva nas contagens do corpus dentro de um único dia. Um dossiê

técnico escrito em 6 de setembro de 2026 reporta 1,146,066 lexemas / 1,595,537 sentidos, enquanto o SQL direto na mesma noite reporta 1,238,383 / 1,608,018 (conceitos e relações idênticos: 96,434 / 171,672); o registro de sessão dessa mesma noite carrega um terceiro valor, intermediário (≈1.15 milhão de lexemas), consistente com importações ainda aterrissando ao longo do dia. As somas por idioma reconciliam com o valor do SQL, de modo que os números do dossiê parecem vir de um momento ou filtro diferente; a discrepância não é explicada nos registros [H], com a reconciliação [O]. Este artigo cita os valores do SQL com a sua data.

1. Conflito nos registros de hardware. A máquina que hospeda o sistema

ativo em setembro de 2026 foi capturada diretamente para este artigo como um ASUS X751MA com um Intel Pentium N3540 (Bay-Trail), 8 GB de RAM (Seção 9.1) [H]. O registro escrito é mais confuso: as notas do projeto descrevem a máquina como um Intel Atom Bay-Trail (Z36xx/Z37xx) e como um Pentium N3540 — a mesma geração de silício sob dois nomes de marketing [O] —, enquanto registros de conversa anteriores de 2026 referenciam uma máquina diferente, um Intel Jasper Lake "N5105" com 12 GB de RAM (janeiro de 2026) e, mais tarde, "a Jasper Lake 4 chip" (maio de 2026) e "Intel Jasper Lake N5105, 4 GB" (arquivo de memória de meados de 2026). Jasper Lake não é silício Bay-Trail, de modo que os registros descrevem ou duas máquinas diferentes ao longo do ano ou rotulação incorreta por parte do assistente; as evidências sobreviventes não conseguem decidir qual das duas, e o ponto é sinalizado aqui em vez de ser alisado [H], com a reconciliação [NV] (registros de sessão e de conversas com IA, janeiro–setembro de 2026).

1. Alertas de qualidade de dados da auditoria de setembro: o corpus

contém 178,576 pares de lemas duplicados; 124,790 lexemas sem sentido; 33.9% de definições vazias; e (antes do reparo do inglês) 71.7% de sentidos ainda não vinculados a conceitos. A mesma auditoria descobriu que a integridade referencial se manteve por toda parte (somas exatas, zero linhas pendentes/órfãs no nível do banco de dados): o valor de 71.7% descreve sentidos ainda não vinculados a um conceito, o estado projetado de órfãos visíveis, e não referências quebradas — uma distinção honesta que o projeto mantém deliberadamente visível enquanto o trabalho de alinhamento continua [H] (auditoria, 5–6 de setembro de 2026).

1. Não medido ou pendente: o desempenho em hardware diferente da batata

nunca foi medido; o projeto ainda não tem usuários públicos, portanto não há métricas de uso real; a estrutura legal do estúdio não está documentada nos registros; a questão de modelagem das «duas Coreias», a escassez de dados em cantonês e a revisão das licenças do wordnet taiwanês estão em aberto (Seção 10.3).

10.3 O caminho adiante

O roteiro, aprovado pelo usuário em 29 de agosto de 2026, é a forma madura dos sete grafos do manuscrito de junho [H] (nota do projeto): fonética/fonologia, morfologia (importada), sintaxe (importada), semântica (importada), lexicografia (importada), corpora (importados) e — na fila — discurso, etimologia e as camadas de correspondência e uso, além da eventual interface web pública. No curto prazo, os planos documentados são [H] (registros de sessão, 7 de setembro de 2026):

