Panorama da IA open source em julho de 2026
(stateofopensource.ai)- Os modelos com pesos abertos chegaram a um nível parecido com os fechados em codificação, seguimento de instruções e conhecimento geral, e o custo de inferência também caiu 50 vezes em 36 meses, deslocando o centro da competição do modelo em si para os harnesses de agentes
- Em meados de 2026, os pesos abertos já respondiam por mais da metade do throughput de tokens no OpenRouter, e os 5 modelos mais usados também eram todos abertos, mas em raciocínio, recuperação em contexto longo e tarefas de agentes ainda restava uma lacuna média de capacidade de 3,3% em relação aos fechados
- 79% dos desenvolvedores que adicionam recursos de IA usam modelos abertos, mas a taxa de chegada à produção é de 51%, abaixo dos 63% dos fechados, de modo que padronização, ferramentas de implantação e confiabilidade operacional continuam sendo os principais gargalos
- O ecossistema, incluindo Databricks, Mistral AI e DeepSeek, garantiu receita e investimentos em grande escala, e o self-hosting converte custos variáveis por token em custo fixo, mas, à medida que o preço dos modelos cai, a captura de valor migra para camadas superiores como plataformas e harnesses
- A próxima disputa vai depender de quem controla harnesses, memória, permissões de escrita e governança; para manter a abertura, será preciso construir harnesses neutros e padrões portáveis de permissões e evitar dependência de modelos, fornecedores ou países específicos
IA própria, não alugada
- A IA aberta permite que os usuários tenham posse direta dos modelos e dos dados em áreas difíceis de “alugar” por meio de APIs fechadas, como idiomas com pouco mercado, serviços locais offline, hardware próprio e infraestrutura pública
- Uma emissora Māori no norte da Nova Zelândia treinou um modelo de voz em te reo com uma licença que mantém os dados dentro da comunidade
- A PwC ajusta um modelo aberto para a linguagem financeira e o opera em hardware próprio para centenas de clientes, sem pagar por token
- Pesquisadores de Lausanne criaram um modelo médico aberto alinhado à Red Cross e a diretrizes humanitárias, e preparam testes clínicos em seu país e na Tanzânia
- Agricultores da África Oriental executam em seus celulares um modelo offline de diagnóstico de doenças da mandioca em plantações sem acesso à nuvem
- Um consórcio público da Suíça treinou um modelo nacional em um supercomputador público e divulgou pesos, dados e código de treinamento
- Assim como a Mozilla surgiu para impedir que uma única empresa monopolizasse o portal da web, a IA também precisa de concorrência, interoperabilidade e liberdade para trocar de fornecedor
- O objetivo não é escolher um único modelo, e sim criar uma estrutura que conecte vários modelos de forma padronizada e permita mudar de fornecedor a qualquer momento
Capacidade e uso de pesos abertos
- No Chatbot Arena, a diferença entre modelos abertos e fechados encolheu de 8,04% para 0,5% desde janeiro de 2024, antes de voltar a subir para 3,3% em março de 2026
- Em agosto de 2024, a diferença caiu para 0,5%, e em fevereiro de 2025 o DeepSeek-R1 chegou temporariamente a empatar com o melhor modelo dos EUA
- Com os modelos fechados de raciocínio assumindo a dianteira, a diferença média voltou a crescer, mas os modelos abertos estão no mesmo nível ou próximos em codificação, seguimento de instruções e conhecimento geral
