Na noite passada, o Vale do Silício viveu a batalha dos deuses da IA

Autor: Max, 01 Founder

Editor: Max

Na noite passada, aconteceram três grandes coisas no Vale do Silício.

A Google lançou o Gemini 3.8 Flash, a Meta lançou o Muse Spark 1.3, e uma startup da qual ninguém tinha falado antes, a Mostik, apareceu numa entrevista exclusiva da WIRED.

Se olharmos apenas para as duas primeiras, parece mais uma noite normal de benchmarks de IA.

A Google tinha acabado de colocar o Gemini no topo do DeepSWE e, poucas horas depois, a Meta anunciou resultados ainda melhores. O título de melhor do mundo durou apenas algumas horas.

Em 2026, já estamos quase anestesiados com isto.

Lançam-se modelos, batem-se recordes de benchmark, celebra-se no X durante algumas horas e depois espera-se que a próxima empresa continue a bater recordes.

Mas se juntarmos estas três notícias da noite passada, acho que o que realmente merece atenção não está nessas tabelas.

A economia da IA está a passar por uma mudança radical.

Nos últimos anos, quando falávamos do custo da IA, o número mais comum era o preço por milhão de tokens.

Mas desde que os agentes apareceram, esta forma de medir está a tornar-se cada vez mais insuficiente.

No futuro, a questão importante pode não ser "quanto custa um milhão de tokens", mas sim quanto custa corrigir um bug, concluir uma investigação ou manter um agente a trabalhar durante três horas seguidas.

E na noite passada, o custo da inferência está a diminuir simultaneamente em várias frentes diferentes.

A Google está a colocar capacidades de ponta em modelos cada vez mais baratos, a Meta está a fazer com que os agentes usem menos tokens e menos chamadas de ferramentas para a mesma tarefa, e a Mostik foi ainda mais longe, questionando:

Se ambos os lados da comunicação são IA, porque é que os modelos precisam de comunicar numa linguagem concebida para humanos?

PART.01: O Gemini contra-ataca

Comecemos pela Google.

A Google lançou o seu novo modelo emblemático, o Gemini 3.8 Flash, descrito oficialmente como o seu modelo de raciocínio e código mais poderoso até à data.

É também a terceira atualização da série Flash em seis semanas, passando do 3.6 para o 3.7 e agora para o 3.8.

No passado, a imagem do Flash era simples: mais rápido e mais barato, mas com capacidades inferiores às dos modelos mais potentes.

A Google está agora a mudar gradualmente essa definição.

As melhorias centrais do 3.8 Flash concentram-se em programação de longo prazo e fluxos de trabalho com agentes.

No DeepSWE v1.1, que mede a capacidade de engenharia de software de longo prazo da IA, obteve cerca de 74%.

A grande diferença entre o DeepSWE e os benchmarks de código tradicionais é que não se trata de dar um problema de algoritmo ao modelo, mas de inserir o agente num repositório de código real.

O modelo tem de compreender o problema, procurar código, modificar ficheiros, chamar ferramentas, executar testes e, se falhar, continuar a procurar a causa.

Uma tarefa completa pode durar dezenas ou até centenas de etapas.

Neste teste, o Gemini 3.8 Flash chegou a alcançar o número um mundial.

O Claude Opus 5 também ronda os 74%, o GPT-5.6 Sol cerca de 73% e o anterior líder Fable 5 cerca de 70%.

Se olharmos apenas para as capacidades, já não há uma diferença enorme entre estes modelos de topo.

O número realmente assustador é outro: o dinheiro.

O preço de lançamento da API do Gemini 3.8 Flash mantém-se em 0,75 dólares por 1M de tokens de entrada e 3,75 dólares por 1M de tokens de saída.

Para completar uma tarefa no DeepSWE, o custo médio é de apenas 2,36 dólares.

Em comparação, o Claude Opus 5, com cerca de 74%, tem um custo médio por tarefa de 11,84 dólares; o GPT-5.6 Sol, com cerca de 73%, custa em média 6,46 dólares.

Ou seja, para o mesmo nível de capacidade de engenharia de software, o custo de execução pode variar várias vezes.

Isto será muito importante na era dos agentes.

Na era dos chatbots, a diferença de alguns cêntimos por resposta era impercetível para o utilizador comum.

Mas com agentes é completamente diferente: um agente de codificação pode executar 100 passos seguidos, um agente de investigação pode pesquisar dezenas de páginas e ler centenas de páginas de dados, e no futuro os agentes empresariais poderão trabalhar durante horas seguidas.

A Google chegou a mencionar que o 3.8 Flash, perante tarefas complexas, trabalha mais ativamente, fazendo mais raciocínio e chamadas de ferramentas.

A Google não fez o modelo "pensar menos" para poupar dinheiro; como os tokens já são suficientemente baratos, pode permitir ciclos mais longos.

Por isso, acho que o mais importante do 3.8 Flash não é ter voltado a ser o número um mundial.

