O que esconde o nome de um modelo?

O A35B é a parte que trabalha

No Qwen3-Coder-480B-A35B-Instruct, o A35B quer dizer 35 mil milhões de parâmetros ativos. O modelo tem 480 mil milhões de parâmetros no total, os números aprendidos de que é feito, e daí o 480B do nome (o B vem de billion, que em português são mil milhões). Lê e escreve texto em tokens, pequenos pedaços de palavras, e em cada token só 35B dos seus parâmetros chegam a trabalhar. Os dois valores constam do model card da Qwen.

O A aparece porque o modelo é uma mistura de especialistas (MoE), feita de muitas partes pequenas, das quais só algumas trabalham em cada token. Cada um dos dois números tem um custo diferente. O total define a memória de que o modelo precisa, porque todas as partes têm de estar carregadas e prontas. O número ativo define o trabalho de cada token, e é ele que pesa na velocidade e no custo de funcionamento. É esta divisão que permite ao DeepSeek-V4.1-Flash, um modelo de 552B, trabalhar com apenas 8B por cada token que lê.

Há cinco famílias que aparecem sempre nas apresentações dos fornecedores: Qwen, DeepSeek, Gemini, GPT e Claude. A Qwen e a DeepSeek publicam os ficheiros e os tamanhos dos modelos, a primeira no próprio nome e a segunda no model card. Claude, GPT e Gemini não publicam tamanho nenhum, por isso os nomes seguem outras regras.

Como se lê o nome de um modelo?

Se partir o nome Qwen nos hífenes, ficam cinco partes, e cada uma responde a uma pergunta diferente.

Qwen3 é a família e a respetiva geração, e Coder a especialidade, porque este modelo foi feito para código. Seguem-se os dois tamanhos, 480B no total e A35B para a parte ativa. O Instruct, no fim, indica a afinação, que aqui é a de seguir instruções. A Qwen acrescenta que este modelo só funciona no que chama modo non-thinking, ou seja, responde sem antes raciocinar sobre o problema.

Os tamanhos não ficam pelos mil milhões. O Qwen3.8-2.4T-A95B tem 2,4 biliões de parâmetros, o 2.4T do nome (T de trillion, ou seja, 2 400B), e usa 95B deles em cada token.

Um nome sem parte A pede uma segunda leitura. O Qwen3.6-27B não a tem porque é um modelo denso, que usa os seus 27B de parâmetros em todos os tokens. O gpt-oss-120b, o modelo de pesos abertos da OpenAI, também não tem parte A, e no entanto é uma mistura de especialistas, com 117B no total e 5.1B ativos. Até o 120 do nome é um arredondamento dos 117B que constam do model card. Quando o nome não diz tudo, leia o model card.

Uma sigla como FP8 ou BF16 indica a precisão, isto é, em quantos bits fica guardado cada parâmetro: 16 bits (2 bytes) no BF16 e 8 bits (1 byte) no FP8. O Qwen3.6-27B-FP8 é o Qwen3.6-27B guardado a 8 bits, pelo que precisa de menos memória e continua a ter os 27B de parâmetros.

Um número no fim do nome também pode ser uma data. A DeepSeek lançou o V4.1-Flash a 10 de setembro de 2026 e, a 17 de outubro, uma atualização com a mesma arquitetura, o V4.1-Flash-1017, que leva no nome o mês e o dia. Já as designações de gama, como Flash, Lite, Pro ou Mini, são outra conversa, porque cada fabricante decide o que elas significam.

Porque é que 552B funciona como 8B?

Num modelo MoE, a maior parte dos parâmetros está repartida por muitas redes pequenas, os especialistas. Para cada token, um router interno escolhe alguns deles, e só esses ficam ativos, enquanto os restantes esperam na memória. O resultado dos especialistas ativos segue depois pelo modelo até chegar à resposta.

O DeepSeek-V4.1-Flash tem 384 especialistas, entre os quais o router escolhe 6 por token, e a esses junta-se sempre um especialista partilhado. Segundo a DeepSeek, isso dá 8B de parâmetros ativos enquanto o modelo lê o que lhe enviam e 16B enquanto escreve a resposta, num total de 552B. O Qwen3.6-35B-A3B funciona da mesma maneira, em ponto mais pequeno: 8 dos seus 256 especialistas mais um partilhado por token, o que dá 3B de 35B.