- A lacuna restante se concentra em raciocínio, recuperação em contexto longo e tarefas de agentes
- O preço de inferência por 1 milhão de tokens de um modelo do nível do GPT-4 caiu 50 vezes, de 20 dólares para 0,40 dólar, ao longo de 36 meses
- A Stanford HAI calculou que os preços do nível GPT-3.5 caíram 280 vezes em 18 meses
- A Epoch AI estima quedas anuais de 9 a 900 vezes, e um estudo do MIT de novembro de 2025 estima que os preços de ponta, ajustados pelo efeito do hardware, caem de 5 a 10 vezes por ano
- No OpenRouter, a participação dos pesos abertos no volume de tokens cresceu de um nível mínimo para cerca de um terço no fim de 2025 e para mais da metade em meados de 2026
- Isso representa uma vantagem em throughput de tokens; em número de requisições, fornecedores fechados dos EUA ainda seguem na frente
- O uso de modelos abertos se concentra em workloads de codificação e agentes
- No último mês, os 5 modelos com maior throughput no OpenRouter eram todos de pesos abertos
- A ordem é DeepSeek V4 Flash 18.4T, Xiaomi MiMo-V2.5 14.9T, Tencent Hy3 preview 14.8T, MiniMax M3 14.3T e Owl Alpha 11T, de origem não divulgada
- Na sequência vêm Anthropic Claude Opus 4.7 9.02T, DeepSeek V4 Pro 8.55T, Claude Sonnet 4.6 7.33T, Claude Opus 4.8 6.18T e DeepSeek V3.2 4.31T
- Em meados de 2026, o throughput semanal dos 9 principais modelos era de cerca de 18T para modelos chineses e cerca de 5,5T para modelos dos EUA, mais de 3 para 1; desenvolvedores que fazem roteamento com base em custo tendem a escolher pesos abertos
Alta adoção e baixa conversão para produção
- Na pesquisa com desenvolvedores de 2026 da Mozilla e da SlashData, 79% dos desenvolvedores que adicionam recursos de IA usam modelos abertos, e 71% usam modelos fechados
- 29% usam apenas modelos abertos, e 21% usam apenas modelos fechados
- Metade, ou 50%, usa os dois tipos juntos, então os dois não são substitutos perfeitos para a maioria das equipes
- A taxa de adoção de modelos abertos é mais alta na Grande China e no Leste Asiático, com 89% em cada um, seguidos por Europa Ocidental com 70% e América do Sul com 66%
- As únicas regiões em que a adoção de modelos fechados supera a de abertos são a Europa Ocidental e a América do Sul
- A taxa de chegada à produção ainda mostra diferença: 51% para equipes com modelos abertos e 63% para equipes com modelos fechados
- Em pequenas empresas, os números são 54% para fechados e 53% para abertos
- Em empresas de médio porte, 66% e 55%, respectivamente; em empresas com 1.001 funcionários ou mais, 73% e 57%
- À medida que o tamanho da organização cresce, a taxa de implantação dos fechados sobe de 54% para 73%, enquanto a dos abertos quase não muda, de 53% para 57%, mostrando que só os recursos corporativos não resolvem o gargalo de implantação dos abertos
- As maiores diferenças entre desenvolvedores que abandonaram modelos abertos e os que continuam usando são insuficiência de desempenho do modelo +12 p.p., integração com sistemas existentes +11 p.p. e manutenção e atualização +10 p.p.
- Falta de documentação, implantação, hospedagem e escalabilidade, além de avaliação e comparação de modelos, ficam em +8 p.p. cada
- Fine-tuning e customização ficam em +4 p.p.; não há diferença em custo de infraestrutura nem em segurança, privacidade e conformidade regulatória, e falta de suporte especializado aparece em -2 p.p.
