Fabrício Carraro

os agentes 24 horas por dia, ou fazendo várias coisas por você, autonomamente, e também através dos seus pedidos que você vai fazer via Telegram, via WhatsApp. Então, você precisa ter ou uma máquina específica para isso, para rodar, você pode rodar um modelo local, que aí você não tem essa questão de pagar os tokens aí do Cloud,

Só que para rodar um modelo bom local, você vai precisar de uma máquina boa, que é o caso desse daí de um Mac Mini, ou um cluster de Mac Minis, para você conseguir rodar alguma coisa decente minimamente. Só para vocês terem um exemplo, o DeepSeek, o V3.1, ou o R1, que saiu lá atrás, um ano atrás...

Ele tem 671 bilhões de parâmetros. É um modelo... Eu não lembro se ele era a Mixture of Experts lá. Eu acho que era já. Mas enfim, ele tem essa... Ou se era denso? Enfim. Mas é um modelo desse, de 671 bilhões de parâmetros. E pra rodar ele, você precisa de 16 H100 da NVIDIA. Um cluster de 16, que cada uma custa 30 mil dólares. Ou seja, não dá pra brincar usando o DeepSeek de um ano atrás.

Você teria que usar localmente algum modelo específico para isso e bem rápido. Por exemplo, um Gema 3 de R$ 27 bilhões que dá para rodar em uma GPU H100 ou menores ainda, um Lhama de R$ 8 bilhões. Só que aí talvez não vai funcionar tão bem e aí também perde o intuito. Se o negócio não roda bem, você...

modelo capenga, é um agente super capenga aqui. E aí valeria mais a pena você pagar as APIs do Cloud, do Minimax, do Química 2.5, só que aí vai ficar caro. Enfim, tem muitas questões envolvidas nisso daqui, mas esse aqui é um resumão do que aconteceu essa semana e do que tá rolando aí na mídia, no mercado, sobre o antigo CloudBot e Multibot, novo OpenClaw. Se você testar, se você fazer brincadeiras com ele, eu vou querer saber. Deixa um comentário lá na caixinha de comentários do Spotify, por favor.

Outra notícia aqui, rapidinha, é uma boa notícia, na verdade, a XAI finalmente fez uma coisa bacana, que o pessoal lá da Artificial Analysis trouxe que o novo modelo deles, o Grok Imagine, passou e ficou em primeiro lugar nos benchmarks ali de text-to-video, texto-para-vídeo, e também imagem-para-vídeo,

Lá deles, da Artificial Analysis Arena, que era basicamente o LM Arena, só que é uma outra empresa que faz uma coisa similar. Passaram o modelo, o Gen 4.5 da Runway, que estava em primeiro, que a gente tinha comentado recentemente. Estão na frente também do Vio 3, do Vio 3.1 Fast e tudo mais.

O Vio 3.1 normal, ele está ainda em prévia, então não tem a versão oficial, ele está lá em sexto lugar, mas agora esse ficou em primeiro lugar, passando todos os concorrentes, e ele custa ali caro, mas enfim, todos são caros, né, esses de vídeo.

usando a API do GrokMed você consegue gerar ali por 4.20 dólares por minuto, incluindo o áudio, e ainda é mais barato que o Vio 3.1 e que o Sora 2 Pro ali da OpenAI. Novamente, o 4.20 ali, as piadinhas de tiozão do Elon Musk, né?

Isso. E uma última rapidinha aqui. Foi uma notícia que eu fiquei muito feliz de ler essa semana. Não só pelo tema da notícia, mas porque tem amigo nosso lá nessa notícia, envolvido nesse projeto. Se você for olhar, a manchete é Cientistas de Goiás criam IA capaz de ler e interpretar o DNA brasileiro.

E quem que está lá por trás desse projeto é o nosso amigo aqui do podcast, o professor Celso Camilo, da UFG, da CEIA também, o Centro de Excelência em Inteligência Artificial em Goiás, que já participou, que foi entrevistado no papo que a gente teve sobre o GAIA, o modelo que foi treinado com base nos modelos GEMA do Google para ser específico para o português do Brasil. Se você quiser escutar esse episódio, inclusive o link está aqui na descrição,

E isso tem a ver, rima com aquele estudo que eu amo, talvez o meu estudo preferido de 2025, que é o das corujas. Quando eles tentaram fazer o treinamento, o fine tuning de outros modelos, usando apenas dados de números, dados numéricos, que foram gerados por modelos contaminados,

o modelo que foi finiturado também começou a ser contaminado pelo amor de corujas, mas em vez de um amor de corujas pode ser pela vontade de criar bombas atômicas. Então tem a ver tudo isso, essa parte de alinhamento da Antropica, eu sempre falo que é o blog mais interessante que existe nessa área de inteligência artificial. E o segundo e último estudo de hoje, ele se chama ATLAS, que é uma sigla de Adaptive Transfer Scaling Laws, que são as leis de escala transferíveis, ou que são transferidas de uma forma adaptativa.

O que é isso, basicamente? Esse aqui é um estudo do Google, pessoal lá da Google Research, e quando a gente fala de leis de escala, é uma ideia que foi descoberta ali pelo pessoal da OpenAI, inclusive eu comentei no episódio especial que eu fiz sobre o crescimento da OpenAI, e depois foi melhorada pelo pessoal do Google, da Google Research, se não me engano, na época lá que teve o modelo chinchila, eles descobriram

que existe uma lei de escala que quando você tem que aumentar o tamanho da rede neural que vai ser treinada ali, você tem que aumentar também a quantidade de dados que vão ser usados e o poder computacional que vai ser usado ali nesse treinamento. Então, existem essas três coisas que ela tem que mais ou menos crescer de uma forma progressiva e comparativa. Então, se um cresce aqui, o outro tem que crescer lá, senão ele vai ficando capenga em uma área e o poder total, a capacidade total do modelo é piorada.

Só que isso sempre foi feito para inglês, com foco na língua inglesa, que é a língua de lá dos Estados Unidos, onde estavam fazendo esses treinamentos. Só que a maioria das pessoas que usa IA ao redor do mundo não fala inglês e não usa IA em inglês. Então eles tentaram estudar basicamente isso, fazer essa transferência, adaptar isso pensando em outros idiomas, pensando nos idiomas do mundo inteiro e não só no inglês.

como foco dessas leis de escala. Então eles fizeram o maior estudo público já publicado, multilingües, de dados de pré-treinamento multilingüe, com 774 experimentos, modelos grandes, de 10 milhões de parâmetros, que são pequenininhos, até 8 bilhões de parâmetros, que já é um modelo considerado, é um SLM, só que a gente consegue rodar local se você tiver uma máquina boa,

mas para treinamento é uma coisa grandinha, dados em mais de 400 idiomas e a avaliação foi feita em 48 idiomas. E aí, a partir desses resultados, o Atlas, esse benchmark que eles fizeram, esse conjunto de leis, na verdade...

ele vai conseguir fornecer orientações concretas de como escolher o tamanho do modelo, o volume de dados e de como misturar essas línguas no treinamento. Quantos por cento de inglês, quantos por cento de espanhol, de línguas minoritárias também, para maximizar o desempenho em algum idioma-alvo específico, considerando também o custo computacional e a transferência que existe dentro de idiomas. Muito, muito legal, muito interessante esse paper para a galera de pesquisa.

A principal inovação que eles trouxeram daí é mostrar o que eles chamaram de Curse of Multilinguality, que é a maldição do multilinguismo, que essa queda de desempenho que acontece quando você adiciona mais línguas