• A família CJKV. Os próximos idiomas planejados para o esquema são

mandarim (cmn), cantonês (yue), coreano (kor) e vietnamita (vie). O seu cronograma depende de um reconhecimento de disponibilidade de dados que é honesto sobre o que a paisagem de dados abertos oferece: existem wordnets do OMW baseados no Wiktionary para mandarim (19,079 linhas), cantonês (527), coreano (9,268) e vietnamita (5,498); treebanks do UD para mandarim (123k tokens), cantonês (14k), coreano (80k GSD mais 350k Kaist), vietnamita (58k). O cantonês é o escasso — sem wordnet grande, treebank pequeno — e as licenças do wordnet taiwanês estão sob revisão [H] (registro de sessão e inventário de dados, 7 de setembro de 2026). Nenhum conjunto de dados CJKV foi importado para o corpus ativo até este rascunho; o momento da família é uma decisão em aberto, pendente dessa revisão.

• Painéis da interface research-v1 (lente de palavra, subida de

linhagem, cartões de campo, caderno de notas, tabela de comparação) foram projetados e aprovados no backend em 6 de setembro de 2026 e ficaram na fila atrás da construção dos instrumentos [H].

• Publicação. Este artigo é um rascunho preliminar gerado por IA; a

publicação escrita por humanos está em desenvolvimento (preâmbulo).

• Idiomas sem fim. A promessa do esquema — adicionar um idioma como uma

linha mais conjuntos de dados — é a meta de longo prazo declarada do projeto, e o texto das doações o diz com clareza: a Lingua Mundi começa com seis idiomas, construída para adicioná-los indefinidamente [H] (registro de sessão, 7 de setembro de 2026).

10.4 Conclusão

O que começou em 3 de dezembro de 2025 como um pedido de arquivos de dicionário gratuitos é agora um mapa de significados de seis idiomas em funcionamento e consultável, construído sobre dados abertos por uma pessoa com ferramentas gratuitas e um laptop de 2014. As ideias que o carregaram — que o significado é a unidade natural dos dados multilingues; que o alinhamento deve ser explícito e rotulado, nunca adivinhado silenciosamente; que o cálculo caro deve ser assado uma vez e lido muitas vezes; que uma restrição de orçamento é uma ferramenta de projeto; que toda afirmação, em um banco de dados ou em um artigo, deve carregar a sua fonte e a sua data — não são novas, mas são verdadeiras, e o projeto demonstra que uma pessoa pode agir sobre elas. O seu artefato mais valioso pode nem ser o banco de dados, mas a demonstração de que um pesquisador solitário pode construir infraestrutura honesta em público: medindo o que mede, datando o que data, mostrando os seus órfãos e cumprindo a sua palavra — uma estrela, seis idiomas e todo o céu ainda adiante.

Construído em uma caverna, com um monte de sucata.

Referências

Edição 7 da APA. Os detalhes bibliográficos foram verificados contra as páginas das editoras e os registros de identificadores de objetos digitais (DOI) em 7 de setembro de 2026. As fontes de software e de dados são citadas conforme os formatos de software e de conjuntos de dados da APA. (Apenas as obras citadas no texto são listadas.)

Bond, F., & Foster, R. (2013). Linking and extending an open multilingual wordnet. In Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics (pp. 1352–1362). Association for Computational Linguistics. https://aclanthology.org/P13-1133/

Braille Institute of America. (2019). Atkinson Hyperlegible [Computer font]. https://brailleinstitute.org/freefont

Breen, J. W. (2004). JMdict: A Japanese-multilingual dictionary. In Proceedings of the Workshop on Multilingual Linguistic Resources (COLING 2004) (pp. 65–72). COLING. https://aclanthology.org/W04-2209/

Electronic Dictionary Research and Development Group. (n.d.). JMdict / EDICT Japanese–English dictionary project [Data files and documentation]. Retrieved September 7, 2026, from https://www.edrdg.org/jmdict/edict_doc.html

Fellbaum, C. (Ed.). (1998). WordNet: An electronic lexical database. MIT Press. https://mitpress.mit.edu/9780262561167/wordnet/

Gaia Collaboration, Brown, A. G. A., Vallenari, A., Prusti, T., de Bruijne, J. H. J., Babusiaux, C., … Zwitter, T. (2018). Gaia Data Release 2: Summary of the contents and survey properties. Astronomy & Astrophysics, 616, Article A1. https://doi.org/10.1051/0004-6361/201833051

Hernández, R. (2026, June 1). Lingua Mundi: A semantic infrastructure for concept-grounded language models (Versions 1–7) [Unpublished manuscript; revision and audit records preserved in the author's conversation-log archive].