- Os fatores que levam ao abandono se concentram mais em integração, operação e manutenção do que em capacidade pura do modelo
- Ao analisar por região 1.410 desenvolvedores atuais ou antigos de modelos abertos, os principais obstáculos no total são custo de infraestrutura e computação 27%, segurança, privacidade e conformidade regulatória 26%, manutenção 24%, implantação, hospedagem e escalabilidade 23% e falta de suporte especializado 22%
- No Sul da Ásia, segurança e conformidade regulatória chegam a 39%, e suporte especializado a 31%, ambos particularmente altos
- Apenas a América do Norte, com 21%, e a Grande China, com 16%, tiveram mais de 15% de respostas dizendo não haver problemas significativos
- A amostra da Oceania, com 39 pessoas, e a da Europa Oriental e CEI, com 98, são menores do que o limiar considerado confiável
Lacuna operacional da stack aberta de IA
- O mapa da stack de junho de 2026 da Mozilla avalia 9 camadas, 48 componentes e 1.361 projetos com notas de 1 a 5 em 10 critérios de maturidade
- A capacidade em si é alta, mas em quase todas as camadas e componentes os níveis mais baixos aparecem em padronização e prontidão para operação corporativa
- O gargalo comum da stack aberta não é a qualidade do modelo, e sim padronização e prontidão para operação corporativa; ferramentas de implantação, integração, suporte e governança ainda não estão maduras
Estrutura de custos e viabilidade de negócios da IA open source
- A IA de pesos abertos cresceu e se tornou um mercado comercial de centenas de bilhões de dólares, e os cinco modelos de receita comprovados são inferência hospedada, plataformas empresariais, licenciamento on-premises, serviços de fine-tuning e ferramentas de harness
- As principais empresas avançam em investimento, receita e preparação para abertura de capital
- A Databricks ultrapassou US$ 5,4 bilhões em receita anualizada e ainda está em fase pré-IPO
- A DeepSeek registra cerca de US$ 220 milhões em receita recorrente anual (ARR), US$ 7,4 bilhões em investimentos públicos e avaliação acima de US$ 50 bilhões
- A Mistral AI cresceu 20 vezes em 12 meses e chegou a cerca de US$ 400 milhões de ARR; seus investimentos públicos somam US$ 3,05 bilhões, sua avaliação é de cerca de US$ 14 bilhões, e também negocia um aporte na faixa de 20 bilhões de euros
- A Moonshot AI levantou US$ 3,9 bilhões; Reflection AI e Cerebras, cerca de US$ 2,1 bilhões cada; Cohere, US$ 1,7 bilhão; e Together AI, US$ 1,334 bilhão
- Baseten garantiu US$ 585 milhões em investimentos públicos; Black Forest Labs, US$ 450 milhões; Hugging Face, US$ 400 milhões; Modular, US$ 380 milhões; Fireworks AI, US$ 327 milhões; Anyscale, US$ 281 milhões; LangChain, US$ 260 milhões; e Stability AI, US$ 230 milhões
- Zhipu AI e MiniMax não divulgaram o total de investimentos públicos e abriram capital por meio de IPO em Hong Kong em 2026
- Nvidia, Salesforce, AMD, Google, IBM, ASML, Tencent, CATL e Schwarz Group também apoiam empresas das camadas de modelos, inferência e ferramentas
- A Cohere opera negócios corporativos e on-premises e, em maio de 2026, lançou o Command A+ como open source; a LangChain registrou mais de 126.000 estrelas no GitHub e participação de 60% entre desenvolvedores
- Em uso em larga escala, a cobrança por token dos modelos fechados acaba virando um problema de orçamento
- A Microsoft cancelou a maior parte das licenças do Claude Code até 30 de junho de 2026, depois que as taxas por token consumiram em poucos meses o orçamento anual de IA, e passou a avaliar o DeepSeek V4 hospedado no Azure com segurança reforçada para cargas pesadas do Copilot
- A Uber esgotou todo o orçamento de IA para programação de 2026 em quatro meses e depois limitou o gasto mensal a US$ 1.500 por ferramenta e por funcionário
- A Stripe atende 50 milhões de chamadas de API por dia com modelos abertos no vLLM usando um terço da quantidade anterior de GPUs e reduziu os custos de inferência em 73%
- O self-hosting de pesos abertos transforma custos operacionais variáveis controlados pelo fornecedor em custos fixos sob propriedade da empresa
