Os modelos de IA de peso aberto estão a preencher a lacuna com os modelos de fronteira fechada a um ritmo impressionante: com cada era sucessiva de grandes modelos de linguagem, os modelos abertos demoram metade do tempo a alcançar o primeiro modelo fechado dessa era, de acordo com uma nova análise da empresa de investigação de semicondutores SemiAnalysis.

O estudo, intitulado “Os modelos abertos estão alcançando?” e publicado em 21 de agosto por Evan Cloutier, Max Kan, Jordan Nanos e Dylan Patel, é uma das tentativas mais sistemáticas de quantificar uma questão que paira sobre toda a indústria de IA: se os modelos abertos permanecerem quase tão capazes quanto a fronteira fechada por uma fração do custo, os laboratórios de fronteira terão um negócio durável? Para uma cobertura detalhada dos lançamentos de modelos que impulsionam essa mudança, siga AI Buzz Wire.

Três Eras da Frontier AI

Os autores argumentam que a história dos LLMs se enquadra em três eras distintas – escalonamento inicial, raciocínio e agente – cada uma representando um aumento de função escalonada no que os modelos podem fazer de forma útil.

O seu ponto metodológico central é que comparar modelos entre épocas com um único benchmark é um erro. Cada benchmark é um produto da sua época: é criado para discernir as diferenças de capacidade que existem no momento, depois é escalado pelos fabricantes de modelos até ficar saturado, altura em que a indústria deixa de se importar e segue em frente. Em vez disso, a equipe do SemiAnalysis executou conjuntos de benchmarks selecionados para os modelos de cada era para produzir uma pontuação de capacidade composta.

Vista desta forma, a lacuna aberta versus fechada move-se em ciclos. No início de cada era, um laboratório de fronteira conclui pesquisas promissoras, treina um modelo impressionante e avança. Outros laboratórios então identificam os principais avanços, fazem engenharia reversa deles e fecham a lacuna. “Nada permanece secreto para sempre – especialmente quando você leva em consideração a destilação”, escrevem os autores. “É apenas uma questão de quanto tempo leva.”

A medição dessa questão produziu a principal conclusão do estudo: a cada geração, os modelos de código aberto levam metade do tempo para alcançar o primeiro modelo de código fechado da época.

Por que esse ciclo parece diferente

O relatório é contundente sobre a diferença entre os momentos anteriores do modelo aberto e o atual. O “momento DeepSeek” de janeiro de 2025 ganhou as manchetes, mas “ninguém realmente usou o R1 para fazer qualquer trabalho economicamente valioso”, observam os autores.

Por outro lado, eles apontam modelos como GLM 5.3 e Kimi K3 como “genuinamente capazes de muitas das mesmas tarefas de codificação e de agente que dispararam a Anthropic para US$ 65 bilhões + ARR” – uma referência à trajetória de receita que a codificação e as cargas de trabalho de agente impulsionaram para o fabricante de Claude. Essa afirmação tem um peso especial porque esses modelos abertos não são apenas software de demonstração; eles estão sendo implantados na produção para as mesmas tarefas que geram receita real para laboratórios fechados.

Os números de utilização reforçam a mudança. O Fireworks, um provedor de inferência que atende muitos modelos abertos, agora processa mais de 40 trilhões de tokens por dia – o dobro do volume da API da OpenAI no final de março, de acordo com a SemiAnalysis. É, como afirma o relatório, “um momento emocionante para ser um consumidor de tokens”, com a batalha pelos tokens estendendo-se agora muito além do duopólio OpenAI-Anthropic.

A questão da comoditização

O estudo aborda diretamente o medo – que rotula de FUD em alguns aspectos – de que modelos abertos, capazes e baratos, mercantilizem inteiramente a camada do modelo, um resultado que seria desastroso para as margens dos laboratórios de fronteira.

A parte pública da análise não chega a uma resposta completa, apontando aos leitores o modelo Tokenomics pago da empresa para tratamento detalhado das finanças da OpenAI e da Anthropic. Mas a direcção da viagem é clara: se os modelos abertos de cada era chegarem em metade do tempo dos modelos da era anterior, a janela em que os laboratórios fechados podem cobrar preços mais elevados pela capacidade de fronteira continua a diminuir.

Os autores também alertam contra a leitura da tendência como uma sentença de morte para a investigação de fronteira. Os benchmarks, escrevem eles, "não contam a história completa", e as conclusões do relatório são descritas como "menos pessimistas" em relação aos modelos de fronteira do que os leitores poderiam inicialmente pensar - em parte porque a paridade bruta dos benchmarks não é o mesmo que paridade em fiabilidade, integração de produtos, distribuição empresarial ou o capital necessário para servir modelos em escala.

Por que é importante

Para os compradores, as descobertas validam uma estratégia que muitas empresas já adotaram: optar por modelos abertos ou mais baratos para a maior parte do volume de tokens, enquanto reservam modelos fechados premium para as tarefas mais difíceis. Para os laboratórios, quantifica a pressão que enfrentam em duas frentes – modelos abertos abaixo e enormes custos de computação acima.

E para o ecossistema de código aberto, os dados do SemiAnalysis oferecem algo que tem sido frequentemente escasso: provas, em vez de ideologia, de que a lacuna está a diminuir num calendário previsível. Se o padrão de intervalo se mantiver na próxima era da IA ​​de fronteira, a questão mais valiosa da indústria não será se os modelos abertos se atualizam, mas o que permanece defensável depois que isso acontece.

Acompanhe a corrida de peso aberto com IA Leia mais notícias sobre IA →