É estar a empurrar capacidades que antes só os modelos de ponta mais caros ofereciam para a faixa de preço do Flash.

PART.02: Três horas e meia depois, a Meta contra-atacou

Enquanto a equipa da Google celebrava o lançamento do Gemini 3.8 Flash, a Meta atacou de surpresa.

A Meta lançou subitamente o modelo Muse Spark 1.3.

Segundo as avaliações publicadas pela Meta, o Muse Spark 1.3 atingiu 75,4% no DeepSWE v1.1.

Este valor supera o Gemini 3.8 Flash, o Claude Opus 5 e o GPT-5.6 Sol.

Mais impressionante ainda: o Muse Spark 1.2 tinha apenas cerca de 55% neste teste.

Do 1.2 para o 1.3, uma atualização menor trouxe um salto de cerca de 20 pontos percentuais.

Mas acho que o que realmente merece atenção na Meta não são os 75,4%.

Há outros dois números: cerca de 20% menos chamadas de ferramentas e cerca de 25% menos consumo de tokens.

Isto passa facilmente despercebido, mas está muito próximo da questão mais importante quando os agentes forem realmente comercializados.

Muitas vezes, o maior desperdício de dinheiro de um agente não é o raciocínio normal, mas os desvios.

Por exemplo, um agente de codificação que entende mal os requisitos no passo 20 pode continuar a modificar cinco ficheiros, executar três rondas de testes, pesquisar muito código e só no fim perceber que estava no caminho errado, recomeçando tudo do zero.

Dezenas de chamadas de ferramentas e dezenas de milhares de tokens são desperdiçados.

Portanto, se um modelo conseguir detetar ambiguidades mais cedo, perceber mais cedo que não consegue continuar e perguntar ao utilizador mais cedo, está diretamente a reduzir custos.

Muitas das capacidades reforçadas no Muse Spark 1.3 são deste tipo: consegue manter vários fluxos de trabalho em simultâneo em conversas longas, pergunta ativamente quando a tarefa é ambígua, pede ajuda quando não consegue resolver um problema, confirma antes de operações irreversíveis e, após muitas rondas de execução, tem menos tendência a esquecer as restrições iniciais.

A Meta começou até a destacar o conhecimento que o modelo tem dos seus próprios limites: sabe o que sabe fazer e sabe o que não sabe.

Na era dos chatbots, estas capacidades podiam não ser tão apelativas como um salto de 20 pontos num benchmark, mas na era dos agentes podem ser diretamente convertidas em dinheiro.

Cada erro evitado por um agente é, em si, uma otimização de raciocínio.

Portanto, olhando para a Google e para a Meta em conjunto, a unidade de medida da competição entre grandes modelos está a mudar silenciosamente.

No futuro, poderemos preocupar-nos cada vez menos com "quanto custa um milhão de tokens" e cada vez mais com outro número:

quanto custa executar uma tarefa real do início ao fim.

PART.03: Mostik, um avanço disruptivo

Se a Google e a Meta ainda estudam como concluir tarefas com tokens mais baratos e em menor quantidade, a Mostik começa a abordar uma questão ainda mais fundamental:

Porque é que estes tokens têm de existir?

Mostik significa "ponte" em russo.

A CEO Sasha Malysheva é a principal responsável por esta abordagem, e o cientista-chefe é Stanislav Smirnov, professor da Universidade de Genebra e vencedor da Medalha Fields em 2010.

Estão a tentar fazer algo que parece simples, mas é extremamente difícil: fazer com que dois modelos de IA deixem de comunicar entre si através de linguagem natural.

Hoje, a maioria dos sistemas multiagente funciona assim:

O Modelo A recebe informação, gera centenas ou milhares de tokens e expressa as suas conclusões em linguagem natural; o Modelo B lê todo esse texto, reinterpreta-o, constrói a sua própria representação interna e continua a raciocinar.

Mas o problema é que aquilo em que os grandes modelos realmente calculam não é chinês nem inglês, mas sim:

representações matemáticas contínuas de alta dimensão.

É como se dois computadores pudessem transferir dados diretamente, mas o computador A imprimisse primeiro os ficheiros em centenas de páginas e o computador B usasse uma câmara para fazer OCR página a página.

Toda a gente tem tentado reduzir o custo da impressão; a Mostik quer simplesmente deitar fora a impressora.

Estão a tentar construir uma ponte entre as representações internas de modelos diferentes, para que troquem representações latentes diretamente, em vez de gerarem primeiro linguagem natural.

Uma experiência divulgada pela WIRED, publicação de referência de Silicon Valley, é muito interessante.

A Mostik ligou o GLM-5.2 753B completo a um Qwen 3.5 de apenas 4B, capaz de correr em dispositivos móveis.

O sistema híbrido resultante ficou com capacidades entre os dois modelos, mas com um custo de inferência de apenas 1/20 do GLM-5.2 completo.

Claro que ainda é cedo para dizer que a Mostik resolveu a comunicação entre modelos.