- Entre maio e setembro de 2025, os modelos abertos representaram cerca de 20% do uso no OpenRouter, mas ficaram com apenas cerca de 4% da receita da camada de modelos
- Em capacidade semelhante, o preço por chamada dos modelos fechados era cerca de 6 vezes maior
- O estudo Nagle–Yue, da Linux Foundation, estima que essa diferença de preço representa cerca de US$ 24,8 bilhões por ano em economia potencial não realizada
- Mesmo com o aumento do uso de modelos abertos, se a camada de modelos virar commodity, a receita se acumula nas camadas superiores, como plataformas e harnesses
Soberania nacional e possibilidade de saída do fornecedor
- Com mais de 70 estratégias nacionais de IA em vigor, o foco das políticas deixou de ser se um país tem ou não uma estratégia nacional e passou a ser qual camada da stack ele consegue possuir
- O caso em que a Anthropic bloqueou o acesso de estrangeiros no mundo todo por ordem de exportação de um governo, três dias após o lançamento do Claude Fable 5 em junho de 2026, expôs o alcance do controle do fornecedor
- Como a conformidade seletiva era impossível, às 17h21 de uma sexta-feira todos os modelos dos alvos foram interrompidos, e os usuários que dependiam deles foram afetados sem aviso prévio
- O fornecedor pode desligar modelos hospedados, mas não pode desligar remotamente cópias dos pesos em execução em equipamentos que pertencem ao usuário
- Para empresas, pesos salvos em disco são uma forma de mitigação de risco; para países, isso marca a diferença entre política independente e depender de autorização externa
- A dependência de fornecedor na era da nuvem já mostrou custos elevados de saída
- O custo para retirar 1 PB do AWS S3 é de US$ 90 mil a US$ 120 mil
- 80% das empresas estão trazendo workloads de volta para seus próprios ambientes
- A 37signals saiu da nuvem e reduziu o custo anual de US$ 3,2 milhões para menos de US$ 1 milhão
- Os custos de nuvem da GEICO ficaram 2,5 vezes acima do planejado
- Sistemas construídos sobre APIs proprietárias também acabam aceitando integralmente mudanças de preço e têm dificuldade para sair de forma limpa; por isso, pesos abertos oferecem o direito de deixar o fornecedor
- Em março de 2026, os downloads acumulados no Hugging Face chegaram a 942 milhões para o Alibaba Qwen e 476 milhões para o Meta Llama, tornando a China a maior fornecedora de pesos abertos
- Em fevereiro de 2026, o Qwen foi mais baixado do que as oito organizações seguintes somadas
- A participação dos tokens de modelos chineses de pesos abertos no OpenRouter subiu de menos de 2% no fim de 2024 para mais de 45% do tráfego semanal em abril de 2026, e ficou em cerca de 61% entre os 10 modelos mais usados
- A DeepSeek tem mais de 26.000 contas corporativas, e 58% das startups de IA criadas em 2025 a incluíram em sua stack, mas pelo menos 8 jurisdições restringem seus serviços hospedados
- As empresas conciliam as duas decisões ao proibir apps hospedados e, ao mesmo tempo, usar os pesos com self-hosting ou por endpoints ocidentais
- A disseminação do open source da China é uma política incluída na AI Plus Initiative do State Council em agosto de 2025 e no Five-Year Plan nacional de março de 2026
- Pesos públicos também servem para responder aos controles de exportação de semicondutores e para distribuir a carga de inferência para o hardware local de usuários no mundo todo
- No Sul Global, há demanda por diversificar fornecedores e escapar do monopólio tecnológico dos EUA; em outras regiões, o principal motivador é o custo
Os harnesses de agentes se tornaram uma nova camada competitiva
- Assim como o navegador era o agente do usuário da web aberta que negociava com servidores em nome do usuário, o harness de agentes sobre o modelo passa a cuidar de orquestração, ferramentas, memória, sandbox e permissões
- A pilha de harnesses é composta por várias camadas, do modelo até o usuário e a governança
- Camada de controle: LangGraph, CrewAI, AutoGen e LlamaIndex transformam o modelo em agente com um loop iterativo de raciocínio e ação
