Outras Ferramentas IA: Análises e Comparações

Em 16 de julho de 2026, a Moonshot AI lançou o Kimi K3, um modelo com 2,8 trilhões de parâmetros no total. As ações de semicondutores dos EUA foram vendidas em massa, e a história escalou até um funcionário da Casa Branca acusar a empresa, pelo nome, de destilar os modelos da Anthropic. Como os números e até os rótulos divergem conforme a fonte, este artigo cruza as casas que publicam os benchmarks, a imprensa financeira, os anúncios da própria Moonshot e a página real no Hugging Face, dizendo quem produziu cada dado. Em desempenho, ele marca 57 pontos e o terceiro lugar no Artificial Analysis Intelligence Index (em 17 de julho de 2026, embora também existam contagens que colocam os mesmos 57 pontos em quarto e em sétimo). No GDPval-AA v2, a métrica mais prática, o K3 fica em 1668 contra 1760 do Fable 5 e 1600 do Opus 4.8 — um salto de 478 pontos sobre a geração anterior K2.6, em 1190, e foi esse encurtamento da distância, mais do que a colocação absoluta, que moveu o mercado. Em código, ele ficou em primeiro no Frontend Code Arena da Arena.ai com 1679 (Fable 5 em 1631), mas no FrontierSWE ele perde: 81,2% contra 86,6% do Fable 5. O preço se inverte conforme a comparação: US$ 3 de entrada e US$ 15 de saída são cerca de 40% mais baratos na entrada e de 40% a 50% mais baratos na saída que o Claude Opus 4.8 (US$ 5/US$ 25) ou o GPT-5.6 Sol (US$ 5/US$ 30), e o custo medido de US$ 0,94 por tarefa fica abaixo dos US$ 1,80 do Opus 4.8. Diante dos rivais chineses, porém, ele é o mais caro do grupo, com cerca de três vezes o GLM-5.2 e 23 vezes o DeepSeek V4 Pro, de modo que este não é o desconto de uma ordem de grandeza do choque DeepSeek. Sobre os pesos, os veículos se dividem entre "código aberto" (VentureBeat, SCMP) e o "pesos abertos" da Reuters, e este último é o termo correto. Os pesos saíram no prazo, em 27 de julho de 2026, e podem ser baixados do Hugging Face sem pedido de acesso, em 96 fragmentos safetensors. A licença publicada junto com eles é a própria "Kimi K3 License": sobre uma concessão de estilo MIT, ela exige acordo à parte com a Moonshot AI para negócios de Model as a Service acima de US$ 20 milhões de receita e a exibição de "Kimi K3" na interface de produtos com mais de 100 milhões de usuários mensais. Como a concessão muda conforme o porte de quem usa, ela não é código aberto pela definição da OSI, e a divergência de rótulo passa a ser resolvida pelo próprio texto da licença, e não por inferência. Nos mercados, o Nasdaq caiu 1,5% na sexta-feira, Taiwan mais de 6%, o Japão 4%, e o ETF de semicondutores (SMH) recuou mais de 20% em relação à máxima do fim de junho, mas a queda semanal do SOX é noticiada de -9% a -12,5% conforme o veículo, e as perdas depois foram reduzidas por compradores de oportunidade. A acusação de destilação é rejeitada por pesquisadores pela cronologia — 15 dias entre a estreia pública do Fable em 1º de julho e o lançamento do K3 em 15 de julho — e nenhuma evidência foi tornada pública. A velocidade (medições que vão de 33 a 62 tokens por segundo, com o OpenRouter avisando sobre erros 429 frequentes por aperto de capacidade), a taxa de alucinação subindo de 39% para 51% e a clara diferença de experiência de uso que a própria Moonshot admite são todas tratadas com rótulos explícitos de confiança.

