A nova corrida dos modelos abertos mudou o poder na IA

Durante muito tempo, “modelo aberto” parecia sinônimo de uma alternativa menor aos laboratórios de fronteira. Em 2026, essa imagem ficou velha. MiniMax M3, Qwen3.6, Kimi K3 e DeepSeek V4 disputam o território que mais interessa às empresas: contexto longo, raciocínio, programação, multimodalidade, agentes e custo de inferência.

A mudança não é apenas técnica. Quando os pesos podem ser baixados, avaliados e executados em infraestrutura própria, o comprador ganha opções de implantação, privacidade e negociação. Mas abertura não é uma palavra binária. Há licenças permissivas, licenças customizadas, pesos disponíveis sem dados de treinamento e modelos que exigem autorização comercial em certas condições.

Este artigo separa capacidade, licença e infraestrutura com data de corte em 4 de agosto de 2026. A tese é simples: os modelos abertos já redistribuem poder na inteligência artificial, mas ainda não democratizam, sozinhos, o compute, a transparência nem a responsabilidade.

Panorama comparativo em 4 de agosto de 2026

Os números vêm dos model cards e repositórios oficiais. Eles não tornam as famílias diretamente comparáveis: cada fornecedor mede tarefas, hardware e configurações de forma diferente. O que a tabela permite comparar é a direção do projeto.

MiniMax M3: contexto longo deixa de ser apenas uma promessa de interface

O MiniMax M3 combina uma arquitetura de mistura de especialistas com cerca de 428 bilhões de parâmetros totais e 23 bilhões ativados por token. O modelo é nativamente multimodal e aceita texto, imagem e vídeo. Sua janela declarada chega a 1 milhão de tokens.

A inovação mais interessante está na MiniMax Sparse Attention, uma forma de reduzir o custo de atenção em sequências muito longas. A empresa afirma ganhos de até nove vezes no preenchimento inicial e quinze vezes na geração, além de redução expressiva de compute por token em 1 milhão de tokens. São resultados do fornecedor, não um selo universal de desempenho, mas atacam um gargalo real: contexto longo só é útil quando latência e memória permitem usá-lo.

O M3 também oferece três modos de raciocínio, do direto ao mais profundo. Na prática, isso tenta aproximar duas necessidades que costumam competir: respostas rápidas para tarefas simples e mais orçamento de inferência para planejamento, programação e agentes.

A abertura, porém, exige precisão. A licença do M3 permite muitos usos e a distribuição dos pesos, mas impõe atribuição comercial, autorização prévia para organizações acima de determinado porte e restrições de uso. Portanto, a descrição correta é modelo de pesos disponíveis sob licença customizada e restritiva, não open source no sentido da Open Source Initiative.

Qwen3.6: eficiência ativa e multimodalidade no mesmo desenho

O Qwen3.6-35B-A3B é o primeiro modelo de pesos abertos da geração Qwen3.6. Ele reúne 35 bilhões de parâmetros, mas ativa aproximadamente 3 bilhões por token. Isso reduz o custo de inferência sem obrigar o sistema a abrir mão de uma base grande de especialistas.

O desenho híbrido combina atenção tradicional com Gated DeltaNet, além de uma camada de visão. O contexto nativo é de 262.144 tokens e pode ser estendido para perto de 1 milhão. A família também preserva estados de raciocínio entre etapas, algo particularmente útil em programação agentiva: um agente pode alternar entre leitura, execução de ferramentas e correção sem “esquecer” toda a linha de pensamento operacional.

Entre as quatro famílias, a Qwen oferece a situação de licença mais simples para adoção: o modelo analisado usa Apache 2.0, uma licença permissiva conhecida por equipes jurídicas e de engenharia. Isso não significa que todo o sistema seja automaticamente “open source AI” segundo a definição da OSI, porque dados de treinamento, sua proveniência e a receita completa de reprodução não foram publicados. A formulação responsável é open weights com licença permissiva.

O anúncio oficial da Qwen no X também deixa clara a ambição: multimodalidade, código e agentes deixam de ser produtos separados e passam a formar uma família de implantação.

Kimi K3: a escala de fronteira entra no mundo dos pesos disponíveis

O Kimi K3 leva o argumento da escala ao extremo: 2,8 trilhões de parâmetros totais, 104 bilhões ativos e 1.048.576 tokens de contexto. A Moonshot combina Kimi Delta Attention, Gated Multi-Head Latent Attention, uma técnica de conexão residual chamada AttnRes e um encoder visual próprio.

O objetivo não é apenas responder perguntas longas. O modelo foi desenhado para trabalho de horizonte estendido: entender bases de código, manter estado ao usar ferramentas, analisar imagens e concluir tarefas que exigem muitas etapas. A empresa afirma eficiência de escalonamento 2,5 vezes melhor que a geração anterior. Novamente, é uma medição do fornecedor; o mérito editorial está em observar que a arquitetura tenta tornar viável um modelo gigantesco sem ativar todo o seu tamanho a cada token.

