ChatGPT vs o Mundo: Por Dentro dos Principais Modelos de Linguagem de IA da Atualidade

Introdução: Uma IA pode escrever seu trabalho de conclusão de curso, depurar código e planejar o jantar melhor do que você? Modelos de Linguagem de Grande Porte (LLMs), como o ChatGPT, explodiram no mainstream, impressionando o mundo com conversas em linguagem natural e conhecimento turbinado. Em apenas dois meses após o lançamento, o ChatGPT atingiu 100 milhões de usuários – o aplicativo de crescimento mais rápido da história reuters.com. Esses magos da IA são alimentados por redes neurais com bilhões a trilhões de parâmetros treinados em oceanos de texto. O mais recente modelo do ChatGPT da OpenAI (GPT-4) é estimado em impressionantes 1,8 trilhão de parâmetros explodingtopics.com, utilizando o avançado design “mixture-of-experts” para agregar ainda mais inteligência. Mas a OpenAI não está sozinha – concorrentes como o Claude da Anthropic, Gemini do Google DeepMind, LLaMA da Meta, Mixtral da Mistral AI, entre outros, disputam a coroa dos LLMs. Cada um tem sua própria arquitetura, forças e peculiaridades.

Neste relatório abrangente, vamos desmistificar os LLMs – como eles funcionam e por que são importantes – e então mergulhar em uma análise aprofundada do ChatGPT e seus principais rivais. Vamos comparar especificações técnicas, capacidades (até truques multimodais como imagens!), abertura, e os prós/contras que podem criar ou acabar com sua experiência em IA. Por fim, encerraremos com tendências e dicas para escolher o modelo certo para suas necessidades. Prepare-se para um emocionante passeio pelo atual cenário da IA!

Introdução aos LLMs: Como Funcionam e Por Que São Revolucionários

O que são LLMs? Modelos de Linguagem de Grande Porte são sistemas de IA treinados para compreender e gerar texto. Eles são construídos sob a arquitetura Transformer, que utiliza mecanismos de autoatenção para aprender padrões da linguagem. Essencialmente, um LLM lê enormes quantidades de texto e aprende a prever a próxima palavra em uma sentença. Ao treinar em bilhões ou trilhões de palavras (livros, sites, códigos, o que for), esses modelos desenvolvem uma compreensão quase sobrenatural da linguagem, fatos e até um certo raciocínio. Os LLMs modernos são primeiro pré-treinados em um corpus geral (aprendendo a completar ou continuar textos) e geralmente ajustados finamente para tarefas ou instruções específicas en.wikipedia.org en.wikipedia.org. Técnicas como aprendizado por reforço com feedback humano (RLHF) são usadas para alinhar os modelos às preferências humanas, tornando-os melhores em seguir instruções e ser úteis anthropic.com anthropic.com.

Porte Monumental: O “grande” em LLM é realmente grande – modelos Transformer iniciais como o GPT-2 tinham 1,5 bilhão de parâmetros, mas agora estamos falando de acima de 100 bilhões como algo comum, e modelos de ponta ultrapassando um trilhão. Por exemplo, o GPT-3 tinha 175 bilhões de parâmetros, e a arquitetura do GPT-4 (embora não oficialmente divulgada) rumora-se usar cerca de 8 modelos × 220B parâmetros cada (≈1,76 trilhão) explodingtopics.com explodingtopics.com. Esse porte monumental confere aos LLMs uma memória extraordinária dos dados de treinamento e a capacidade de gerar textos muito fluentes e relevantes ao contexto. No entanto, isso também os torna grandes consumidores de recursos – treinar o GPT-4 teria custado mais de US$100 milhões em computação explodingtopics.com, e pesquisadores alertam que a próxima geração pode custar US$10 bilhões para treinar até 2025 explodingtopics.com. Para rodar esses modelos, são necessárias GPUs potentes ou hardware especializado.

Contexto e “Memória”: Os LLMs não entendem exatamente como humanos, mas usam uma janela de contexto para controlar o histórico de conversação ou documento. Modelos antigos processavam cerca de 2 mil tokens (~1500 palavras), mas os novos possuem janelas de contexto enormes – o Claude 2 da Anthropic aceita até 100 mil tokens (aprox. 75 mil palavras), e o Gemini 1.5 do Google já testou uma incrível janela de contexto de 1 milhão de tokens en.wikipedia.org. Isso significa que um LLM pode considerar um livro inteiro ou horas de diálogo como entrada, possibilitando conversas longas e análise profunda. Contudo, contextos extensos demandam mais computação e podem diluir o foco do que é mais importante en.wikipedia.org.

Multimodalidade: Enquanto os primeiros LLMs lidavam apenas com texto, a fronteira agora são os modelos multimodais que podem processar imagens, áudio ou vídeo, além do texto. “LLMs multimodais” conseguem descrever imagens, gerar gráficos a partir de descrições ou receber comandos por voz. Por exemplo, o GPT-4 da OpenAI pode interpretar imagens (no ChatGPT Vision), e o Gemini do Google foi projetado desde o início para ser multimodal – processando texto, imagens e mais en.wikipedia.org en.wikipedia.org. Isso abre porta para uma IA que enxerga e fala, e não só lê e escreve.

Capacidades Emergentes e Limitações: À medida que os LLMs cresciam, começaram a mostrar habilidades emergentes – resolver problemas de matemática, escrever código, passar em provas de conhecimento – tarefas não programadas diretamente. Por exemplo, o GPT-4 quase alcançou o percentil 90 no exame da Ordem dos Advogados dos EUA (onde o GPT-3.5 ficou apenas no ~10º percentil) law.stanford.edu, e consegue obter notas máximas em diversas provas acadêmicas e profissionais. Esses modelos são excelentes para gerar texto coerente e relevante ao contexto, e podem ser muito criativos. Porém, também têm fraquezas conhecidas. Eles alucinam – produzem respostas confiantes mas incorretas ou sem sentido en.wikipedia.org. Eles carecem de compreensão real ou raciocínio, e podem ter dificuldades com lógica complexa ou eventos recentes não presentes nos dados de treinamento. Além disso, modelos fechados podem ser caixas pretas: nem sempre sabemos por que disseram o que disseram, e seu conhecimento está limitado à data em que foram treinados (por exemplo, a base de conhecimento do ChatGPT ficou fixa em 2021 por muito tempo).

Modelos Abertos vs Fechados: Alguns LLMs têm código-fonte aberto ou pesos-livres, ou seja, seus pesos de modelo são liberados para qualquer um usar e até ajustar. Isso incentiva uma comunidade de desenvolvedores e amplia a transparência. A Meta começou essa tendência com o LLaMA em 2023, e outros como Mistral AI e Cohere também lançaram modelos poderosos de forma aberta. Modelos abertos permitem customização, implantação local e auditoria do comportamento da IA mistral.ai ibm.com. Por outro lado, muitos dos melhores modelos (da OpenAI e do Google) são fechados, acessíveis apenas via API ou interface limitada. Modelos fechados geralmente lideram em capacidade, mas exigem confiança no fornecedor e impõem restrições de uso.