- Camada de conexão: MCP cuida de ferramentas e contexto, A2A da comunicação entre agentes, e Mem0, Letta e Zep da memória
- Camada de ação: E2B, Daytona e Modal oferecem sandbox e execução, enquanto permissões e identidade ainda seguem como uma área de escrita não resolvida
- Camada de avaliação e observabilidade: Langfuse e Phoenix rastreiam resultados de execução e comportamento
- Camada de usuário e pagamentos: AG-UI e A2UI cuidam da interface, enquanto x402, AP2 e UCP ficam com pagamento e medição
- Camada de governança: Meta-harness, Omnigent, OPA e Agent governance toolkit integram políticas baseadas em estado, registro, linhagem, orçamento e cancelamento entre vários harnesses
- O MCP chegou, no primeiro ano, a 97M de downloads mensais de SDK e mais de 10.000 servidores ativos, cresceu 4.750% em 16 meses e foi doado em dezembro de 2025 à Agentic AI Foundation da Linux Foundation
- Entre as empresas, apenas cerca de 21% têm governança de agentes madura, o que mostra que a adoção avança mais rápido que os mecanismos de controle
-
Integração vertical entre modelos e harnesses
- No Terminal-Bench 2.0, em maio de 2026, um harness de terceiros marcou 79,8% com os mesmos pesos da Anthropic, ficando 21,8 p.p. à frente dos 58,0% do Claude Code
- Oito semanas depois, no Terminal-Bench 2.1, o ranking se inverteu quando os laboratórios internalizaram o harness
- A combinação Codex CLI com GPT-5.5 registrou 83,4%, e Claude Code com Claude 5 Fable marcou 83,1%
- O melhor harness independente usando o mesmo Fable 5 ficou em 80,4%, reduzindo a diferença no topo para cerca de 3 p.p.
- Em todos os modelos comparáveis, os harnesses dos próprios laboratórios superaram os independentes
- Quando modelo e harness são otimizados juntos, o desempenho sobe, mas trocar por outro modelo reduz o resultado, criando dependência como subproduto da otimização
- Os modelos abertos não aparecem no topo da validação oficial do Terminal-Bench 2.1 porque não há um harness primário para responder a isso
- Em comparação num harness neutro, Claude Opus 4.8 marcou 71,9% a US$ 2,41 por tarefa, Opus 4.7 ficou em 68,5% a US$ 1,98, e o modelo aberto GLM 5.2 registrou 67,8% a US$ 0,43
- O modelo aberto fica pouco abaixo do Opus 4.7 e cerca de 4 p.p. atrás do Opus 4.8, mas custa aproximadamente um quinto
- Os dados de uso real gerados em harnesses dos laboratórios criam um flywheel de dados que retroalimenta o próximo modelo, e quem possui a própria stack pode reter diretamente esses mesmos dados
-
Permissões de escrita ainda não resolvidas
- Leitura é reversível, como consulta a documentos, consultas a banco de dados e listas de agenda, e os resultados são relativamente pequenos, então pode ser permitida por padrão
- Escrita, como envio de mensagens, execução de orçamento, modificação de registros e execução de transações, tem custo alto ou é irreversível, então confirmação, limiares de aprovação, limites de custo e recursos de cancelamento precisam se concentrar aí
- Existem cerca de 12 frameworks, 10 harnesses e 3 protocolos entre pares, mas não há um modelo portátil de permissões de escrita que atravesse hosts MCP, pares A2A, chamadas diretas de ferramentas e fronteiras entre frameworks
- A especificação MCP 2025-11-25 migrou a autenticação para OAuth 2.1, e o A2A v1.0 padronizou o Agent Card assinado, mas ambos param na autenticação de identidade
- Mesmo confirmando a identidade, isso não determina o que o agente pode executar
- O modelo de ameaças MCP da CoSAI classifica a fadiga de consentimento, em que usuários aprovam distraidamente a maior parte dos pedidos de autorização, como a principal ameaça
- Meta-harnesses como o Omnigent open source da Databricks rastreiam o estado da sessão e controlam a próxima escrita, em vez de depender de filtros de prompt de agentes individuais
- Depois de baixar um pacote não verificado e tentar fazer push de código, por exemplo, pode-se exigir aprovação humana
- Também é possível aplicar um teto de custos que pausa a sessão ao atingir um valor definido