Hernández, R. (2026, July 24). Multilingual Lexical Platform — Engineering specification (Version 2.0) [Unpublished specification document; text extraction on file].

Kirov, C., Cotterell, R., Sylak-Glassman, J., Walther, G., Vylomova, E., Xia, P., Faruqui, M., Mielke, S. J., McCarthy, A., Kübler, S., Yarowsky, D., Eisner, J., & Hulden, M. (2018). UniMorph 2.0: Universal morphology. In Proceedings of the Eleventh International Conference on Language Resources and Evaluation (LREC 2018). European Language Resources Association. https://aclanthology.org/L18-1293/

McCarthy, A. D., Kirov, C., Grella, M., Nidhi, A., Xia, P., Gorman, K., Vylomova, E., Mielke, S. J., Nicolai, G., Silfverberg, M., Arkhangelskiy, T., Krizhanovsky, N., Krizhanovsky, A., Klyachko, E., Sorokin, A., Mansfield, J., Ernštreits, V., Pinter, Y., Jacobs, C. L., … Yarowsky, D. (2020). UniMorph 3.0: Universal morphology. In Proceedings of the Twelfth International Conference on Language Resources and Evaluation (LREC 2020) (pp. 3922–3931). European Language Resources Association. https://aclanthology.org/2020.lrec-1.483/

Meyer, C. M., & Gurevych, I. (2012). Wiktionary: A new rival for expert-built lexicons? Exploring the possibilities of collaborative lexicography. In S. Granger & M. Paquot (Eds.), Electronic lexicography (pp. 259–292). Oxford University Press. https://doi.org/10.1093/acprof:oso/9780199654864.003.0013

Miller, G. A. (1995). WordNet: A lexical database for English. Communications of the ACM, 38(11), 39–41. https://doi.org/10.1145/219717.219748

Nivre, J., de Marneffe, M.-C., Ginter, F., Hajič, J., Manning, C. D., Pyysalo, S., Schuster, S., Tyers, F., & Zeman, D. (2020). Universal Dependencies v2: An evergrowing multilingual treebank collection. In Proceedings of the Twelfth International Conference on Language Resources and Evaluation (LREC 2020) (pp. 4034–4043). European Language Resources Association. https://aclanthology.org/2020.lrec-1.497/

Princeton University. (n.d.). About WordNet. WordNet. Retrieved September 7, 2026, from https://wordnet.princeton.edu/

SIL International. (n.d.). ISO 639-3. Retrieved September 7, 2026, from https://iso639-3.sil.org/

de Saussure, F. (1983). Course in general linguistics (C. Bally, A. Sechehaye, & A. Riedlinger, Eds.; R. Harris, Trans.). Duckworth. https://www.bloomsbury.com/us/course-in-general-linguistics-9781472508829/ (Original work published 1916)

Speer, R. (2022). wordfreq: A database of word frequencies in many languages (Version 3.0) [Computer software]. GitHub. https://github.com/rspeer/wordfreq

Tiedemann, J. (2012). Parallel data, tools and interfaces in OPUS. In Proceedings of the Eighth International Conference on Language Resources and Evaluation (LREC 2012) (pp. 2214–2218). European Language Resources Association. https://aclanthology.org/L12-1246/

Vrandečić, D., & Krötzsch, M. (2014). Wikidata: A free collaborative knowledgebase. Communications of the ACM, 57(10), 78–85. https://doi.org/10.1145/2629489