Com esse cenário em mente, vamos conhecer os principais LLMs que definem o cenário atual da IA – seu design, forças, fraquezas e como se comparam.

ChatGPT (OpenAI): O Pioneiro da IA Conversacional

Visão geral: O ChatGPT da OpenAI é a IA que incendiou a imaginação pública. Lançado como chatbot gratuito em novembro de 2022, tornou-se uma sensação da noite para o dia por sua habilidade em manter conversas naturais, resolver problemas e gerar praticamente qualquer texto sob demanda. Em janeiro de 2023, já tinha estimados 100 milhões de usuários, tornando-se o aplicativo de consumo de crescimento mais rápido da história reuters.com. O ChatGPT é alimentado pelos modelos da série GPT da OpenAI – inicialmente GPT-3.5 (um modelo de 175B parâmetros ajustado finamente a partir do GPT-3 de 2020) e agora, frequentemente, o GPT-4 para usuários pagantes. O GPT-4 é uma enorme rede neural baseada em Transformer, com rumores de usar uma arquitetura Mixture-of-Experts com cerca de 1,7–1,8 trilhão de parâmetros espalhados por 8 modelos especialistas explodingtopics.com explodingtopics.com. A OpenAI não confirmou detalhes, mas o GPT-4 é claramente muito maior e mais avançado que seus antecessores.

Treinamento e Tecnologia: Os modelos GPT são Transformers apenas de decodificador treinados em conjuntos de dados de texto gigantescos (o GPT-4 foi alimentado com textos e códigos da internet, livros, Wikipédia, etc., provavelmente totalizando trilhões de tokens). O modelo aprende a prever o próximo token em uma sequência, o que, com o tempo de treinamento, o ensina gramática, fatos e algum raciocínio. Após o pré-treinamento, o ChatGPT passou por ajuste por instrução e RLHF – a OpenAI contou com humanos que forneceram feedback sobre as respostas do modelo, e utilizou aprendizado por reforço para fazer o modelo seguir instruções e ser amigável ao usuário anthropic.com anthropic.com. Por isso, o ChatGPT explica respostas passo a passo ou recusa solicitações inadequadas com base em mecanismos de proteção. O GPT-4 introduziu capacidades multimodais: pode aceitar imagens como entrada e descrevê-las ou analisá-las (ChatGPT Vision). Também expandiu a janela de contexto para até 32.000 tokens (cerca de 24 mil palavras) no lançamento de 2023, permitindo processar documentos longos ou diálogos extensos explodingtopics.com.

Uso e Integração: O ChatGPT está acessível por meio de uma interface web de chat e pela API da OpenAI, tornando fácil para qualquer pessoa experimentar. Agora está integrado em inúmeros produtos – por exemplo, o Bing Chat e os recursos Copilot da Microsoft utilizam o GPT-4, e muitos aplicativos oferecem plugins para ChatGPT. Essa ampla disponibilidade, além da vantagem de pioneirismo da OpenAI, deu ao ChatGPT uma vantagem inicial na captação de usuários e desenvolvedores reuters.com reuters.com. As pessoas o utilizam para auxílio à escrita, assistência em programação, pesquisa, tutoria, brainstorming criativo, bots de atendimento ao cliente – os casos de uso são infinitos. A OpenAI também oferece ajuste fino nos modelos GPT-3.5, permitindo que empresas personalizem o ChatGPT para tarefas especializadas (com ajuste fino do GPT-4 no horizonte).

Forças: O ChatGPT (especialmente com o GPT-4) ainda é considerado o padrão ouro em muitas áreas. Possui conhecimento extraordinariamente amplo (graças ao treinamento praticamente em toda a internet). Produz respostas fluentes, coerentes e contextualmente relevantes em vários idiomas. Consegue lidar com tarefas complexas de raciocínio e programação muito melhor do que modelos anteriores – por exemplo, o GPT-4 pode resolver problemas matemáticos complexos e escrever códigos extensos, tendo inclusive aprovado em vários exames profissionais (Bar, LSAT, etc.) entre os melhores percentuais law.stanford.edu. O ChatGPT também é altamente amigável ao usuário: foi projetado para seguir instruções e fornecer respostas detalhadas, e com RLHF geralmente responde de forma útil e segura. Como resultado, destaca-se em tarefas criativas como escrever histórias ou brainstormar, além de conseguir explicar ou ensinar conceitos com clareza. Seu amplo contexto permite digerir entradas longas (como artigos inteiros) e manter conversas de múltiplas interações de forma eficaz. Por fim, o efeito de rede é um ponto forte – há tantos plugins, integrações e fóruns comunitários para o ChatGPT que os usuários têm um ecossistema rico à disposição.

Fraquezas: Apesar de sua proeza, o ChatGPT possui limitações notáveis. A maior delas é a tendência a alucinar informações – pode afirmar fatos falsos ou inventar conteúdos com total confiança en.wikipedia.org. Por exemplo, pode citar estudos ou leis inexistentes, devido ao modelo prever uma resposta plausível mesmo quando incerto. Às vezes também tem dificuldades com eventos muito atuais (dependendo do seu limite de conhecimento; os dados de treinamento do GPT-4 vão até meados de 2021, com atualizações limitadas via Bing para informações mais recentes). Outra fraqueza é a falta de transparência – sendo um modelo fechado, não se conhece exatamente suas fontes de dados ou funcionamento interno, o que pode ser problemático se gerar conteúdo enviesado ou incorreto. Os mecanismos de segurança da OpenAI, embora importantes para a segurança, fazem com que o ChatGPT recuse certas consultas ou produza respostas genéricas do tipo “Como uma IA, não posso fazer isso”, o que pode frustrar alguns usuários. Em desempenho, o GPT-4 é poderoso, mas lento e caro de operar; a versão gratuita (GPT-3.5) pode ser percebida como visivelmente mais fraca em raciocínio ou precisão. Por fim, usar o ChatGPT requer confiança na OpenAI – já que o modelo não é open source e o uso é via a plataforma deles, privacidade de dados e dependência do serviço da OpenAI são considerações (especialmente para negócios).

Em resumo, o ChatGPT permanece um assistente de IA de uso geral revolucionário, com capacidades de alto nível em todos os aspectos, mas sua natureza fechada e ocasionais informações equivocadas abrem espaço para concorrentes – e de fato, concorrentes já chegaram.

Claude (Anthropic): O Conversacionalista Ético com Memória Gigante

Visão geral: Claude é um LLM desenvolvido pela Anthropic, uma startup voltada para segurança em IA fundada por ex-pesquisadores da OpenAI. Se o ChatGPT é o queridinho do público, Claude é a alternativa segurança em primeiro lugar, projetada para ser útil, honesta e inofensiva. A Anthropic lançou o Claude no início de 2023 e disponibilizou o Claude 2 em julho de 2023 como um modelo aprimorado. O Claude funciona de maneira similar ao ChatGPT (também acessível via interface de chat ou API), mas a Anthropic o diferenciou ao enfatizar métodos de treinamento éticos e uma janela de contexto extremamente grande. O Claude 2 foi lançado com até 100.000 tokens de contexto (aproximadamente 75 mil palavras), o que significa que pode processar documentos muito longos ou até livros inteiros de uma só vez en.wikipedia.org. Isso era uma ordem de grandeza maior do que o contexto do GPT-4 na época, tornando o Claude especialmente atrativo para tarefas como análise de texto em larga escala ou conversas longas sem que a IA “esqueça” detalhes anteriores.