- A camada que controla a área de escrita sobre vários harnesses é o ponto onde um modelo sustentável de permissões pode se formar
-
Segurança e a vantagem remanescente dos modelos fechados
- Filtragem, monitoramento e cancelamento não dependem de pesos fechados, mas são funções da camada de serviço e de harness, e também podem ser aplicadas a modelos abertos em self-hosting
- Em 2025, sistemas fechados de Anthropic, Microsoft, ServiceNow e Salesforce também tiveram vulnerabilidades de privilégio com CVSS 9,3 a 9,4
- A NTIA analisou se o governo dos EUA deveria restringir pesos abertos e, ao fim, recomendou monitoramento em vez de restrições
- Os sistemas fechados ainda mantêm vantagem em quatro áreas
- harness integrado e o flywheel de dados por trás dele
- a diferença entre os 89% do Gemini 3 em busca de múltiplas agulhas em contexto longo de 1 milhão de tokens e os 41% do DeepSeek V4-Pro
- conformidade regulatória pronta para uso, com SOC 2, HIPAA e não retenção de dados incluídos por padrão
- uma contraparte contratual que o cliente pode responsabilizar
- Conformidade e responsabilização são um problema contratual, harness integrado é um problema de ferramentas, e fidelidade em contexto longo é um problema de modelo que os laboratórios abertos precisam resolver diretamente
Cinco investimentos para manter a abertura
- Construir harnesses abertos: é preciso criar harnesses genéricos ou setoriais coconcebidos com pesos abertos, como Codex e GPT-5.5
- Este é o momento para construir antes que laboratórios fechados combinem totalmente modelo e harness em um único produto alugado
- Possuir a memória: à medida que o preço dos pesos se aproxima de zero, o modelo vira um componente substituível e a memória com contexto acumulado se torna um ativo que cresce em juros compostos
- Ela deve ser armazenada atrás do próprio firewall em um formato portátil e append-only, porque, depois que o acesso acaba, não é possível restaurar anos de contexto
- Resolver permissões portáteis: é preciso um padrão que diferencie escrita permitida sem supervisão, escrita com aprovação humana e escrita proibida ao longo de MCP, A2A, chamadas diretas de ferramentas e fronteiras entre frameworks
- Se um padrão aberto não surgir enquanto políticas de escrita baseadas em estado de meta-harnesses estão se formando, plataformas fechadas definirão as regras
- Sair do pay-per-token: é preciso comparar diretamente modelos fechados e abertos, manter um segundo modelo de prontidão atrás de uma interface aberta e fazer self-hosting onde a carga for previsível
- Espera-se que os preços iniciais terminem por volta de 2027–2028, após listagem de fornecedores e esgotamento de descontos, então é preciso montar uma fonte dupla enquanto mudar ainda é fácil e barato
- Definir múltiplos fornecedores como padrão: se o ecossistema se concentrar em um único fornecedor aberto, fica difícil tratá-lo como um recurso comum
- 47 países restringem o processamento de dados no exterior, e mais de 70 estratégias nacionais estão em vigor
- A Europa investe no EUROPA, o Canadá separou US$ 890 milhões, e a Índia designou 38.231 GPUs
- Se o financiamento público não sustentar o desenvolvimento de longo prazo, até o ecossistema aberto pode convergir para uma fonte única
Sinais que precisam continuar sendo acompanhados
- Capacidade e adoção: é preciso acompanhar a lacuna de capacidade de 3,3%, se há empate em coding, a diferença em raciocínio e agentes, e a participação dos tokens de agentic coding no OpenRouter
- Se a participação de tokens abertos estagnar e a lacuna em raciocínio aumentar, a tendência atual se inverte
- Harness: a diferença no Terminal-Bench entre harnesses de propriedade dos laboratórios e harnesses independentes, a governança de MCP e A2A sob a AAIF, e uma especificação de permissões portável que ainda não existe são pontos centrais
- Se a vantagem dos harnesses dos laboratórios aumentar ou plataformas fechadas definirem primeiro o padrão de permissões, a camada aberta enfraquece