A comunicação latente não apareceu ontem pela primeira vez; nos últimos anos já houve várias investigações a tentar trocar embeddings, hidden states, KV cache e outras representações internas.

A verdadeira dificuldade é que modelos diferentes têm arquiteturas, parâmetros, dados de treino e sistemas de coordenadas internos diferentes. Fazer com que dois modelos compreendam realmente o espaço latente um do outro é, por si só, um problema muito difícil.

O próprio Smirnov admite que ainda falta uma linguagem matemática madura para descrever representações comuns entre modelos diferentes.

Mas o número 1/20 deixou-me muito entusiasmado.

Porque me fez começar a pensar seriamente numa arquitetura de IA futura completamente diferente.

PART.04: No futuro, só precisará de um modelo de alguns décimos de B

Nos últimos dois anos, ao discutir IA no dispositivo, temos tentado enfiar modelos cada vez maiores nos telemóveis: 7B, 4B, 3B, 1B, com destilação, quantização e compressão constantes.

Mas se a abordagem da Mostik realmente funcionar, acho que no futuro o telemóvel poderá não precisar de um modelo grande que "saiba tudo".

O seu dispositivo poderá precisar apenas de um modelo pequeno de 0.xB ou alguns B.

É barato, pode funcionar continuamente, percebe em que aplicação está, o que acabou de fazer e o estado do dispositivo, e trata da maioria das tarefas simples e frequentes.

Quando surgir um problema realmente difícil, chama o modelo grande remoto através de comunicação em espaço latente.

Mas a diferença fundamental é que não precisa de reenviar um contexto de cem mil tokens para a nuvem, como acontece hoje, para o modelo remoto ler tudo do início.

Pode bastar transmitir um estado latente altamente comprimido.

Depois de o modelo grande remoto concluir o raciocínio complexo, também não precisa de gerar milhares de tokens de explicação em linguagem natural para o modelo local; pode simplesmente devolver a nova representação interna.

Assim, o modelo pequeno local trata das tarefas frequentes, baratas e contínuas, o modelo de ponta na nuvem trata apenas do raciocínio pouco frequente mas realmente difícil, e pelo meio existe uma ponte para comunicação eficiente.

Se isto se concretizar no futuro, a redução do custo de inferência poderá ir muito além dos descontos de 30% ou 50% nas APIs atuais.

Poderá mudar a própria forma como organizamos a computação de IA.

PART.05: Conclusão

Olhando para trás, a noite passada pareceu trazer três notícias completamente diferentes.

A Google lançou o Gemini 3.8 Flash, colocando capacidades de ponta na faixa de preço do Flash;

a Meta lançou o Muse Spark 1.3, permitindo que os agentes façam mais com menos tokens e menos chamadas de ferramentas;

e a Mostik foi ainda mais longe, tentando evitar que uma parte dos tokens entre modelos chegue sequer a ser gerada.

Todas apontam para a mesma mudança:

a inteligência está a ficar barata a um ritmo impressionante.

E esta descida de preços já não se limita ao preço unitário das APIs.

O preço dos modelos está a cair, a computação necessária para concluir tarefas está a diminuir e agora até a forma como os modelos trocam informação está a ser redesenhada.

O impacto final disto pode ser muito maior do que mais alguns pontos percentuais num benchmark.

Porque muitas tecnologias não explodem quando "funcionam pela primeira vez", mas quando "finalmente ficam baratas o suficiente para serem usadas à vontade".

Hoje, gastar dezenas de dólares para um agente fazer uma pequena tarefa de uma pessoa comum pode não compensar.

Se no futuro custar apenas alguns cêntimos, muitas aplicações que hoje ninguém consideraria tornam-se subitamente viáveis.

Hoje não podemos ter dezenas de agentes a funcionar 24 horas por dia à volta de uma pessoa, mas se o custo de inferência cair mais uma ou duas ordens de grandeza, isso poderá tornar-se o padrão.

Agora são sete da manhã e eu já devia ter ido dormir há horas.

Depois do lançamento do Gemini, a Meta apareceu horas mais tarde e depois vi a experiência do 1/20 da Mostik.

Quando me deitei, fiquei a pensar nestas coisas: no modelo de 0.xB no telemóvel, no modelo grande na nuvem, e na possibilidade de não precisarem de falar um com o outro em linguagem natural.

Quanto mais pensava, menos sono tinha. Acabei por me levantar e escrever este artigo.

Os 74% do Gemini e os 75,4% do Muse poderão ser ultrapassados por novos números dentro de dias.

Mas agora é difícil acalmar este entusiasmo.

Porque, mais do que saber quem voltou a ser o número um mundial, interessa-me cada vez mais outra questão:

Até que ponto pode ficar barata uma IA tão inteligente?

Quando a inteligência poderosa ficar realmente barata ao ponto de poder ser chamada à vontade, acho que muitos produtos de IA que hoje parecem loucos podem estar apenas a começar.