O anúncio oficial no X, em 16 de julho, antecipou a liberação dos pesos, que depois apareceram no repositório e no model card oficiais. A licença Kimi K3 é customizada. Ela concede direitos amplos, mas não deve ser confundida com Apache, MIT ou outra licença aprovada pela OSI. Aqui, a categoria mais segura é open weights sob licença própria.

O K3 mostra também um limite importante da narrativa de democratização. Baixar pesos não significa conseguir servi-los com boa latência. Modelos dessa escala continuam exigindo clusters, memória de alto desempenho e engenharia especializada.

DeepSeek V4: compressão para transformar 1 milhão de tokens em produto

O DeepSeek V4 Pro tem 1,6 trilhão de parâmetros totais e 49 bilhões ativos. A versão V4 Flash reduz a escala para 284 bilhões totais e 13 bilhões ativos. Ambas oferecem 1 milhão de tokens de contexto e licença MIT.

A principal novidade é a combinação de atenção esparsa e fortemente comprimida. Segundo o model card, em 1 milhão de tokens o V4 Pro usa 27% das operações de inferência por token e 10% do cache de chaves e valores em comparação com o V3.2. Isso ataca diretamente a conta que costuma arruinar aplicações de contexto longo: não basta caber; é preciso ler, recuperar e gerar sem explodir memória e custo.

As versões Pro e Flash também traduzem uma decisão de produto. A primeira busca maior capacidade; a segunda oferece um caminho mais leve para tarefas frequentes. O anúncio oficial da DeepSeek no X, em 24 de abril, apresentou as duas variantes e a janela de contexto.

MIT é uma licença permissiva, mas a mesma ressalva vale: pesos e artefatos de inferência abertos não reconstituem, por si sós, todo o processo de treinamento. O DeepSeek V4 é um modelo open-weight permissivamente licenciado, com transparência relevante no relatório e nos model cards, mas não com a totalidade de dados e decisões necessárias para reprodução integral.

Open source, open weights e source-available não são sinônimos

A Open Source AI Definition da OSI exige liberdade para usar, estudar, modificar e compartilhar um sistema de IA. Para que “estudar e modificar” seja real, não bastam os parâmetros finais: são necessários código e informações suficientemente detalhadas sobre os dados para compreender e recriar o sistema.

A própria OSI usa open weights para descrever modelos cujos parâmetros podem ser obtidos, mas cujo treinamento não está integralmente aberto. É uma categoria valiosa. Permite auditoria comportamental, adaptação, execução local e competição. Só não entrega a mesma transparência de um projeto plenamente reproduzível.

Uma taxonomia útil para compradores é:

• Open source AI: liberdades de uso, estudo, modificação e compartilhamento, com componentes e informações exigidos pela definição da OSI.
• Open weights: pesos disponíveis para baixar e adaptar; código, dados e receita de treinamento podem continuar parciais.
• Source-available: código ou pesos podem ser vistos, mas a licença preserva restrições incompatíveis com open source.
• Licença permissiva: MIT e Apache 2.0 reduzem atrito de uso e redistribuição, embora não garantam que todos os ingredientes do treinamento estejam abertos.
• Licença customizada: direitos e deveres precisam ser lidos caso a caso; o rótulo “aberto” não substitui essa análise.

Essa distinção deve entrar no mesmo processo de compra que custo, segurança e retenção. Nosso guia sobre como escolher um fornecedor de IA sem comprar risco explica por que a documentação contratual é parte da arquitetura.

NVIDIA: aceleradora da abertura e centro de gravidade do compute

A NVIDIA contribui para essa onda em três camadas. Primeiro, fornece os aceleradores usados para treinar e servir muitos desses modelos. Segundo, oferece bibliotecas, kernels e ferramentas como NeMo, TensorRT-LLM e NIM, que transformam pesos em serviços de inferência. Terceiro, publica suas próprias famílias, dados e ferramentas abertas.

Em janeiro, a empresa reuniu modelos, dados e ferramentas abertos nas linhas Nemotron e Cosmos. Em março, anunciou a Nemotron Coalition, com laboratórios parceiros, dados e compute em nuvem. O catálogo de implantação já inclui, por exemplo, MiniMax M3 e DeepSeek V4 Pro.

Isso é contribuição concreta: otimizações públicas, receitas de ajuste e distribuição reduzem o tempo entre “peso disponível” e “sistema executável”. Mas há um paradoxo. Quanto mais o ecossistema aberto depende de CUDA, GPUs de ponta e nuvens com esses aceleradores, mais a abertura de software pode reforçar a concentração da infraestrutura.

Em outras palavras, open weights não significa open compute. Alternativas de hardware e runtimes independentes ampliam a competição, mas compatibilidade, disponibilidade de memória e maturidade de ferramentas ainda pesam. Para uma empresa, essa camada precisa entrar no desenho de portabilidade, assim como fazemos ao discutir IA em produção depois do piloto.

Regulação nos EUA: o que é lei, proposta, ordem e regra de exportação

Em 4 de agosto de 2026, os Estados Unidos não têm uma única lei federal abrangente que regule todos os modelos open-weight. O cenário é fragmentado e precisa ser descrito pela natureza de cada instrumento.

