Onde rodar Qwen 3 em produção: comparativo completo de provedores de inferência

Além do custo por token: o que realmente importa

Escolher um modelo Qwen é apenas a primeira decisão de produção. A pergunta seguinte — onde e como executá-lo — é frequentemente mais determinante para o sucesso do projeto do que a escolha do modelo em si. O melhor provedor para um chatbot experimental pode ser uma péssima escolha para uma aplicação empresarial regulada, um assistente de código sensível à latência ou um agente que processa milhões de tokens por dia.

Times de produção precisam considerar muito mais do que o custo anunciado por milhão de tokens. É preciso avaliar tempo até o primeiro token, velocidade de saída, limites de concorrência, tamanho da janela de contexto, disponibilidade geográfica, segurança e compliance, observabilidade, consistência de versão do modelo e controle sobre as operações.

A família Qwen em 2026

Qwen é a família de modelos de linguagem de grande escala do Alibaba. A geração Qwen 3 introduziu modelos densos e mixture-of-experts (MoE), modos híbridos de raciocínio, suporte multilíngue, uso de ferramentas e tamanhos que vão de 0,6 bilhão a 235 bilhões de parâmetros. Modelos MoE contêm múltiplas redes neurais especializadas mas ativam apenas um subconjunto para cada token, reduzindo a computação necessária durante a inferência.

O Alibaba Cloud expandiu a família com o Qwen 3.5, que inclui os modelos Qwen3.5-27B, Qwen3.5-35B-A3B, Qwen3.5-122B-A10B e Qwen3.5-397B-A17B. O sufixo -A indica quantos parâmetros são ativados para cada token: o modelo de 397 bilhões de parâmetros ativa cerca de 17 bilhões por token. Para times que priorizam pesos abertos, performance previsível ou uma baseline estabelecida para avaliação, tanto Qwen 3 quanto Qwen 3.5 merecem consideração.

Comparativo de provedores de inferência

Como decidir pelo caso de uso

Não existe vencedor universal. A escolha começa pelo workload:

• Prototipagem rápida e experimentação: DeepInfra ou Novita AI oferecem o menor custo de entrada com o catálogo mais amplo de variantes Qwen.
• Aplicações interativas com baixa latência: Groq entrega a melhor velocidade de geração da categoria, embora com catálogo mais restrito.
• Produção empresarial com SLAs: Together AI e Fireworks AI oferecem endpoints dedicados, garantias de latência e suporte a fine-tuning.
• Agentes de IA com alto volume de tokens: Fireworks AI e RunPod permitem controle fino sobre concorrência e throughput, essencial para agentes que processam milhões de tokens por dia.
• Compliance e residência de dados: DigitalOcean e SiliconFlow permitem escolha de região, importante para times que precisam manter dados no Brasil ou na América Latina.

Self-hosting: quando faz sentido

Para times com experiência em MLOps, self-hosting do Qwen em GPUs próprias ou alugadas (RunPod, DigitalOcean Bare Metal GPUs) oferece o máximo de controle. Modelos como Qwen3.5-35B-A3B (35B total, 3B ativos) podem rodar em uma única GPU de 24 GB, enquanto Qwen3.5-397B-A17B exige 4-8 GPUs. O custo de energia e operação no Brasil precisa ser considerado — uma GPU A100 de 80 GB consome aproximadamente R$ 2.500-3.500/mês em eletricidade no cenário doméstico brasileiro, sem contar refrigeração.

Recomendação para times brasileiros

Para a maioria dos times no Brasil em 2026, a combinação ideal é começar com uma API gerenciada (DeepInfra ou DigitalOcean) para desenvolvimento e validação, migrar para endpoints dedicados (Together AI ou Fireworks AI) quando houver tráfego previsível, e considerar self-hosting apenas quando o volume mensal de tokens justificar o custo fixo de GPUs — tipicamente acima de 500 milhões de tokens por mês.