Wikimedia Foundation. (n.d.). Wiktionary: The free dictionary. Retrieved September 7, 2026, from https://www.wiktionary.org/

Zipf, G. K. (1949). Human behavior and the principle of least effort. Addison-Wesley Press. https://archive.org/details/humanbehaviorpri0000zipf

Apêndice A · Fontes, método e verificação

A.1 A convenção de anotação

Seguindo o padrão de rigor do estúdio (herdado do seu trabalho de investigação), as afirmações deste artigo são etiquetadas onde o leitor precisa conhecer o seu status epistêmico: [H] = fato verificado — uma medição, um código ou uma fonte datada consultada para este artigo —; [O] = interpretação ou opinião atribuída; [NV] = não verificado / não localizado. Toda figura no resumo e no corpo é ou uma medição [H] com a sua data ou está etiquetada.

A.2 Famílias de fontes consultadas (acesso em 6–7 de setembro de 2026)

Consultas de verificação representativas (executadas em 7 de setembro de 2026, papel lingua): SELECT count(*) FROM concept|lexeme|sense|relation → 96,434 / 1,238,383 / 1,608,018 / 171,672; SELECT code FROM language → deu, eng, fra, jpn, por, spa; filiação do synset 02121620-n por idioma (Seção 8.5); o script de aceitação do próprio projeto verify-lm-cat-demo.sh (Seção 7).

A.3 Números-chave com datas (linha do tempo condensada)

A.4 Contradições e itens sem resolver

Conforme documentado na Seção 10.2: a discrepância do «Core 6» italiano/alemão; a deriva das contagens do corpus no mesmo dia (dossiê de 1,146,066 vs. 1,238,383 lexemas do SQL, com uma terceira cifra intermediária no registro de sessão da mesma noite, reconciliada por idioma com a cifra do SQL); o conflito dos registros de hardware (Atom Bay-Trail vs. Pentium N3540 vs. um Jasper Lake N5105 em registros anteriores de 2026 — item 3 da Seção 10.2); os 71.7% de sentidos não vinculados e os demais alertas de qualidade de dados; e os itens não verificados/não documentados: a data exata de fundação do repositório antes de 26 de agosto, a razão da mudança do conjunto de idiomas, a proveniência do modelo dos textos de auditoria de 1 de junho (as auditorias sobrevivem na conversa do ChatGPT do autor, do lado do usuário; qual modelo assistente escreveu cada rodada de auditoria não é atestado de forma independente na exportação — ver a Seção 3.3), a recontagem ativa do concept_word_rank (permissão negada) e a estrutura legal do estúdio.

A.5 Notas metodológicas

• O sistema sob teste é o sistema de produção; as medições a quente

carregam ±0.3 s de ruído do disco rígido; as datas e horas são dadas no fuso horário dos próprios registros (horário central, salvo indicação em contrário; os registros da DeepSeek usam +08:00 e foram convertidos).

• As citações são verbatim dos registros/arquivos citados; as reticências

marcam cortes; as citações em inglês são traduzidas no corpo do texto onde usadas.

• Este artigo é em si um rascunho gerado por IA (aviso do preâmbulo); foi

escrito sob a direção do autor a partir das fontes acima e não foi revisado por pares. Ferramentas de verificação: SQL direto, consultas HTTP, verificações com navegador headless e leituras de arquivos-fonte; nenhuma afirmação foi preenchida de memória quando existia uma fonte.

Apêndice B · Glossário — termos em linguagem simples usados neste artigo

Como usar este glossário: na primeira vez em que um termo técnico aparece no artigo, ele é sublinhado com pontos — passe o cursor sobre ele (ou toque nele) para ver uma definição rápida, ou clique para saltar para cá. Esta lista segue a ordem alfabética dos termos originais em inglês.

Alinhamento

o ato de decidir que uma palavra em um idioma significa a mesma coisa que uma palavra em outro.