A Anthropic lançou o Claude Opus 5 em 24 de julho de 2026, e a própria documentação o descreve como uma mudança de patamar, e não uma melhoria incremental sobre o Opus 4.8 — mesmo assim o preço não muda: $5 de entrada / $25 de saída por milhão de tokens, exatamente metade do carro-chefe Fable 5 ($10 / $50). Este artigo confronta o anúncio oficial e a documentação com várias reportagens e organiza as especificações principais (claude-opus-5, contexto de 1M que é ao mesmo tempo padrão e máximo, saída máxima de 128K, corte de conhecimento em maio de 2026), o preço incluindo taxas de cache e o modo rápido (cerca de 2,5x a velocidade pelo dobro do preço, somente na Claude API), os benchmarks (a Anthropic afirma no próprio texto que o Frontier-Bench é mais que o dobro do Opus 4.8, que o CursorBench 3.2 fica dentro de 0,5% do Fable 5, que o ARC-AGI 3 é três vezes o segundo colocado e que o OSWorld 2.0 supera o Fable 5 por cerca de um terço do custo; entre os números lidos nos gráficos pela imprensa estão Frontier-Bench 43,3%, ARC-AGI-3 30,2%, GDPval-AA 1.861 e OSWorld 70,6%) e também os pontos em que ele ainda perde (68,8% contra 72,7% do GPT-5.6 Sol no DeepSWE v1.1, segurança ofensiva e pesquisa biológica de longo prazo onde o Mythos 5 lidera, e cenários em que o effort max pontua abaixo de níveis mais baixos). Em seguida cobre as duas breaking changes da API (o thinking vem ligado por padrão, então orçamentos apertados de max_tokens acabam truncados; desligar o thinking só é permitido com effort high ou abaixo, e xhigh ou max devolve erro 400), como escolher entre os cinco níveis de effort, as novidades como troca de ferramentas no meio da conversa, cache mínimo de 512 tokens e modo de fallback padrão, a mudança de personalidade rumo a respostas mais longas, mais narração, mais delegação e autoverificação espontânea — com a regra de migração de que se remove texto do prompt em vez de acrescentar — e, por fim, quem deve migrar agora, além de um checklist de migração em seis passos.

Em 8 de julho de 2026, a OpenAI lançou mundialmente o GPT-Live, um novo modelo de voz que substitui o Advanced Voice Mode do ChatGPT. Seu maior diferencial é a arquitetura full-duplex (duplex total): ele ouve e fala ao mesmo tempo, devolve retornos afirmativos (backchanneling), acomoda interrupções e não corta o silêncio de quando você pensa, com latência inferior a 250ms. A prontidão da conversa fica com o GPT-Live, enquanto o raciocínio profundo e a busca são delegados ao GPT-5.5 nos bastidores (Instant/Medium/High). No plano gratuito o padrão é o GPT-Live-1 mini; em Go/Plus/Pro, o GPT-Live-1. Este artigo explica o que é, como funciona, os limites atuais (sem vídeo, sem tela, sem API ainda) e a diferença em relação ao GPT-Realtime-2.1.

Quem desistiu de desenhar porque "não sabe desenhar" é exatamente para quem o desenho com IA é um parquinho de diversão. Coloque em palavras a imagem que está na sua cabeça e ela vira arte; uma foto do celular ou um rabisco de criança se transforma em uma obra em segundos. Isto não é uma comparação de ferramentas nem um curso sério — é um guia de ideias para se divertir sozinho ou em família. Das ferramentas gratuitas para começar (ChatGPT, Google Gemini, Microsoft Copilot, Canva) às 10 ideias (① rabisco em arte ② foto em um novo estilo ③ seu personagem em várias cenas ④ o desenho da criança como página de livro ⑤ emojis originais ⑥ tirinhas de quatro quadros ⑦ combinações "e se" ⑧ suas páginas para colorir ⑨ reformas de ambiente ⑩ duelos de desenho), pequenos truques para imagens melhores e três coisas para saber antes de brincar (não use rostos de outras pessoas, verifique direitos e uso comercial, rotule como feito com IA).

O Ollama é a ferramenta de referência para começar com LLMs locais: ele cuida de quase toda a configuração trabalhosa para que você baixe um modelo e converse com um único comando. Este guia para iniciantes percorre tudo do começo ao fim — instalação no Windows, Mac e Linux, os comandos essenciais, como obter e escolher modelos pelo tamanho e pela VRAM, usar uma GUI como o Open WebUI, integrar a API local (inclusive a compatível com OpenAI) aos seus próprios apps, personalizar com Modelfile e variáveis de ambiente, além de soluções para os problemas mais comuns.

Um guia prático para escolher qual modelo de LLM local instalar em 2026, organizado por desenvolvedor, país de origem, caso de uso, tamanho e licença. Cobre as principais famílias (Qwen, Llama, Gemma, DeepSeek, Mistral, Phi, GLM) e destaca modelos focados em português e regionais — Sabiá e Tucano (Brasil), Albertina e Gervásio (Portugal) —, além de modelos multilíngues fortes bem ajustados ao português, com recomendações por VRAM e alertas de licenciamento para uso comercial.

Quer rodar um LLM local mas não sabe se o seu PC dá conta? Cerca de 90% da especificação se resume à VRAM (a memória da GPU). Este guia traz uma tabela rápida de VRAM por tamanho de modelo, uma fórmula simples, a armadilha do cache KV que cresce com o contexto, velocidades realistas por GPU e Mac, e três níveis de configuração por orçamento. Com o jargão ao mínimo, até iniciantes descobrem qual hardware comprar.

