A corrida da inteligência artificial sempre foi narrada em uma métrica só: número de parâmetros. Modelos de 70 bilhões, 400 bilhões, 1 trilhão — quanto maior o número, melhor o modelo, dizia a narrativa. Essa régua, porém, está sendo aposentada, e quem defende isso não é um analista de mercado, mas um dos pesquisadores mais influentes da área: Jie Tang, CEO da Z.ai (braço internacional da chinesa Zhipu AI) e professor da Universidade Tsinghua.
Em publicações recentes no X, Tang apresentou o que vem sendo chamado de “morte dos parâmetros”: a contagem de parâmetros deixa de ser a medida dominante do progresso e passa a valer apenas quando acompanhada de três outras dimensões.
O que Jie Tang está dizendo
A tese central é direta: “a contagem de parâmetros só tem significado ao lado de três outras coisas — quantos dados você tem, onde pretende gastar sua computação e quem vai rodar o modelo, sob quais condições”. Em outras palavras, um modelo não se resume ao tamanho do “cérebro” artificial. Importam igualmente a qualidade dos dados usados no treinamento, a estratégia de gasto computacional e o cenário real em que ele será implantado.
Essa mudança de eixo é o que a comunidade vem chamando de nova lei de escala do pós-treinamento. Se a lei de escala clássica dizia “mais parâmetros + mais dados = modelo melhor”, a visão atual afirma que o progresso continua, mas o centro de gravidade migrou para a qualidade da receita de treinamento — mistura de dados, computação de inferência e pós-treinamento — em vez do simples aumento no número de parâmetros.
A corrida dos pesos abertos está mais perto do topo
O argumento ganha força com números concretos. Tang já havia defendido que, até o fim de 2026, existiria um modelo de pesos abertos na classe do Fable — um modelo fechado de referência estimado entre 3 e 7 trilhões de parâmetros. No balanço mais recente, com 134 dias restantes no ano, já existem dois modelos abertos na faixa de 2 a 3 trilhões de parâmetros: o Qwen 3.8 Max e o Kimi K3. Ambos ficam a apenas 2 pontos do Fable no índice da Artificial Analysis.
Isso é revelador: os pesos abertos estão se aproximando do topo do ranking com muito menos parâmetros do que se imaginava necessário. A diferença de apenas 2 pontos no índice — para modelos que supostamente estariam separados por trilhões de parâmetros — é a evidência de que o número de parâmetros já não explica o desempenho.
Por que isso importa agora
Para quem trabalha com IA — desenvolvedores, empresas e criadores de conteúdo no Brasil — essa virada tem implicações práticas. Se o progresso está migrando para a qualidade do pós-treinamento e da inferência, então:
- Modelos menores e bem treinados podem rivalizar com gigantes, reduzindo drasticamente o custo de implantação local;
- A escolha do modelo passa a depender menos do tamanho e mais de dados, infraestrutura de inferência e cenário de uso;
- O pós-treinamento — ajuste fino, alinhamento e técnicas de raciocínio — vira o novo campo de batalha competitivo.
Ainda assim, vale registrar: a “morte dos parâmetros” é uma tese em disputa, não um consenso fechado. Os números de parâmetros continuam nas fichas técnicas, e modelos gigantes ainda dominam boa parte do topo dos rankings. Mas a direção apontada por Tang — e ecoada por analistas da comunidade de IA — é clara: o discurso do setor se apegou demais à contagem de parâmetros e de menos aos dados, à computação de inferência e ao pós-treinamento.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
