From BERT to Frontier Agents: Eight Years of Language-Model Progress, the Collapse of the Capability-Cost Curve, and the Rise of Task-Targeted Models
Este artigo revisa a evolução de oito anos dos modelos de linguagem, do BERT aos agentes de fronteira especializados até 2026, destacando uma melhoria anual de seis vezes nas capacidades de codificação, um colapso dramático nos custos de inferência exemplificado pelo econômico GPT 5.6 Luna, e uma mudança em direção a modelos direcionados a tarefas que se destacam em domínios específicos como codificação frontend, gerenciamento de repositórios e operações de terminal.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
A Grande Evolução da IA: Dos Óculos de Leitura aos Supercomputadores
Imagine um mundo onde os computadores eram como bibliotecários brilhantes, mas tímidos. Por muito tempo, se você quisesse que eles entendessem uma frase, tinha que dar a eles um par específico de óculos de leitura para aquela frase exata. Se quisesse que escrevessem uma história, teria que trocar os óculos por um par diferente. Eles eram incrivelmente inteligentes na leitura, mas não consegiam realmente fazer nada por conta própria. Esta era o início da era dos "Modelos de Linguagem", os programas de computador que aprendem a entender e gerar a linguagem humana.
Nos últimos anos, cientistas descobriram como tornar esses bibliotecários muito maiores e dar-lhes um "cérebro" que pudesse aprender com apenas alguns exemplos, sem precisar de novos óculos para cada tarefa individual. De repente, esses computadores podiam conversar, escrever código e resolver quebra-cabeças. Mas aqui está a grande questão que todos estão fazendo: eles estão ficando mais espertos a cada dia ou estão apenas ficando melhores em memorizar as perguntas da prova? E se eles estão ficando mais espertos, isso significa que estão ficando mais caros ou estão se tornando uma pechincha? Este artigo mergulha exatamente nesse mistério, observando a jornada selvagem do progresso da IA de 2018 até uma data futura em 2026 para ver o que realmente está acontecendo sob o capô.
Dos Óculos de Leitura aos Supercomputadores: A Montanha-Russa de Oito Anos
Este artigo é como uma história de detetive que viaja no tempo, rastreando a vida da inteligência artificial de 2018 a 2026. Ele faz três grandes perguntas: Como passamos de computadores que mal conseguiam escrever uma frase para computadores que podem corrigir erros de software e resolver problemas de olimpíadas de matemática? Quão rápido o preço desse "poder cerebral" caiu? E, o mais importante, precisamos de um supercomputador gigante e caro para fazer tudo, ou o futuro é, na verdade, uma equipe de especialistas especializados?
As Quatro Eras do Crescimento da IA
O autor divide os últimos oito anos em quatro capítulos distintos, como temporadas de um videogame:
- A Era dos "Óculos de Leitura" (2018–2019): Começou com modelos como o BERT. Pense neles como estudantes que eram ótimos em ler um livro e responder perguntas sobre ele, mas se você pedisse para escreverem uma história, eles travavam. Eles precisavam de um "ajuste fino" (fine-tuning) específico (como um campo de treinamento especial) para cada tarefa.
- A Era do "Grande Cérebro" (2020–2021): Depois vieram modelos como o GPT-3. Estes eram como bibliotecas gigantes que leram quase tudo na internet. Em vez de precisarem de treinamento especial, você poderia apenas dar a eles alguns exemplos em uma janela de chat, e eles entenderiam o padrão. Eram incríveis, mas ainda inventavam fatos e nem sempre consegravam seguir instruções perfeitamente.
- A Era do "Ajudante Educado" (2022–2023): Cientistas ensinaram esses grandes cérebros a serem educados e a seguir ordens usando uma técnica chamada "alinhamento". De repente, eles se tornaram o ChatGPT e seus amigos — ótimos em conversar, escrever e-mails e seguir regras complexas.
- A Era do "Agente" (2024–2026): É aqui que as coisas ficam selvagens. Os modelos pararam de apenas falar e começaram a fazer. Tornaram-se "agentes" que podem usar ferramentas, corrigir códigos quebrados no GitHub e resolver problemas matemáticos pensando através de etapas. Em 2026, os melhores modelos estavam resolvendo problemas da Olimpíada Internacional de Matemática e reparando projetos de software inteiros.