Arquitetura & Treinamento: O Claude é construído sobre uma arquitetura Transformer similar ao GPT, e embora a Anthropic não tenha divulgado o tamanho exato, estima-se que o Claude 2 tenha ~137 bilhões de parâmetros (contra ~93B do Claude 1 original) datasciencedojo.com. Isso o coloca um pouco menor que o GPT-4 em escala, mas na mesma faixa de modelos como o PaLM 2. A inovação chave da Anthropic é a “IA Constitucional” – uma técnica de treinamento em que o modelo é guiado por um conjunto de princípios escritos (uma “constituição”) para reger seu comportamento anthropic.com anthropic.com. Ao invés de contar apenas com feedback humano para penalizar respostas inadequadas, a Anthropic fez com que o Claude criticasse e aprimorasse suas próprias respostas conforme uma lista explícita de regras sobre o que é considerado inofensivo e útil. Por exemplo, a constituição do Claude se baseia na Declaração Universal dos Direitos Humanos e outras diretrizes éticas anthropic.com anthropic.com. Essa abordagem visa produzir um modelo que recusa solicitações inadequadas e evita conteúdos tóxicos ou enviesados de forma mais autônoma. Na prática, o Claude é extremamente avesso a fornecer conteúdos proibidos – recusa educadamente solicitações de violência, ódio, comportamento ilícito, etc., citando seus princípios. A Anthropic observou que o feedback de IA (usar o próprio modelo para julgar respostas conforme a constituição) teve melhor escala e poupou avaliadores humanos de exposição a conteúdo perturbador anthropic.com anthropic.com.

Capacidades: O desempenho do Claude está próximo à faixa do GPT-3.5 ao GPT-4, dependendo da tarefa. É muito eficaz em diálogos prolongados e manutenção de contexto, graças à sua enorme memória. Por exemplo, usuários já forneceram ao Claude um romance inteiro e pediram para analisar ou editar a história. Ele também executa tarefas estruturadas como resumir transcrições, escrever código ou responder perguntas, com qualidade geralmente comparável ao ChatGPT. Em alguns benchmarks, o Claude 2 se aproxima do nível do GPT-4. (De fato, no fim de 2023, a Anthropic já estava testando o Claude 2.1 e além; o Claude 3 estava no horizonte, supostamente com grande aumento de escala.) O Claude também é multilíngue e pode lidar com inglês, francês, etc., embora sua principal força seja o inglês. A Anthropic afirma que o Claude tem menor propensão a alucinações ou a gerar conteúdo nocivo por causa do treinamento; tende a ser um pouco mais cauteloso e explica recusas ou respostas incertas de forma mais detalhada. Um recurso notável – o Claude já estava disponível com um limite muito alto de saída (pode gerar respostas extremamente longas se solicitado, aproveitando o grande contexto), útil para redação extensa ou geração de documentos.

Acesso e Uso: Inicialmente, o Claude era oferecido via API (e notadamente integrado ao Slack como assistente de chat durante o beta). Depois, a Anthropic abriu uma interface web (claude.ai) para uso direto. Atualmente é gratuito com alguns limites, e a Anthropic também faz parcerias com empresas (o Claude está disponível em plataformas como AWS Bedrock). O Claude ainda não possui tantas integrações voltadas ao consumidor quanto o ChatGPT, mas alguns produtos (como o Poe, do Quora) oferecem o Claude como opção. Como a Anthropic prioriza segurança, o Claude pode ser favorecido em ambientes corporativos ou educacionais onde controlar o comportamento da IA é crucial.

Pontos Fortes: Os maiores pontos fortes do Claude incluem sua enorme janela de contexto – ele pode receber e analisar muito mais informações de uma só vez do que a maioria dos concorrentes, o que é inestimável para tarefas como processar PDFs longos ou transcrições de reuniões de várias horas. Ele também é ajustado para altos padrões éticos; raramente produz conteúdo ofensivo ou arriscado e frequentemente explica seu raciocínio, o que pode aumentar a confiança do usuário. Usuários relatam que o Claude tem uma personalidade muito amigável e positiva e é excelente em escrita criativa. Suas respostas são detalhadas e ele tem menos probabilidade de se recusar a atender a um pedido válido (procura ser útil mesmo seguindo regras). Em tarefas de programação, o Claude 2 é competitivo, e tem vantagem ao lidar com bases de código ou documentos realmente grandes devido ao tamanho do contexto. Outro ponto forte: a Anthropic está continuamente aprimorando o conhecimento e o raciocínio do Claude – por exemplo, o Claude 2 marcou acima de 80% em uma série de benchmarks acadêmicos e de programação, diminuindo a diferença para o GPT-4 ibm.com ibm.com. Por fim, para organizações, o Claude oferece uma alternativa a depender exclusivamente da OpenAI – é sempre bom ter outro modelo de ponta no mercado.

Pontos Fracos: O Claude, apesar de poderoso, às vezes pode parecer menos afiado que o GPT-4 nos problemas mais difíceis. Seu conhecimento pode ser um pouco mais limitado (caso o número de parâmetros e os dados de treinamento sejam realmente menores que os do GPT-4). Ele também tende a divagar: as respostas do Claude podem ser extremamente longas e excessivamente estruturadas (às vezes repetindo a pergunta ou explicando demais). Essa verbosidade é resultado de seu treinamento para ser útil e não perder detalhes, mas pode exigir que o usuário o direcione de volta ao objetivo. Apesar do foco na veracidade, o Claude ainda alucina às vezes – não está imune a inventar informações caso “pense” que deve responder. Outro problema: Disponibilidade e integração. Fora do público técnico, o Claude é menos famoso que o ChatGPT, e usuários casuais talvez nem saibam que ele existe. Sua interface e ecossistema são menos desenvolvidos (menos plugins ou demonstrações públicas). Além disso, por ser um modelo fechado (embora não tão rigidamente controlado quanto o da OpenAI), é preciso obter acesso à API ou plataforma da Anthropic, que atualmente depende de convites para alguns recursos. Por fim, o contexto ultra-amplo do Claude, apesar de vantajoso, pode ser lento – manipular 100 mil tokens pode ser demorado ou caro, então o uso real da janela completa ainda é limitado por restrições computacionais.

Em resumo, o Claude da Anthropic é como aquele amigo responsável do ChatGPT – talvez não tão brilhante quanto o GPT-4 no seu auge, mas confiável, extremamente atento ao contexto e alinhado para ser o mais seguro e útil possível. É uma ótima escolha para tarefas que exigem processamento de textos longos ou aderência rigorosa a diretrizes éticas.