Um LLM local que você roda no próprio PC ou LLMs em nuvem como Claude, ChatGPT e Gemini — ambos são "LLMs", mas diferem em desempenho, custo, privacidade e esforço. Este artigo coloca tudo lado a lado em uma única comparação e mostra com honestidade até onde a mal compreendida "diferença de desempenho" diminuiu em 2026, hoje desprezível para muitos casos de uso. Em seguida, ele guia você pela escolha na ordem confidencialidade → qualidade → volume, com um guia de decisão prático. Para a maioria das pessoas, a resposta é o híbrido: o local para o trabalho confidencial e rotineiro, a nuvem para as partes mais difíceis.

Retreinar uma IA gigante do zero é caro demais, mas você quer ajustá-la só para você; o LoRA (Low-Rank Adaptation) realiza esse desejo congelando o modelo original e treinando apenas uma pequena peça adicional (um adaptador), cortando os parâmetros treináveis em cerca de 90%. O LoRA torna o fine-tuning drasticamente mais barato e rápido, e é enormemente popular na geração de imagens, como no Stable Diffusion, como um pequeno arquivo que adiciona um personagem ou estilo. Este artigo explica com uma analogia de remendo. O LoRA é o carro-chefe do fine-tuning eficiente em parâmetros (PEFT): deixar os enormes pesos originais congelados, inserir uma pequena matriz adicional em cada camada e treinar apenas isso (W = W0 + BA, onde W0 fica congelado e BA é a pequena parte adicionada). Ele se baseia na descoberta de que adaptar uma IA não exige grandes mudanças (um rank baixo basta). Benefícios: cerca de 90% menos parâmetros treináveis (segundo relatos, 10.000x menos na escala do GPT-3), menos memória de GPU (cerca de 3x menos), treinamento mais rápido e barato, sem latência de inferência depois que o adaptador é mesclado, e menor risco de overfitting. Sua maior força são os adaptadores intercambiáveis: mantenha uma base comum e troque pequenos arquivos LoRA (de poucos MB) por caso de uso (suporte, tom da empresa, um personagem específico) instantaneamente. Muita gente encontra o LoRA pela primeira vez na geração de imagens, onde LoRAs do Stable Diffusion que aprenderam um personagem, estilo ou tema são amplamente compartilhados. O QLoRA combina a quantização, treinando o LoRA sobre uma base 4-bit para ~4x menos memória que o LoRA padrão, permitindo o fine-tuning de modelos enormes em uma GPU de consumo (às vezes CPU) com perda mínima de precisão. Diferentemente do fine-tuning completo (treinar todos os pesos), o LoRA difere nos pesos treinados, no custo, no resultado e no melhor uso; para a maior parte do trabalho, o LoRA basta. Mantenha a base, tempere pouco. Os números são citados de materiais públicos, como orientação.

Um enorme modelo de 70B rodando em um único PC gamer caseiro, em vez de um rack de GPUs de data center, é possível graças à quantização, que reduz a precisão numérica dos pesos do modelo para encolher drasticamente tamanho e memória. Enquanto a destilação transfere conhecimento para um modelo separado e menor, a quantização deixa o mesmo modelo mais leve. Este artigo explica isso com uma analogia de compressão de fotos. A quantização substitui pesos armazenados como decimais FP16/FP32 por inteiros INT8 (8 bits) ou INT4 (4 bits), cortando bytes por peso (FP32=4, INT8=1, INT4=0,5); como comprimir uma foto RAW para JPEG, você sacrifica um pouco de precisão por uma grande redução, e a surpresa é o quão pouco abre mão. Em memória, 4-bit usa cerca de um quarto do FP16: um modelo de 70B cai de ~140GB para ~35GB, e um de 8B em 4-bit fica em ~4.5-5GB, cabendo em uma GPU intermediária de 8GB de VRAM para uso local (a democratização dos LLMs). Em precisão, INT8 é praticamente sem perdas e INT4 degrada abaixo de 4% em perguntas e respostas gerais e senso comum, mas a perda é mais perceptível em matemática, geração de código e raciocínio difícil (aparece como um pequeno aumento na perplexidade), então escolha a precisão em bits pela tarefa. Principais métodos: GPTQ (pioneiro do 4-bit preciso), AWQ (protege os ~1% pesos mais importantes, frequentemente 1-2% mais preciso e rápido), GGUF (formato llama.cpp/Ollama, Q2_K-Q8_0, híbrido CPU+GPU, para uso local) e QLoRA (base de 4-bit mais LoRA para fine-tuning em GPU de consumidor). Difere da destilação (mudar para um modelo separado menor) e do fine-tuning (adicionar conhecimento de tarefa), e as três costumam ser combinadas (quantizar um modelo destilado; fazer fine-tuning sobre uma base quantizada). Para começar, rode um modelo GGUF com o Ollama em um comando, escolha Q4/Q8 pela VRAM e evite INT4 para código ou matemática exata. A maioria dos grandes modelos já vem quantizada, então basta baixar e usar. Mantenha a inteligência, tire apenas o peso. Os números são citados de materiais públicos, indicativos.