API

uma interface que permite que um programa peça dados a outro (p. ex., um aplicativo de dicionário pedindo uma palavra ao banco de dados da Lingua Mundi).

Autônimo

o nome pelo qual os próprios falantes de um idioma o chamam (os falantes de espanhol chamam o espanhol de español).

Assar

a palavra do projeto para calcular uma resposta cara uma vez, armazená-la e lê-la muitas vezes (a regra de trabalho é «assar, não rederivar»).

Busca em largura

uma forma de explorar um grafo para fora em camadas, como ondulações de uma pedra na água, para encontrar a rota mais curta entre dois pontos.

CJKV

uma abreviatura da família de sistemas de escrita que abrange chinês, japonês, coreano e vietnamita (as letras correspondem aos nomes das escritas).

Conceito

um significado, compartilhado entre idiomas (neste artigo, «a ideia de gato doméstico», não uma palavra em particular).

Corpus

uma grande coleção de dados de idioma (textos ou entradas de dicionário) usada como evidência.

Conjunto de dados

uma coleção empacotada de dados de uma única fonte, com o seu próprio formato e a sua própria licença.

Derivação

a derivação é como palavras novas são construídas a partir de palavras existentes (run → runner); a etimologia é a história de uma palavra através do tempo e dos idiomas.

ETL

extrair-transformar-carregar: o processo de ler dados de uma fonte externa, reformatá-los e armazená-los no banco de dados.

FastAPI

um framework Python gratuito e de código aberto para construir o tipo de interface (API) que este projeto serve.

Busca em texto completo

buscar em um banco de dados cotejando palavras dentro do texto armazenado, em vez de por identificadores exatos.

Grafema

um caractere escrito: uma letra de um alfabeto, um signo de sílaba ou um kanji.

Grafo

neste artigo, um conjunto de significados (nós) conectados por relações tipadas (arestas).

Gzip

um método padrão de compressão que torna os arquivos menores antes de viajarem pela internet.

HTTP

o protocolo que os navegadores web e as APIs usam para pedir e receber dados pela internet.

Hiperônimo

hiperônimo = «um tipo de»: felino é hiperônimo de gato doméstico. Uma taxonomia é a árvore de tipos resultante.

Importador

um programa que sabe ler um conjunto de dados externo e escrevê-lo no esquema próprio da Lingua Mundi.

Índice

uma estrutura de banco de dados que permite às consultas encontrar linhas rápido, como o índice de um livro em vez de ler todas as páginas.

Flexão

a flexão é mudar a forma de uma palavra por razões gramaticais (run → ran); a morfologia é o estudo dessas formas.

Instância-de

dois tipos de relação no grafo: «isto é um exemplo daquilo» (um gato é uma instância de um tipo de mamífero) e «isto é um pedaço daquilo» (uma pata é parte de um gato).

Interlíngua

uma representação intermediária compartilhada entre idiomas: em vez de traduzir diretamente espanhol→inglês, ir por espanhol→significado→inglês.

ISO 639-3

o padrão internacional que atribui a cada língua humana um código único de três letras (spa = espanhol, jpn = japonês).

JMdict

o JMdict é um grande dicionário japonês-multilingue; o KANJIDIC2 é o seu arquivo companheiro de kanji (caracteres de origem chinesa usados no japonês) com leituras e significados.

JSON Lines

um formato de texto simples em que cada linha é um registro de dados, usado nos primeiros arquivos do canal de importação do projeto.

Kaikki

uma extração legível por máquina dos dados do Wiktionary, mais fácil de ler para programas do que as páginas originais.

Kanji

os caracteres de origem chinesa usados no japonês escrito.

Lema

a forma de dicionário de uma palavra (a forma que você procura: cat, não cats; run, não ran).

Lexema

uma forma de palavra em um idioma específico (a cadeia cat).

Licença

os termos legais que estabelecem como os dados podem ser usados e compartilhados; as licenças «abertas» permitem a reutilização com atribuição (p. ex., CC BY-SA).