Gemini (Google DeepMind): A Potência Multimodal Pronta para Superar o GPT-4

Visão Geral: Gemini é o mais recente LLM de ponta da Google DeepMind, apresentado no final de 2023 como a resposta do Google ao GPT-4. Não é apenas um modelo, mas sim uma família de modelos voltados para diferentes escalas (de forma semelhante ao que a OpenAI fez com versões GPT-4 e GPT-4 “Turbo”). O desenvolvimento do Gemini foi uma colaboração entre o Google Brain e a DeepMind (após a fusão das duas em Google DeepMind em 2023) en.wikipedia.org. Desde o início, o Google promoveu Gemini como uma IA de próxima geração que ultrapassaria o ChatGPT ao combinar técnicas avançadas – incluindo aquelas por trás do AlphaGo (a IA do jogo Go) para dotá-lo de habilidades de planejamento e resolução de problemas en.wikipedia.org. Diferente de muitos LLMs que trabalham apenas com texto, o Gemini é inerentemente multimodal. Ele foi projetado para lidar com texto, imagens e, possivelmente, outros tipos de dados como áudio ou vídeo, tudo em um mesmo modelo en.wikipedia.org en.wikipedia.org. Basicamente, o Google criou o Gemini para ser o motor por trás dos seus recursos de IA na Busca, Google Cloud e produtos para consumidores.

Arquitetura e Escala: O Google foi um pouco reservado quanto aos detalhes internos do Gemini, mas aqui está o que se sabe. O Gemini 1.0 foi lançado em dezembro de 2023 em três níveis: Gemini Nano (pequeno, para dispositivos móveis), Gemini Pro (médio, uso geral) e Gemini Ultra (grande, para tarefas mais complexas) en.wikipedia.org. No lançamento, o Ultra era o maior e mais poderoso modelo do Google até então – chamado de “o maior e mais capaz modelo de IA do Google” en.wikipedia.org. Segundo relatos, ele superou o GPT-4 da OpenAI, o Claude 2 da Anthropic, o LLaMA 2 70B da Meta, etc., em muitos benchmarks en.wikipedia.org. Na verdade, o Gemini Ultra foi o primeiro modelo a ultrapassar 90% no benchmark MMLU, passando a barreira do nível de um especialista humano en.wikipedia.org. Por trás dos panos, quando o Gemini 1.5 foi introduzido (início de 2024), o Google revelou que tinha adotado uma arquitetura Mixture-of-Experts (MoE) e alcançado uma janela de contexto colossal de 1 milhão de tokens en.wikipedia.org en.wikipedia.org. MoE significa que o modelo consiste em vários “especialistas” internos, onde apenas um subconjunto é ativado a cada consulta mistral.ai – isso aumenta drasticamente o número de parâmetros sem desaceleração proporcional. (Pode-se inferir que o Gemini Ultra tem na ordem de trilhões de parâmetros, similar à escala do GPT-4, mas o Google não confirma números exatos.) O contexto longo (1M tokens) é um marco – cerca de um livro inteiro ou 700 mil palavras em contexto en.wikipedia.org – embora provavelmente seja um recurso experimental com infraestrutura especializada. No final de 2024, o Gemini 2.0 estava em desenvolvimento, e o Google também lançou o Gemma, uma série menor e open-source (2B e 7B de parâmetros), relacionada ao Gemini para a comunidade en.wikipedia.org.

Integração com Produtos do Google: O Gemini foi rapidamente integrado ao ecossistema do Google. Logo no lançamento, o Bard (chatbot do Google) foi atualizado para Gemini (inicialmente Gemini Pro para a maioria dos usuários, e lista de espera para Ultra como “Bard Advanced”) en.wikipedia.org. O smartphone Pixel 8 do Google recebeu o Gemini Nano para recursos de IA diretamente no dispositivo en.wikipedia.org. O Google também anunciou planos de incorporar o Gemini na Pesquisa (a Search Generative Experience agora usa Gemini para gerar respostas), Google Ads (para ajudar na criação de anúncios), Google Workspace (Duet AI) para sugestões de escrita em Docs/Gmail, Chrome (para assistência de navegação mais inteligente) e até ferramentas de desenvolvimento de software en.wikipedia.org. No início de 2024, o Google disponibilizou o Gemini Pro para clientes corporativos através da sua plataforma em nuvem Vertex AI en.wikipedia.org. Em resumo, o Gemini é a espinha dorsal da IA do Google em serviços voltados ao consumidor e empresas – garantindo um alcance massivo de implantação.

Capacidades: O Gemini é de última geração em vários aspectos. Ele se destaca em compreensão e geração de linguagem em diversos idiomas. Também é especializado em código (uma das variantes provavelmente é ajustada para programação, assim como o “Codey” no PaLM 2 do Google). Sua capacidade multimodal permite que você envie uma imagem e faça perguntas – semelhante à visão do GPT-4 – ou peça para que ele gere descrições. O CEO do Google, Sundar Pichai, disse que o Gemini consegue criar imagens contextuais a partir de comandos, sugerindo integração de geração de imagem a partir de texto en.wikipedia.org. Dada a participação da DeepMind, o Gemini também pode incorporar estratégias avançadas de raciocínio – por exemplo, usando algoritmos de planejamento ou uso de ferramentas, inspirados na abordagem do AlphaGo, para lidar com tarefas complexas (Demis Hassabis sugeriu que ele pode combinar o poder do AlphaGo com LLMs en.wikipedia.org). Em benchmarks, como observado, o Gemini Ultra igualou ou superou o GPT-4 em muitos testes acadêmicos e de bom senso en.wikipedia.org. O Gemini 1.5 ainda melhorou o desempenho utilizando menos recursos computacionais (ganhos de eficiência pela nova arquitetura) blog.google blog.google. É seguro dizer que o Gemini está entre os modelos mais poderosos de 2024–2025.

Pontos Fortes: Uma das principais vantagens do Gemini é a multimodalidade – enquanto a capacidade de compreensão de imagens do GPT-4 é um pouco limitada e nem todos os modelos oferecem esse recurso, o Gemini foi concebido para lidar nativamente com múltiplos tipos de dados en.wikipedia.org. Isso pode possibilitar interações mais ricas (por exemplo, analisar uma imagem de gráfico e responder perguntas ou gerar uma imagem a partir de uma descrição em tempo real). Outro ponto forte é a integração estreita com busca/dados. Como o Google controla tanto o LLM quanto o índice de busca, o Bard movido pelo Gemini pode buscar informações em tempo real e citar fontes, reduzindo alucinações e mantendo as respostas atualizadas. (O Google demonstrou que o Bard faz buscas ao vivo para checar fatos – algo que o ChatGPT só pode fazer com plugins ou no modo de navegação.) O desempenho de liderança do Gemini em benchmarks como o MMLU mostra seu destaque em domínios diversos do conhecimento en.wikipedia.org. Além disso, o Google tem dado grande ênfase em eficiência e segurança: o Gemini 1.5 alcançou qualidade de nível GPT-4 utilizando menos recursos computacionais blog.google blog.google, resultando em inferências mais rápidas e baratas. Eles também implementaram rigorosos testes de segurança – o lançamento público do Gemini Ultra foi adiado até que testes extensivos fossem concluídos en.wikipedia.org. Outro diferencial: ecossistema. Desenvolvedores podem usar o Gemini via Google Cloud, além de estar acessível em apps familiares (sem necessidade de novo cadastro para milhões de usuários do Gmail ou Android). Para empresas já na plataforma do Google, adotar serviços do Gemini é simples.

