Outras Ferramentas IA: Análises e Comparações

Jev é o modelo de IA da TypeSafe que retorna opções, pontuações e probabilidades de Sim/Não em vez de gerar texto. Explicamos as diferenças entre Choice, Score e Noul, o significado de confidence e a estrutura de uma solicitação de API para encaminhar casos de suporte. A garantia de tipo não garante decisões corretas. O guia apresenta limitações documentadas em cálculos, datas e entradas enganosas, além dos preços, dos dois limites de entrada e da avaliação antes do uso em português. Baseia-se em fontes oficiais, não em testes práticos de desempenho da API.

A pergunta “a IA vai tomar meu trabalho?” já não serve para esta história. A análise de Siddiq e Zhang, da UCLA Anderson, que acompanhou 49,610 profissionais e 2.26 milhões de contratos da Upwork de janeiro de 2021 a março de 2026, mostrou não a existência ou não de trabalho, mas a mudança na forma de ser escolhido. O peso dos sinais de capital humano (certificações, trajetória, apresentação pessoal) caiu 7.8%, o peso do preço subiu 1.1% e o número de contratos caiu 7.0%. E nos últimos 4 trimestres (do 2º trimestre de 2025 ao 1º trimestre de 2026) a demanda cai 9.6%, o peso do capital humano cai 10.1% e o peso do preço sobe 1.8% — uma tendência em curso que o próprio artigo descreve como algo que “não se limita ao período logo após o lançamento do ChatGPT, mas continua depois disso”. Certificações verificadas, histórico profissional, portfólio e avaliações de clientes perderam poder de prever quem fecha contrato. E, no mesmo período, um movimento em direção exatamente oposta está acontecendo. Segundo o Future Workforce Index 2026 da Upwork, a proporção de freelancers entre os trabalhadores do conhecimento qualificados dos EUA subiu de 28% em 2025 para 38% em 2026, e 58% dos assalariados consideram migrar. Em um mercado para o qual as pessoas estão migrando, os sinais de diferenciação deixaram de funcionar — a pressão que esmaga a faixa intermediária vem ao mesmo tempo do lado da demanda e do lado da oferta. O artigo trata ainda de 2 paradoxos. O primeiro: na análise do Stanford Digital Economy Lab, os assalariados de 22 a 25 anos em ocupações expostas à IA estão cerca de 19% abaixo, sem diferença equivalente entre os experientes, enquanto no estudo da Organization Science a queda foi maior justamente entre os freelancers mais experientes. A diferença que pesa é que a empresa contrata um papel e o cliente compra um entregável. O segundo: no estudo de Demirci e colegas as vagas mais automatizáveis caíram 21%, mas os projetos que restaram ficaram mais complexos e mais bem pagos — não foi o trabalho que sumiu, foi o meio. Também estão aqui as objeções (a alta dos juros, o mercado de baixa contratação e baixa demissão) e as ressalvas da própria Stanford, que escreve que a causalidade “ainda não pode ser respondida de forma definitiva” e que “parte do momento dessa queda se deve a fatores que não são a IA”. Por fim, 3 previsões com condições de erro explícitas e um capítulo de táticas assumidamente especulativo.

Fazer um modelo que roda no seu próprio PC escrever código deixou de ser apenas autocompletar: entre o fim de 2025 e 2026, os modelos abertos alcançaram a programação em modo agente, e os próprios desenvolvedores passaram a citar as extensões de editor pelo nome. Este artigo organiza, usando apenas fontes primárias, até onde dá para chegar hoje e onde as coisas travam. O ponto central é uma armadilha silenciosa: o tamanho de contexto padrão do Ollama não é fixo, ele é decidido pela VRAM, e um PC gamer comum cai na faixa de 4k, o que faz o agente esquecer instruções, repetir operações e perder o objetivo sem nunca exibir um erro. A recomendação oficial para uso em programação é de 64000 tokens ou mais, mas aumentar esse valor também aumenta a memória necessária, então a verificação com ollama ps é obrigatória. O texto separa Continue de Cline, que são ferramentas de filosofias opostas, compara Qwen3.6-35B-A3B e Devstral Small 2 com as pontuações divulgadas pelos próprios fabricantes, indica o que é realista em cada faixa de VRAM, mostra por que a comparação percentual com a nuvem deixou de fazer sentido agora que a fronteira abandonou o SWE-bench Verified, e desmonta a ideia de que o local é de graça: o que muda é o formato do custo, e a resposta se inverte conforme você já tenha ou não o equipamento.

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.