Ponha os seis modelos lado a lado e todos os MoE mantêm a parte ativa abaixo de 9 % do respetivo total. O DeepSeek-V4.1-Flash lê com 8B dos 552B, cerca de 1,4 %, a fatia mais pequena da figura. O Qwen3.8-2.4T-A95B e o gpt-oss-120b ficam perto um do outro, com 95B de 2.4T (4,0 %) e 5.1B de 117B (4,4 %). O Qwen3-Coder-480B-A35B-Instruct trabalha com 35B de 480B (7,3 %), e o Qwen3.6-35B-A3B com 3B de 35B (8,6 %). Só o Qwen3.6-27B, que é denso, usa tudo, 27B de 27B.

Com a memória, a conta é outra. O router pode escolher qualquer especialista para o token seguinte, pelo que têm de ficar todos carregados. Só para os pesos, uma estimativa rápida é multiplicar os parâmetros totais pelos bytes de cada parâmetro, o que dá cerca de 2 GB por cada mil milhões de parâmetros em BF16, 1 GB em FP8 e 0,5 GB a 4 bits. O contexto e o software que serve o modelo precisam de memória para além disso.

Veja os dois modelos Qwen3.6. O Qwen3.6-35B-A3B em BF16 precisa de cerca de 70 GB só para os pesos (35 × 2), embora só 3B estejam ativos por token. O Qwen3.6-27B-FP8 precisa de cerca de 27 GB (27 × 1) e usa os 27B todos em cada token. Uma parte da diferença vem da precisão. Mesmo guardado da mesma maneira, o MoE continua a ser o maior, com 35B contra 27B, e faz menos trabalho em cada token, o que lhe permite responder depressa.

O que querem dizer Flash, Sonnet e Luna?

Claude, GPT e Gemini só estão disponíveis por API, ou seja, acede-se a eles através do serviço do fabricante e os ficheiros do modelo nunca chegam às suas mãos. Os nomes trazem um número de geração e uma designação de gama, que marca um nível de tamanho ou de velocidade dentro da família, e só a descrição do próprio fabricante diz para que serve cada gama.

A tabela traz a descrição que cada fabricante faz dos seus modelos, retirada da visão geral dos modelos Claude da Anthropic, da página de modelos da OpenAI e da página de modelos Gemini da Google. Os nomes e os números deste artigo estão como os fabricantes os publicaram a 21 de outubro de 2026, e estas famílias mudam com frequência. Os preços também mudam muitas vezes, e cada fabricante publica-os na sua própria página de preços.

A Anthropic também compara a velocidade dos quatro modelos Claude entre si: o Fable é mais lento, o Opus moderado, o Sonnet rápido e o Haiku o mais rápido. Os quatro aceitam texto e imagens. Se está a comparar o Claude Opus com o Sonnet, a Anthropic sugere começar pelo Opus 5.5 na maioria das cargas de trabalho.

Quanto à janela de contexto, a quantidade de texto que um modelo consegue receber de uma vez, os fabricantes indicam 1M de tokens para os quatro modelos Claude, para o Gemini 4 Argon e para o Gemini 3.8 Flash. A OpenAI indica 1,05M para os três modelos principais, GPT-6 Astra, GPT-6.1 Sol e GPT-6 Luna. A página do Gemini 3.8 da Google acrescenta que o Gemini 3.8 Flash escreve até 64K tokens de saída e tem níveis de thinking que se podem definir como low, medium ou high.

A OpenAI descreve o GPT-6.1 Sol como próximo do Astra, embora o GPT-6 Astra tenha o número mais baixo, o que mostra que um número de geração mais alto não quer dizer uma gama mais alta.

Atenção à palavra Flash, porque dois fabricantes a usam para coisas diferentes. O Flash da DeepSeek é um modelo de pesos abertos com 552B, que a DeepSeek descreve como «o menor modelo da nossa nova família de arquitetura, com compreensão visual nativa». O Flash da Google é uma gama rápida de uma família fechada, e o tamanho não é publicado. Por isso, quando um fornecedor diz que usa Flash, pergunte de quem é o Flash.

Que modelos pode correr por conta própria?