Fraquezas/Limitações: Em sua fase inicial, a disponibilidade do Gemini era restrita – no lançamento, o Gemini Ultra (o melhor modelo) não estava imediatamente aberto para todos, devido a questões de segurança e recursos computacionais en.wikipedia.org. Somente alguns parceiros ou usuários pagantes tiveram acesso, então o público geral inicialmente experimentou o Gemini através do Bard, com alguns limites. Além disso, por ser um produto Google, é código fechado (exceto os modelos menores Gemma). Não é possível baixar o Gemini Ultra para rodar localmente – você precisa usar a API ou a interface do Google. Isso significa que, se o Google alterar ou atualizar o modelo, os usuários precisam aceitar (é um alvo móvel, ainda que em constante melhoria). Outra potencial fraqueza é a confiança e viés – algumas pessoas podem se preocupar com vieses, já que o modelo é treinado em dados selecionados pelo Google e alinhado com as regras de segurança de IA da empresa. (Por outro lado, o Google lançou modelos abertos tentando maior transparência en.wikipedia.org.) Vale notar também que, embora integrado à busca, alguns usuários acharam o Bard (Gemini) inicialmente menos criativo ou “disposto a correr riscos” que o ChatGPT, tendendo a evitar certas opiniões pessoais ou hipóteses imaginativas, possivelmente por restrições mais rígidas. Isso pode fazer o Gemini parecer mais restrito ou genérico nas respostas, ainda que tal comportamento costume evoluir com as atualizações. Por fim, a concorrência é um fator importante – quando o Gemini foi lançado, o GPT-4 já estava consolidado e os modelos abertos da Meta estavam evoluindo rapidamente. Então o Gemini precisa provar sua superioridade no uso real, não apenas em benchmarks. Veremos o verdadeiro teste à medida que mais usuários o utilizem nos produtos Google.

Em essência, o Gemini é o peso-pesado do Google no ringue dos LLMs – poderoso, versátil e profundamente integrado. Se a OpenAI definiu o ritmo no início, o Google está correndo atrás para reconquistar a liderança com uma IA presente de seu campo de busca ao seu smartphone.

LLaMA (Meta): LLMs Open-Source para Todos – de 7B a 405B Parâmetros

Visão geral: LLaMA (Large Language Model Meta AI) é uma família de LLMs da Meta (empresa-mãe do Facebook) que liderou a revolução da IA open-source. A estratégia da Meta divergiu da OpenAI/Google – em vez de oferecer apenas APIs de caixa-preta, a Meta divulgou os pesos de seus modelos para pesquisadores e, depois, para o público, permitindo que qualquer um possa executá-los e construir em cima deles. O LLaMA 1 original foi anunciado em fevereiro de 2023 como um conjunto de modelos variando de 7B a 65B parâmetros, inicialmente para uso em pesquisa. Embora o LLaMA 1 fosse de licença fechada (apenas pesquisa), seus pesos vazaram online e logo a comunidade de IA estava ajustando o modelo para uma infinidade de usos (chatbots, assistentes de código, etc.). Ao notar o interesse, a Meta redobrou os esforços com o LLaMA 2, lançado em julho de 2023, que era open-source (acessível a todos) com uma licença permissiva (permitindo uso comercial sob certas condições) siliconangle.com siliconangle.com. O LLaMA 2 inclui modelos de 7B, 13B e 70B parâmetros, além de versões “Chat” ajustadas. Mas a Meta não parou aí – em 2024, lançou os modelos LLaMA 3, incluindo um gigantesco modelo de 405B parâmetros (Llama 3.1), que é o maior LLM abertamente disponível até hoje, rivalizando em tamanho com modelos fechados como o GPT-4 ai.meta.com ibm.com.

Arquitetura e treinamento: Os modelos LLaMA são arquiteturas Transformer apenas com decoder, semelhantes em design aos modelos no estilo GPT. Eles são treinados em grandes corpora de texto; por exemplo, o LLaMA 2 foi treinado em 2 trilhões de tokens de dados (dobrando o conjunto de dados do LLaMA 1) originality.ai viso.ai. O foco foi numa mistura diversa de fontes (dados públicos da web, código, Wikipedia, etc.) com intensa limpeza dos dados. O objetivo da Meta foi alcançar alta performance em menor escala graças à eficiência do treinamento – o LLaMA 1 surpreendeu o mundo ao mostrar que um modelo de 13B podia superar o GPT-3 (175B) em várias tarefas siliconangle.com. Isso foi possível com mais tokens e um ajuste criterioso. O LLaMA 2 70B melhorou ainda mais habilidades como programação e raciocínio. Na fase do LLaMA 3, a Meta não só ampliou o número de parâmetros (introduzindo um modelo de 405B), como também melhorou a multilinguagem, o tamanho do contexto e até adicionou suporte a visão em algumas variantes ai.meta.com ai.meta.com. (A Meta chegou a sugerir tornar o LLaMA 3 multimodal e, de fato, liberou depois modelos com capacidade de visão ai.meta.com.) O grande modelo Llama 3.1 405B usa agrupamento de consultas (“grouped-query attention”) e outras otimizações para lidar com contextos mais longos – por volta de 32k tokens, embora os detalhes sejam técnicos. Importante ressaltar que a Meta libera tanto os modelos pré-treinados quanto as versões ajustadas para instrução (ex: Llama-2-Chat, Llama-3.1-Instruct), já alinhadas para diálogos.

Pesos abertos e comunidade: A natureza aberta do LLaMA gerou uma explosão de inovação conduzida pela comunidade. Após o vazamento do LLaMA 1, pesquisadores o ajustaram e criaram o Alpaca (modelo de 7B de Stanford ajustado com saídas do GPT), Vicuna, WizardLM e inúmeras outras variantes – frequentemente a baixo custo – mostrando que modelos abertos menores podem alcançar qualidade surpreendente. Com o lançamento oficial do LLaMA 2 (em parceria com Microsoft/Azure), empresas e start-ups passaram a usar o LLaMA como base para seus próprios modelos, sem as preocupações legais ligadas ao vazamento siliconangle.com siliconangle.com. Empresas como IBM, Amazon e outras adotaram modelos da família LLaMA em suas soluções de nuvem ibm.com ibm.com. Ao liberar um modelo de 405B, a Meta praticamente equiparou a escala dos melhores modelos proprietários e deu à comunidade um enorme laboratório para experimentação ibm.com ibm.com. Esse modelo 405B (Llama 3.1 405B) demonstrou paridade de desempenho com os melhores modelos fechados em muitos benchmarks – por exemplo, obteve 87,3% no MMLU, empatando com GPT-4 e Claude 3 nesse exame ibm.com. Também se destacou em codificação (HumanEval), compreensão de leitura e em outros quesitos, muitas vezes igualando ou superando o GPT-4 Turbo e o Google Gemini em testes internos ibm.com ibm.com.