Uma IA enorme e de alto desempenho é inteligente, mas pesada e cara; a destilação de modelos (destilação de conhecimento) resolve isso transferindo o conhecimento de um grande modelo professor para um pequeno modelo aluno, mantendo mais de 95% do desempenho do professor com um décimo do tamanho e da velocidade. Este artigo explica o tema com uma analogia professor-aluno. A chave são os soft labels: o treinamento comum só ensina "a resposta é gato" (hard label), enquanto a destilação passa toda a distribuição de probabilidade do professor, como "90% gato, 8% cachorro, 2% raposa", cujo grau de hesitação carrega informações ricas; um parâmetro temperature suaviza as probabilidades para revelar relações sutis (exemplo real: GPT-4o mini destilado a partir do GPT-4o). Benefícios: rápido e barato, ~10x mais compacto mantendo mais de 95% do desempenho, roda na edge e é forte para especialização. Duas abordagens: white-box (acesso total a pesos e representações internas, transferência mais profunda; para seus modelos ou modelos OSS) e black-box (só as saídas/respostas da API visíveis; usar a API de outra empresa como professor pode violar os termos). Difere da quantização (comprimir a precisão dos pesos do mesmo modelo) e do fine-tuning (continuar treinando um modelo existente para uma tarefa) — a destilação move o conhecimento para um modelo pequeno separado, e as três são combináveis. A realidade jurídica/ToS foi um grande tema em 2026: a técnica é legítima, mas OpenAI, Anthropic, Mistral e xAI incluem cláusulas de destilação anticompetitiva que proíbem usar saídas para criar modelos concorrentes, então destilar um concorrente a partir de uma API restrita pode violar os termos. A disputa OpenAI v. DeepSeek (a OpenAI alegou que contas ligadas à DeepSeek burlaram restrições para obter saídas para destilação, enquanto os termos da DeepSeek supostamente permitem destilar suas saídas) mostra que a avaliação depende de quais termos de API se aplicam, e o Claude Fable 5/Mythos 5 supostamente restringe respostas sobre trabalho sinalizado como destilação. Dicas: use seus modelos ou modelos OSS licenciados como professor, verifique as cláusulas antidestilação antes de usar uma API comercial e avalie se o uso configura desenvolvimento de um modelo concorrente. Inteligência do modelo grande, operação do pequeno — mas quem você escolhe como professor muda o resultado técnica e juridicamente. Os números são citados de materiais públicos, em caráter orientativo.

Quando você quer personalizar a IA para a sua própria empresa, o fine-tuning é uma das opções — mas mergulhar nisso sem cuidado sai caro e é fácil errar. Este guia para iniciantes explica o fine-tuning: pegar um modelo base já treinado, treiná-lo ainda mais com dados adaptados ao seu uso e remodelá-lo em um modelo especializado que incorpora "comportamento" (estilo da casa, formato de saída, vocabulário da área) no próprio modelo ao reescrever os seus pesos. O fine-tuning é bom em mudar comportamento, mas ruim em memorizar conhecimento atualizado, então a regra é "fatos e conhecimento → RAG, personalidade e molde → fine-tuning, prompts primeiro". Como notam os especialistas, cerca de 80% dos casos de "precisamos de fine-tuning" são resolvidos com melhor recuperação (RAG) ou prompting, então a ordem importa. O artigo cobre o que é fine-tuning (uma analogia com o treinamento de um novo funcionário), no que ele é bom e ruim, uma tabela comparativa de fine-tuning vs RAG vs prompting, os principais métodos (full fine-tuning, LoRA e QLoRA — quantização de 4-bit leve o suficiente para iniciantes), o que você precisa (mais de 500 exemplos de alta qualidade como referência, com a construção dos dados sendo o trabalho de verdade; custos de $5,000 a mais de $50,000, fine-tuning da OpenAI a cerca de $25–$100 por milhão de tokens de treinamento; ferramentas como OpenAI, Unsloth, Axolotl e Hugging Face) e em que ordem começar. O fine-tuning é o último recurso.