- Estrutura de mercado: é preciso observar em conjunto ARR, investimentos, os IPOs da Zhipu e da MiniMax, o ponto de inflexão dos preços por uso em 2027–2028 e os investimentos estatais em computação soberana
- Se o financiamento estatal secar ou a viabilidade econômica dos laboratórios abertos não ganhar escala, ficará difícil formar um mercado sustentável
- Confiança e segurança: é preciso acompanhar a capacidade de uso indevido de open weights, a facilidade de remover fine-tuning de segurança, CSAM sintético e imagens íntimas não consensuais (NCII), além da política da NTIA de monitoramento em vez de restrições
- Incidentes graves de uso indevido ou uma mudança de política para foco em restrições podem alterar o ambiente de distribuição aberta
- Quando os atores responsáveis por abertura, portabilidade e distribuição ampla no processo de tomada de decisão em IA alcançarem status equivalente, o mercado passará de um modelo de aluguel de modelos para um modelo de propriedade direta
2 comentários
Parece que estão voltando para a Loop Engineering de novo.
Comentários do Hacker News
Modelos abertos podem acabar derrubando a Anthropic e a OpenAI. Operadores de nuvem em megaescala podem rodar modelos sem custos de licença, e a Apple pode reduzir os modelos para executá-los diretamente no dispositivo
Modelos de ponta são uma vantagem competitiva, mas também um passivo. O custo de treino é astronômico, mas se o desenvolvimento parar, o modelo é esquecido, e acaba-se dependendo de marketing para sustentar a crença de que cada modelo é significativamente diferente. Agora, é legítimo duvidar se há mesmo grandes diferenças entre os modelos, e parece que o elemento central para tornar modelos aleatórios e propensos a alucinações em algo determinístico e útil é o framework de execução
Se as condições de mercado mudarem, eles podem voltar a fechar tudo, como a Meta, e, se os custos de treino continuarem subindo, também é duvidoso se a estratégia de pesos abertos é financeiramente sustentável
Ainda assim, grandes organizações precisam colocar muito dinheiro e recursos computacionais e abrir mão de receita, e é difícil imaginar esse tipo de generosidade durando para sempre. A questão é o que quebra primeiro: o modelo de negócios dos modelos de ponta ou o investimento sem retorno dos perseguidores rápidos
Parece uma dinâmica em que o fracasso é inevitável se não se alcançar uma superinteligência autoaperfeiçoável. Se a superinteligência for alcançada, os modelos de ponta vão disparar à frente com crescimento exponencial mais rápido; caso contrário, os perseguidores rápidos vão esmagar os investimentos gigantescos e a capacidade de defesa desaparece. É parecido com a situação em semicondutores em que o silício, impulsionado pela Lei de Moore, não foi alcançado pelo GaAs, e também é difícil impor copyright
Mesmo usando B300 a um preço alto de 5 dólares por hora e assumindo MFU de 50%, isso dá cerca de 15 milhões de dólares. Há risco de falha no treino e custos de treinamento posterior, mas, comparado ao gasto posterior com inferência, não é uma escala tão absurda assim
Exatamente 4 meses atrás, a participação de mercado no OpenRouter era 60% de modelos fechados e 40% de modelos abertos, mas agora os modelos abertos chegaram a 63%, invertendo a situação. Em 19 de março, o volume total processado pelos modelos abertos era de 888 bilhões de tokens, e ontem foi de 4,19 trilhões de tokens, um crescimento de 5 vezes em cerca de 4 meses
Também foi criado um dashboard atualizado diariamente com base nos dados do OpenRouter: https://dirac.run/labs-market-share
Ainda assim, é muito interessante ver o crescimento do uso de modelos abertos no OpenRouter
Se alguém discorda, eu gostaria de saber que defesas essas empresas realmente têm. Vejo os gastos enormes da OpenAI e da Anthropic e, mesmo assim, não consigo enxergar nenhuma defesa concreta, o que é frustrante
Claro, este texto tem um estilo claramente gerado por LLM: https://www.pangram.com/history/29a71663-e6b2-4db6-87bd-b943...