Aplicações e Casos de Uso: Como qualquer pessoa pode rodar os modelos LLaMA localmente (com hardware suficiente) ou em seus próprios servidores, esses modelos têm sido utilizados em diversas aplicações. Usuários têm ajustado o LLaMA para áreas especializadas: bots de aconselhamento médico, analisadores de documentos jurídicos, chatbots de role-play, assistentes de programação e ferramentas de pesquisa. Os modelos LLaMA 2 de 7B e 13B podem até rodar em notebooks ou smartphones de alto desempenho (com quantização), possibilitando IA na ponta. O LLaMA também se tornou uma plataforma de pesquisa – cientistas o usam para estudar o comportamento do modelo, alinhamento e técnicas de eficiência, já que podem inspecionar diretamente os pesos. A própria Meta integrou o LLaMA em seus produtos para consumidores: no final de 2023, a Meta lançou o Meta AI Assistant no WhatsApp, Instagram e Messenger, que inicialmente era alimentado pelo LLaMA 2 e depois atualizado para o LLaMA 3 about.fb.com about.fb.com. Esse assistente pode responder perguntas em chats, gerar imagens (prompts “/imagine”) e possui personagens de IA com temas de celebridades – mostrando as capacidades do LLaMA em um cenário do mundo real.

Pontos Fortes: O ponto forte óbvio é a abertura. Ter acesso aos pesos do modelo significa total transparência e controle – desenvolvedores podem customizar o modelo (ajustando-o com seus próprios dados), inspecionar para possíveis vieses ou fragilidades, e implantá-lo sem enviar dados para uma nuvem de terceiros. Isso é excelente para privacidade e aplicações sensíveis. Os modelos LLaMA também são altamente eficientes em termos de desempenho por parâmetro. Os modelos menores (7B, 13B) apresentam desempenho acima da média para seu tamanho, conseguindo bons resultados com hardware modesto siliconangle.com. Enquanto isso, os maiores LLaMAs (70B, 405B) mostraram ser de nível mundial em capacidade ibm.com ibm.com. Outro ponto forte é o apoio da comunidade – com milhares de colaboradores, há diversas melhorias disponíveis: bibliotecas de quantização para diminuir o tamanho do modelo, receitas de ajuste fino e extensões para maior contexto ou memória. A Meta também incorporou recursos de segurança no LLaMA 2 e 3, lançando fichas técnicas e políticas de uso aceitável; os modelos abertos não são “descontrolados” por padrão – as versões de chat são razoavelmente alinhadas para não produzir conteúdos proibidos (embora não de forma tão rigorosa quanto AIs fechados, o que alguns usuários preferem). A versatilidade de poder implantar localmente é uma grande vantagem para empresas preocupadas com governança de dados. E a rápida evolução da Meta (do LLaMA 1 ao 3 em cerca de um ano) mostra o compromisso de manter os modelos abertos na vanguarda.

Pontos Fracos: Apesar de todo o entusiasmo, os modelos LLaMA têm algumas ressalvas. Prontos para uso, os menores (7B/13B) ainda são mais fracos do que gigantes como o GPT-4 – podem ter dificuldades com raciocínio complexo, responder de forma mais genérica ou falhar em questões muito detalhadas. O ajuste fino pode mitigar isso, mas exige trabalho. O maior LLaMA (405B) é muito poderoso, mas a inferência não é trivial – rodar um modelo desses exige uma memória enorme (centenas de GBs de VRAM) e é lento; a maioria dos usuários depende de serviços em nuvem ou versões quantizadas, com alguma perda de qualidade. Além disso, modelos abertos não possuem o extenso ajuste fino RLHF que o ChatGPT tem – há ajustes comunitários, mas podem não ser tão refinados. Isso significa que os modelos abertos podem, às vezes, produzir respostas menos filtradas ou menos polidas (o que pode ser um pró ou um contra). Alucinações e imprecisões ainda são um problema em aberto; o LLaMA 2 Chat era razoável, mas não imune a invenções. Outro ponto: responsabilidade. Ao implantar um modelo aberto, você não conta com filtros de conteúdo ou políticas da OpenAI ou Google – cabe a você evitar uso indevido. Isso é capacitador, mas também um risco (alguém pode ajustar um modelo aberto para fins maliciosos, uma preocupação frequente). A licença da Meta para o LLaMA traz uma restrição: se sua aplicação tiver mais de 700 milhões de usuários (basicamente, se você for do nível Google ou OpenAI), é necessário obter uma licença especial da Meta huggingface.co huggingface.co – algo irrelevante para quase todos, mas importante de notar. Por fim, suporte e responsabilidade: se um modelo aberto falha, não há suporte dedicado; depende-se de fóruns comunitários, o que pode gerar receio em algumas empresas.

No geral, o LLaMA democratizou a IA. Provou que modelos de linguagem de primeira linha não precisam ser tesouros guardados de poucas empresas – você pode ter seu próprio modelo classe-GPT se aceitar o desafio da engenharia. Com o modelo LLaMA 3 de 405B alcançando desempenho similar à IA proprietária em várias tarefas ibm.com ibm.com, a diferença entre modelos abertos e fechados basicamente se fechou. A Meta aposta num futuro em que modelos abertos sejam o padrão para desenvolvedores (com o Meta AI Assistant mostrando seu uso em produtos). Para usuários e empresas, o LLaMA oferece flexibilidade e liberdade: uma ferramenta poderosa que você pode adaptar às suas necessidades sem depender de grandes corporações.

Mistral e Mixtral: Startup Pequena, Grandes Ideias em IA Aberta

Visão Geral: Mistral AI é uma startup francesa que surgiu em 2023 com uma missão ambiciosa: construir os melhores LLMs de acesso aberto do mundo, desafiando os grandes players com uma equipe enxuta e ideias inovadoras. Apenas quatro meses após sua fundação (e uma rodada de investimento de €105 milhões), a Mistral lançou o Mistral 7B em setembro de 2023 – um modelo de 7,3 bilhões de parâmetros que imediatamente estabeleceu novos padrões para esse porte siliconangle.com siliconangle.com. Mesmo sendo minúsculo comparado ao GPT-4, o Mistral 7B foi capaz de superar todos os modelos abertos até 13B e até igualar alguns modelos de 34B em benchmarks padrão siliconangle.com. Foi totalmente open-source (licença Apache 2.0) sem restrições de uso siliconangle.com siliconangle.com, alinhando-se com a filosofia da Mistral de que modelos abertos impulsionam a inovação. A empresa não parou em um modelo denso – em dezembro de 2023, revelou o Mixtral 8×7B, um modelo Mixture-of-Experts (Mistura de Especialistas) esparso que elevou ainda mais o patamar de eficiência da IA aberta mistral.ai mistral.ai. “Mixtral” (um portmanteau de Mistral + Mixture) demonstrou a disposição da Mistral em explorar arquiteturas avançadas além da escala tradicional do Transformer.