Os modelos Qwen, DeepSeek e gpt-oss deste artigo são de pesos abertos (open weights), por isso pode descarregar os ficheiros do modelo e corrê-los no seu próprio hardware, nos termos da licença que os acompanha. Pesos abertos nem sempre querem dizer alojamento próprio, até porque a DeepSeek também serve o V4.1-Flash através da sua API, com o nome deepseek-flash.

Comece pela licença. O DeepSeek-V4.1-Flash vem com a licença MIT, e o gpt-oss-120b e três dos quatro modelos Qwen com a Apache 2.0. O maior Qwen desta lista, o Qwen3.8-2.4T-A95B, tem uma licença própria, a Qwen3.8-Max license, pelo que até uma só família pode trazer condições diferentes. Se está a comparar Qwen e DeepSeek para os seus próprios servidores, leia a licença antes de alguém encomendar hardware.

Depois, dimensione o hardware com a estimativa de memória. Os ficheiros publicados pela DeepSeek incluem pesos guardados a 8 bits (FP8) e, a 1 byte por parâmetro, 552B dão cerca de 552 GB só de pesos. Isso quer dizer um servidor com várias GPU, para um modelo que trabalha com 8B a 16B por token. A OpenAI guarda os pesos dos especialistas do gpt-oss-120b num formato de 4 bits chamado MXFP4 e afirma que isso lhe permite «funcionar numa única GPU de 80 GB».

Também diferem os tipos de entrada e o estilo de resposta. O DeepSeek-V4.1-Flash aceita texto e imagens, enquanto o Qwen3.8-2.4T-A95B é só de texto e raciocina sempre sobre o problema antes de responder, no que a Qwen chama modo thinking. O Qwen3.6-35B-A3B faz o mesmo por predefinição, mas pode passar a responder diretamente.

Que modelo serve para cada tarefa?

Num serviço de apoio ao cliente, um modelo recebe tarefas muito diferentes. Numa chamada em curso, a resposta tem de chegar com o cliente ainda na linha, ao passo que ninguém fica à espera do resumo das chamadas de ontem. A tabela segue as descrições dos próprios fabricantes, por isso cada linha é um ponto de partida para testar, e não um ranking.

A chamada em tempo real é a linha mais exigente. Quem liga ouve todas as pausas, e o modelo é só uma das causas. O nosso artigo sobre a origem da espera numa linha de voz divide essa pausa em partes que pode medir.

Escolha dois ou três candidatos na linha que corresponde à sua tarefa e passe-os pelas suas próprias chamadas gravadas, com os nomes dos seus produtos, as suas línguas e as perguntas que os clientes realmente fazem. Avalie cada um pela tarefa em si, por exemplo se o resumo apanhou a hora da chamada de retorno prometida ao cliente.

Quando um fornecedor lhe apresentar a solução, pergunte que modelo corre em cada etapa, da conversa em tempo real ao encaminhamento e ao resumo depois da chamada. Peça o nome completo, com o número de geração e a gama. Se for o mesmo nome em todas as etapas, vale a pena fazer mais uma pergunta, e as nossas 30 perguntas a fazer antes de comprar IA de voz cobrem o que mais convém verificar.

Onde entra a DRING?

A stack da DRING é independente de modelos. Os modelos de fala e de raciocínio por trás de cada agente de IA são escolhidos em função do idioma e do processo. Os fornecedores de transcrição, de modelo de linguagem e de síntese de voz são selecionados, um a um, por agente, entre os principais do mercado. Qualquer um pode ser trocado sem reconstruir o agente, e a troca não mexe no resto da stack, como explica a nossa página sobre a camada de modelos.

Um processo também pode passar para outro modelo sem mudar de plataforma e, se um fornecedor de modelos tiver um problema, a chamada pode seguir, por failover, para um que esteja a funcionar. A nossa página para diretores de TI percorre as perguntas que uma revisão de arquitetura faz a seguir.

Uma mudança de modelo é testada como um lançamento. Cada agente da DRING é posto à prova com 1 000 a 10 000 conversas simuladas, criadas para a sua empresa, antes da primeira chamada real. Um modelo mais capaz só entra em produção depois de passar na bateria de regressão que toda a stack executa, e os resultados são comparados com a versão anterior antes de sair seja o que for. Diga-nos por que etapa das suas chamadas quer começar a usar um modelo de IA, e a DRING liga-lhe em dois minutos.