Fico curioso sobre por que executivos colocam o próprio nome em textos assim. Talvez pareça uma continuação natural do costume de assinar rascunhos escritos por assistentes ou comunicados produzidos pela equipe de PR
Acho que ajudaria a cultura da comunidade se o HN rodasse o Pangram automaticamente em textos centrados em texto, ou pelo menos nos que chegam à primeira página. Eu uso um plugin de navegador, mas vendo os comentários, parece que há gente que nem percebe que o texto foi gerado por IA
Em vez de cada leitor verificar de forma esporádica, é melhor que sites agregadores de conteúdo automatizem a checagem de IA. Recentemente implementei verificação automática com Pangram no Manifund, e até onde sei o LessWrong já usa esse recurso há algum tempo
Este material de apresentação é doloroso de ler. Há gráficos demais que quase não se conectam com o texto ao redor, e parece um slide de CTO imaginado por LLM. Mesmo assim, como tem cara de slide de CTO, aparentemente é visto como algo de ‘HIGH IMPACT’
Teria sido muito melhor se o CTO da Mozilla tivesse explicado sua análise diretamente e com clareza
Em geral sou favorável à disseminação de modelos abertos, então queria levar isso a sério, mas os sinais de texto escrito por IA são claros demais, o que dificulta. Parece que demitiram as pessoas que antes escreviam esse tipo de texto
Não digo isso só para zombar; acho que um estilo de IA tão facilmente reconhecível afasta imediatamente parte dos leitores, prejudica o argumento do texto e acaba tendo efeito contrário
“A Mozilla existe porque uma empresa tentou monopolizar a porta de entrada da web, e a comunidade aberta se levantou para impedir isso”, mas olhando a participação atual do Firefox, a porta de entrada da web está, na prática, nas mãos de Google e Apple
Pode até ser suficiente imaginar um futuro em que alguns poucos modelos abertos contenham os desvios do restante do ecossistema, mas não parece ser esse o argumento que este texto faz
Depois, outra empresa usou sua posição de mercado para disseminar um navegador gratuito e derrubar a participação do Firefox, mas continua pagando a Mozilla para não parecer um monopólio
Impressiona como a Mozilla faz de tudo para acompanhar a última moda, mas não cria um navegador de privacidade de verdade para desenvolvedores e usuários avançados
Também passei a concordar com a estratégia de IA da Mozilla. Em vez de criar seus próprios modelos ou vender conteúdo de IA de baixa qualidade, ela está construindo uma camada de compatibilidade open source, então a abordagem não parece irrealista
Não quero um mundo em que a IA fique verticalmente subordinada, e se a Mozilla realmente conseguir reproduzir sua estratégia passada em IA open source, isso será bom para todos
Recentemente passei a gostar muito do Zen, mas mesmo depois de dois meses de uso o recurso de abas fixadas ainda é um pouco confuso: https://zen-browser.app/
A versão em PDF é mais fácil de ler: https://stateofopensource.ai/state-of-open-source-ai-2026.pd...
É lamentável não ver praticamente nenhuma comunidade em torno de modelos realmente abertos que publiquem junto os dados de origem e a metodologia de treinamento, para que de fato possam ser reproduzidos por quem tiver recursos. Deixaram o significado do termo “aberto” se diluir de forma impressionante
O design e a diagramação dificultam a leitura sem necessidade, mas é realmente impressionante ver o custo de inferência cair quase 50 vezes. Pelo anúncio do Kimi K3, os modelos abertos já estão chegando muito perto do estado da arte
A IA open source está avançando muito mais rápido do que Anthropic e OpenAI previam