Filosofia de Design: A crença central da Mistral é que soluções abertas irão rapidamente superar as proprietárias ao aproveitar as contribuições da comunidade e excelência técnica mistral.ai mistral.ai. Eles explicitamente comparam o cenário de IA a épocas tecnológicas anteriores em que o open-source acabou dominando (por exemplo, Linux para SO, Kubernetes para nuvem) mistral.ai. Ao lançar modelos poderosos abertamente, querem empoderar desenvolvedores, evitar controle centralizado ou um “oligopólio de IA”, e permitir customização que APIs fechadas não ofertam mistral.ai mistral.ai. Isso também significa foco em eficiência: em vez de criar um modelo monstro com necessidades computacionais absurdas, a Mistral busca extrair mais com menos. O treinamento do Mistral 7B envolveu desenhar, em apenas 3 meses, um pipeline de dados sofisticado do zero mistral.ai e maximizar os tokens de treinamento e técnicas do modelo para superar seu porte. Seu desempenho – atingindo ~MMLU 60%, métrica historicamente só alcançada por modelos com centenas de bilhões de parâmetros – foi uma prova de conceito mistral.ai. A equipe é liderada por ex-pesquisadores da Meta e Google (um dos cofundadores liderou o desenvolvimento do LLaMA na Meta siliconangle.com), garantindo alto nível de expertise.

Mistral 7B: Este modelo possui 7,3 bilhões de parâmetros, contexto de 8 mil tokens e foi treinado em um conjunto de dados de alta qualidade cuidadosamente selecionado (os detalhes exatos não são totalmente públicos, mas provavelmente utilizam fontes semelhantes ao LLaMA). No lançamento, o Mistral 7B apresentou excelentes capacidades em geração de prosa, sumarização e até mesmo conclusão de código siliconangle.com siliconangle.com. O CEO da Mistral afirmou que o modelo conseguiu desempenho equiparável a um LLaMA de 34 bilhões de parâmetros em muitas tarefas siliconangle.com, o que é impressionante considerando a diferença de tamanho. Também rodava muito mais rápido e barato, tornando-se ideal para aplicações que demandam baixa latência ou rodar em hardwares modestos siliconangle.com. Essencialmente, o Mistral 7B demonstrou que com o treinamento adequado, um modelo pequeno pode fazer coisas de modelo grande – uma vitória em eficiência. Sua licença Apache-2.0 permitiu que empresas o integrassem livremente. De fato, rapidamente surgiram versões de Mistral 7B ajustadas para instruções (posteriormente, a empresa lançou uma versão oficial, a Mistral-7B-Instruct), e ele se tornou uma base popular para chatbots em smartphones ou aplicativos de chat open-source.

Mixtral 8×7B (modelo Sparse MoE): Aqui a Mistral inovou de verdade. LLMs tradicionais são “densos” – todo parâmetro é usado para cada token processado. O Mixtral introduziu esparsidade: conta com 8 sub-redes especialistas (cada uma com cerca de 7 bilhões de parâmetros) e uma rede de “gating”, que ativa apenas 2 especialistas por token mistral.ai mistral.ai. O resultado? O número total de parâmetros do modelo é 46,7 bilhões, mas em qualquer momento só usa 12,9 bilhões de parâmetros por token de entrada mistral.ai. É como ter um cérebro de 46 bilhões de parâmetros pensando com só ~13 bilhões de cada vez, reduzindo drasticamente o cálculo necessário. Isso permite inferência muito mais rápida – Mixtral roda em velocidades comparáveis a um modelo de 13B, mas com qualidade equivalente a modelos muito maiores. Em benchmarks, o Mixtral 8×7B superou o LLaMA-2 70B da Meta e até igualou ou bateu o GPT-3.5 da OpenAI em várias tarefas padrão mistral.ai mistral.ai. Tudo isso sendo 6× mais rápido de rodar que um modelo de 70B mistral.ai. Ele lida facilmente com contexto de 32 mil tokens mistral.ai, suporta vários idiomas (inglês, francês, alemão, etc.) mistral.ai mistral.ai, e é forte em geração de código. A Mistral lançou tanto a versão base quanto uma versão Instruct fine-tuned do Mixtral 8×7B, que obteve uma pontuação altíssima (8,3) no benchmark de chat MT-Bench – o melhor entre modelos abertos na época, próximo ao nível GPT-3.5 em capacidade de chat interativo mistral.ai. Importante, o Mixtral 8×7B também é licenciado Apache 2.0, ou seja, totalmente aberto.

Impacto no mundo real: Os modelos da Mistral, apesar de novos, foram rapidamente adotados pela comunidade open source de IA. O Mixtral em especial gerou entusiasmo ao provar que MoE podia cumprir a promessa para LLMs. Desenvolvedores usaram o Mistral 7B e o Mixtral para alimentar chatbots em projetos open source (como integrações com text-generation-webui, demos da Hugging Face, etc). Dado o desempenho deles, esses modelos são viáveis para casos de uso como bots de suporte ao cliente, assistentes virtuais em dispositivos, ou como alternativa mais barata ao GPT-3.5 para processamento de texto. A própria Mistral AI mantém uma plataforma onde você pode consultar os modelos (eles têm um chatbot chamado “Le Chat” e uma API em beta mistral.ai). Eles também contribuíram para ferramentas open source – por exemplo, otimizaram a biblioteca vLLM para inferência mais rápida com seus modelos mistral.ai.

Pontes fortes: A combinação de alto desempenho e abertura é o trunfo da Mistral. O Mistral 7B tornou a IA de ponta acessível a qualquer um com um notebook (utilizando quantização 4-bit, pode até rodar em algumas GPUs de consumidor). O Mixtral mostrou um caminho para escalar sem os custos típicos – um modelo médio agindo como um grande. Essa eficiência é ótima para implantação e para a pegada ambiental. O foco da Mistral em capacidades multilíngues e de programação significa que seus modelos não são centrados apenas no inglês – um ponto positivo para usuários e desenvolvedores globais mistral.ai mistral.ai. Sendo open source sob a licença Apache 2.0, não há amarras – use comercialmente, modifique, o que quiser, sem telefone de casa. Essa liberdade é valorizada por empresas que querem evitar taxas de API ou compartilhamento de dados. Outro ponto forte é a velocidade de inovação: uma startup às vezes pode se mover mais rápido, e a Mistral mostrou que consegue ir do zero a modelo de ponta em meses, e lançar um MoE inovador em alguns meses mais. Essa agilidade pode trazer mais avanços (há rumores de que a Mistral treinava modelos ainda maiores e mais especialistas MoE como 8×22B em 2024). Também, o marketing da Mistral como player europeu de open-AI ressoa com quem deseja IA fora do domínio das grandes empresas dos EUA – diversidade no ecossistema.