A Velocidade do Progresso: Um Mistério Matemático
O artigo mede o quão rápido esses modelos estão melhorando na correção de erros reais de software (usando um teste chamado SWE-bench). O resultado é impressionante: as chances de um modelo conseguir corrigir um erro estão crescendo cerca de 5,8 vezes a cada ano. É como se um corredor ficasse 5,8 vezes mais rápido a cada ano; ele estaria correndo mais rápido que o som em poucos anos. No entanto, o artigo também observa que os antigos "testes de conhecimento" (como o MMLU) estão atingindo um teto. Os modelos já são tão bons neles que os testes se tornaram inúteis para diferenciá-los. O campo avançou para desafios mais difíceis e práticos.
O Colapso do Preço: A Surpresa do "Nível Econômico"
Aqui está a parte mais surpreendente da história: o custo desta inteligência despencou.
- Em 2020, obter um milhão de palavras de pensamento de IA custava $60.
- Em 2026, a versão "econômica" da IA custa apenas $1 pela mesma quantidade de pensamento.
Isso é uma queda de 60 vezes no preço.
Mas fica melhor. O artigo descobriu que os modelos econômicos de "baixo custo" de 2026 são, na verdade, tão bons quanto os modelos de elite ("flagship") caríssimos de apenas alguns meses atrás. É como se um carro de $100 hoje pudesse dirigir tão bem quanto um carro de $500 do ano passado. O "meio" do mercado desapareceu; ou você tem o nível econômico inteligente e barato, ou o nível premium ultra caro. O meio termo acabou.
A Equipe de "Especialistas" vs. O "Pau para Toda Obra"
Por muito tempo, as pessoas pensaram que um único modelo gigante acabaria sendo o melhor em tudo. O artigo argumenta que, em mesmo 2026, essa ideia morreu. A "fronteira" (o melhor da IA) agora está fragmentada.
- Se você quer construir um site, o Claude Opus 5 é o campeão.
- Se você precisa corrigir um repositório de código massivo, o Claude Fable 5 vence.
- Se você precisa que um computador aja como um humano em um terminal, o GPT-5.6 Sol é o chefe.
- Se você precisa resolver um novo tipo de quebra-cabeça de lógica, o Opus 5 é o recordista.
Nenhum modelo único vence em tudo. O artigo sugere que a maneira mais inteligente de usar a IA agora é ser um "roteador" — um guarda de trânsito que envia diferentes tarefas para o modelo especialista específico que é o melhor para aquela tarefa. Um sistema simples que apenas alterna entre dois modelos pode, na verdade, superar o melhor modelo único ao escolher o especialista certo para o trabalho.
Podemos Tornar um Modelo Fixo Mais Inteligente?
O pesquisador também realizou um pequeno experimento para ver se poderiam tornar um modelo menor e fixo mais inteligente apenas mudando a forma como faziam as perguntas, sem alterar o modelo em si.
- Eles pediram a um modelo pequeno (Qwen2.5-1.5B) para resolver problemas matemáticos.
- Quando perguntaram apenas uma vez (da maneira "gananciosa" ou greedy), ele acertou 58%.
- Quando perguntaram quatro vezes e escolheram a resposta mais comum (uma técnica chamada "votação"), ele acertou 62%.
- O "teto" (se pudessem magicamente escolher a melhor resposta de todas as quatro tentativas) era de 79%.
Isso sugere que o modelo na verdade sabe a resposta certa na maioria das vezes, mas apenas precisa de uma maneira melhor de selecioná-la. O artigo também construiu um "detector de confiança" que podia prever quais respostas provavelmente estavam certas. Descobriu-se que, se você confiasse apenas nas respostas das quais o detector tinha mais certeza, poderia obter 94% de precisão naquele grupo específico. Isso sugere que, no futuro, talvez não precisemos de modelos maiores; talvez precisemos apenas de melhores formas de verificar o trabalho deles e escolher os melhores.
A Conclusão
O artigo conclui que a era de "um modelo para governar todos" acabou. Estamos entrando em uma era de especialização e roteamento. Os modelos estão ficando incrivelmente bons em tarefas específicas, o preço está caindo rapidamente e a maneira mais inteligente de usá-los é tratá-los como uma equipe de especialistas, em vez de um único supercérebro. Embora os modelos estejam ficando incríveis, o artigo alerta que eles também estão ficando muito bons em "enganar" os testes, portanto, precisamos ter cuidado com o que confiamos a eles. O futuro não é apenas sobre cérebros maiores; é sobre maneiras mais inteligentes de usar os cérebros que temos.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.