Cauda longa

a grande massa de itens raros no extremo distante de uma distribuição zipfiana (ver a lei de Zipf).

Visão materializada

um resultado de consulta pré-computado e armazenado, atualizado conforme um cronograma, para que perguntas repetidas não refaçam o trabalho (o padrão de «assar»).

Morfologia

o estudo das formas de palavra e de como elas mudam por razões gramaticais (ver flexão).

Linguagem natural

a língua humana tal como as pessoas realmente a falam e escrevem, em oposição às linguagens de programação.

Nó

em um grafo, um nó é um item (aqui, um conceito) e uma aresta é uma conexão entre dois itens (aqui, uma relação tipada).

OMW

a coleção de WordNets alinhados ao WordNet inglês.

OPUS

uma grande coleção de frases traduzidas reunidas da web e de legendas de filmes.

Sentido órfão

um significado de dicionário ainda não vinculado a um conceito compartilhado; mantido visível em vez de oculto.

Paginação

dividir uma lista longa de resultados em páginas numeradas em vez de enviar tudo de uma vez.

Classe gramatical

a classe gramatical de uma palavra: substantivo, verbo, adjetivo e assim por diante.

Canal de importação

uma cadeia de programas que move os dados de uma fonte bruta, através de passos de limpeza, até a sua casa final.

Plugin

um plugin é um pequeno programa complementar para um conjunto de dados; o registro é a lista única e autoritativa deles.

Polissemia

uma palavra com vários significados (bank: margem de rio / banco de dinheiro).

PostgreSQL

um banco de dados relacional gratuito e de código aberto (o sistema no qual a Lingua Mundi armazena tudo).

Relação

uma conexão tipada e dirigida entre dois conceitos (gato doméstico é um felino).

Esquema

a planta de um banco de dados: quais tabelas existem, o que cada linha contém e como as tabelas se referem umas às outras.

Sentido

um significado de uma palavra tal como registrado por um dicionário.

Significante

as duas faces da palavra segundo Saussure: o seu som ou forma (significante) e o conceito para o qual aponta (significado).

Brilho no céu

a classificação do projeto de quão «importante» um significado é, com base em quantos idiomas e palavras se fixam nele.

SQL

a linguagem padrão para fazer perguntas a um banco de dados relacional.

Synset

um conjunto de palavras que podem expressar o mesmo significado em algum contexto; na Lingua Mundi, o significado de um synset é armazenado como conceito.

Token

no aprendizado de máquina, o pequeno pedaço de texto (frequentemente uma palavra ou parte de palavra) que um modelo lê ou escreve.

Treebank

uma coleção de frases reais anotadas com a sua gramática (qual palavra desempenha qual papel).

UD

um projeto comunitário que publica dados de frases com anotação gramatical em muitos idiomas, sob licenças abertas.

UniMorph

um repositório multilingue de dados de forma de palavra (flexionais).

URI

um endereço estável e único para uma coisa; aqui usado para conceitos (p. ex., princeton-wordnet:02121620-n para gato doméstico).

Wikidata

a base de conhecimento estruturada da Wikimedia, com afirmações com identificadores legíveis por máquina, publicada sob CC0.

Wiktionary

o dicionário colaborativo hospedado pela Wikimedia Foundation.

Forma de palavra

uma grafia de uma palavra em um idioma; ver lexema.

WordNet

a base de dados lexical original em inglês, organizada por significado (Princeton); o OMW alinha outros idiomas a ela.

Wordfreq

uma base de dados de listas de frequência de palavras em vários idiomas, usada para classificar palavras por quão comuns são.

Escrita

o conjunto de caracteres no qual um idioma é escrito (latino, árabe, caracteres chineses e assim por diante).

Lei de Zipf

a observação de que poucas palavras respondem pela maior parte do uso e de que a cauda longa de palavras raras responde pelo resto.