• O America’s AI Action Plan é um plano de política pública, não uma lei aprovada pelo Congresso. Ele recomenda incentivar IA open source e open-weight.
• O National AI Legislative Framework é uma proposta da Casa Branca para orientar legislação. Não é, por si só, estatuto federal vigente.
• O NSPM-11 é um memorando presidencial voltado ao aparato de segurança nacional. Ele orienta órgãos federais; não equivale a uma lei geral para empresas.
• As regras do Bureau of Industry and Security são controles de exportação efetivos. A revisão de janeiro de 2026 passou a analisar caso a caso certas exportações de chips avançados para a China, sob condições. Partes das Export Administration Regulations também tratam de tecnologia e pesos de modelos em categorias específicas.
• O relatório da NTIA sobre open model weights recomendou monitoramento e avaliação de evidências. É um relatório de política, não uma proibição vinculante.

O debate, portanto, cruza quatro objetivos em tensão: inovação, competição, segurança e controle sobre capacidades estratégicas. Restringir amplamente pesos pode proteger alguns riscos, mas também concentrar poder nos poucos laboratórios capazes de operar modelos fechados. Liberar tudo sem avaliação pode ampliar usos maliciosos e dificultar responsabilização. Controles de chips adicionam outra camada: limitam capacidade de treinamento e inferência mesmo quando o software circula.

Este panorama é informativo e não constitui aconselhamento jurídico. Empresas que implantam modelos devem avaliar licença, setor, destino de exportação, dados tratados e jurisdição com apoio especializado.

O que essa corrida muda para empresas

A pergunta não é “qual modelo venceu?”. A resposta muda por tarefa, hardware e semana. A pergunta mais durável é: quanto da operação continua sob controle quando o modelo muda?

Há cinco decisões práticas:

1. Teste a tarefa, não só o benchmark. Compare taxa de conclusão, qualidade, latência e custo em fluxos reais.
2. Trate licença como requisito técnico. Uma mudança de uso, faturamento ou distribuição pode alterar obrigações.
3. Separe modelo de operação. Ferramentas, memória, observabilidade e supervisão humana precisam sobreviver à troca do motor. Veja a lógica de agentic engineering.
4. Meça o custo completo. Pesos gratuitos podem exigir hardware, otimização, segurança e equipe caros.
5. Planeje portabilidade. Evite dependência invisível de um formato, uma GPU, uma biblioteca ou uma nuvem.

Modelos de contexto longo também aumentam a tentação de colocar tudo no prompt. Isso pode criar exposição e memória desgovernada. O artigo sobre memória de IA como risco operacional mostra como separar histórico útil de acúmulo indiscriminado.

A conclusão: a abertura virou vantagem competitiva — com camadas

MiniMax M3, Qwen3.6, Kimi K3 e DeepSeek V4 provam que pesos disponíveis já competem em contexto, agentes, código e multimodalidade. A novidade não está em um vencedor único, mas na velocidade com que técnicas de fronteira entram em modelos que empresas podem inspecionar, adaptar e executar fora de uma interface exclusiva.

Ao mesmo tempo, o mapa continua desigual. Licenças variam. Dados de treinamento permanecem opacos. O compute se concentra. Ferramentas abertas podem fortalecer o mesmo fornecedor que domina aceleradores. E a regulação americana avança por planos, atos executivos, controles de exportação e propostas, não por uma regra federal única.

Para líderes, a melhor resposta não é escolher um campo ideológico. É construir uma operação capaz de comparar modelos, trocar componentes e manter controle sobre dados, custo e responsabilidade. Se você quer mapear onde essa portabilidade cria valor na sua empresa, agende um diagnóstico com a XMACNA.

Perguntas frequentes

Open weights é a mesma coisa que open source?

Não. Open weights significa que os parâmetros finais podem ser obtidos. Open source AI, segundo a OSI, exige liberdades e informações adicionais que permitam usar, estudar, modificar e compartilhar o sistema de forma efetiva.

Qual das quatro famílias tem a licença mais permissiva?

No recorte analisado, Qwen3.6-35B-A3B usa Apache 2.0 e DeepSeek V4 usa MIT. MiniMax M3 e Kimi K3 usam licenças customizadas. Ainda assim, uma licença permissiva dos pesos não significa que os dados e o processo completo de treinamento estejam abertos.

Um modelo open-weight sempre custa menos?

Não. Ele pode eliminar ou reduzir custo por chamada, mas acrescentar despesas com GPUs, engenharia de inferência, segurança, disponibilidade e suporte. O cálculo precisa considerar o custo total por tarefa concluída.

A NVIDIA ajuda ou concentra o mercado de modelos abertos?

As duas coisas podem ser verdade. A empresa publica ferramentas, otimizações, modelos e dados que aceleram a adoção. Ao mesmo tempo, a dependência de CUDA e de GPUs de ponta concentra parte relevante da infraestrutura.

Os Estados Unidos proibiram modelos de pesos abertos?

Não há uma proibição federal geral em vigor na data de corte. Existem controles de exportação, atos executivos, políticas setoriais, propostas legislativas e regras estaduais. O efeito depende do modelo, do hardware, do usuário, do destino e do setor.