Pontos fracos: Por ora, a Mistral ainda é jovem. Seus modelos, embora excelentes para o porte, não conseguem igualar totalmente os muito maiores em toda tarefa. Por exemplo, Mixtral 8×7B, mesmo vencendo muitos modelos de 70B, pode não superar um modelo denso de 100B+ em raciocínio extremamente complexo ou conhecimento de nicho – questões de física ou senso comum sutil ainda podem favorecer um GPT-4 ou Llama-405B. A abordagem MoE também pode ser mais difícil de ajustar (o “gating” e especialistas tornam o treinamento mais complexo, embora a Mistral tenha feito o pré-treinamento com elegância). Outro ponto: apoio e longevidade. O roadmap da Mistral AI é promissor, mas, como startup, não tem os recursos de um Google ou Meta – será que conseguirão competir de forma consistente, treinando a próxima geração de modelos (que pode ser densa de 100B+ ou mais especialistas)? Ainda não se sabe. Além disso, por ser aberta, há menos controle central – por exemplo, o safety tuning dos modelos Mistral não é tão extenso quanto em algo como o ChatGPT. O modelo base Mixtral aceita qualquer instrução (inclusive produzindo conteúdo proibido) a não ser que você aplique seu próprio prompt de moderação ou faça fine-tuning mistral.ai. Ou seja, quem implantar modelos Mistral publicamente deve criar seus próprios filtros. Em termos de recursos, por enquanto os modelos Mistral não são multimodais (sem entrada de imagens etc., foco só em texto). E uma fraqueza prática: para replicar os resultados da Mistral, é necessário hardware de alto desempenho; treinar esses modelos está fora do alcance da maioria (mas isso vale para todos modelos de fronteira).

Resumindo, a Mistral AI representa o estado da arte do que uma abordagem aberta e ágil pode alcançar. Eles entregaram modelos que superam as expectativas e os disponibilizaram gratuitamente, catalisando muito progresso na comunidade. Se você procura uma solução LLM aberta, eficiente e não quer depender das APIs dos gigantes de tecnologia, as ofertas da Mistral estão entre as melhores do mercado. Fique de olho – eles demonstram que os próximos avanços da IA podem vir tanto de novatos ousados quanto dos grandes atores do setor.

Cohere, Command R e outros LLMs notáveis: O panorama mais amplo

O boom da IA levou a um cenário rico de LLMs além dos grandes nomes citados acima. Nesta seção, destacamos os modelos da Cohere (como o Command R) e algumas outras iniciativas de LLMs notáveis, para completar o quadro do que está disponível.

Cohere e Command R

Cohere é uma startup (fundada por ex-pesquisadores do Google Brain) que se concentra em fornecer modelos de PLN para empresas via API. Foram uma das primeiras a oferecer serviços de grandes modelos de linguagem comercialmente (a partir de 2021), com foco em empresas que precisam de PLN customizado. Os modelos da Cohere não tinham nomes chamativos como “GPT”, rotulados inicialmente apenas por tamanho (small, medium, xlarge). Mas em 2023–2024, a Cohere introduziu a série de modelos Command, ajustados especificamente para seguir instruções e uso conversacional (diferente dos modelos “Embed” voltados para embeddings vetoriais).

O carro-chefe é o Command R, que significa (segundo a Cohere) um modelo otimizado para “Raciocínio” e contexto de longo alcance. É um modelo Transformer com 35 bilhões de parâmetros, treinado em um vasto corpus multilíngue e depois ajustado para se destacar em diálogos, instruções complexas, uso de ferramentas e tarefas com geração aumentada por recuperação (RAG) huggingface.co huggingface.co. A Cohere fez algo notável no final de 2024 – liberou os weights do Command R abertamente (para pesquisa/uso não comercial) no Hugging Face huggingface.co huggingface.co. Isso fez com que um poderoso modelo 35B ficasse disponível para a comunidade (sob uma licença que proíbe uso comercial sem permissão). O Command R tem uma janela de contexto de 128 mil tokens docs.cohere.com docs.cohere.com, similar à do Claude, tornando-o ótimo para documentos longos. Também é multilíngue (suporta 10 idiomas fluentemente) docs.cohere.com huggingface.co, e a Cohere o afinou especialmente para tarefas como Geração Aumentada por Recuperação (RAG) e até casos estilo “agente” (onde o modelo decide acionar funções/ferramentas externas) docs.cohere.com docs.cohere.com. Na prática, Command R pode lidar com consultas muito detalhadas, realizar raciocínio passo a passo e buscar fatos se conectado a uma base de conhecimento.

A Cohere também oferece o Command R+, uma versão aprimorada, presumivelmente com mais treinamento ou um tamanho maior (algumas fontes indicam que pode ser um ensemble ou um modelo de 70B). Na AWS Bedrock e em outras plataformas de nuvem, Command R e R+ são apresentados como alternativas de alta qualidade ao GPT-3.5, voltadas para empresas que precisam manter os dados em determinadas jurisdições (a Cohere permite implantação em regiões específicas) e maior controle sobre o comportamento do modelo.

Pontos fortes dos LLMs da Cohere: São prontos para empresas – ou seja, contam com suporte SLA, podem ser implantados em nuvens privadas virtuais e possuem documentação com orientações de uso. Os modelos Command apresentam desempenho sólido em tarefas de negócios como sumarização, redação de e-mails, extração de informações, além de serem projetados para integração com sistemas de busca e recuperação de informações (a Cohere fornece todo o stack, incluindo embeddings, rerankers, etc.). Outro destaque é a otimização de latência/vazão – a Cohere enfatiza a velocidade e eficiência de custos dos modelos em uso produtivo docs.cohere.com docs.cohere.com. De fato, a atualização de agosto de 2024 do Command R trouxe 50% mais vazão e 20% menos latência do que antes docs.cohere.com. Também foi introduzido um “modo de segurança”, permitindo ao desenvolvedor ajustar o rigor do filtro de conteúdo conforme necessidade docs.cohere.com, proporcionando um ótimo nível de controle para moderação.

Pontos fracos: O nome Cohere não é tão conhecido fora do meio corporativo, então a comunidade ao redor é menor. Os modelos Command, embora poderosos, ficaram um pouco atrás do estado da arte absoluto (por exemplo, um modelo de 35B não compete com GPT-4 ou LLaMA-70B+ nas tarefas mais difíceis). Além disso, até o lançamento de pesquisa do Command R, a Cohere era totalmente fechada – o que limitava o feedback da comunidade para aprimorar os modelos. O lançamento de pesos abertos é não-comercial, então empresas ainda devem pagar pela API ou obter licença especial. Ademais, o foco da Cohere na segurança corporativa faz com que o modelo às vezes seja conservador nas respostas (semelhante ao Bard no início), o que pode prejudicar a criatividade. Contudo, eles buscam aprimorar constantemente e o Command R+ diz-se ser muito melhor (algumas avaliações até indicam que se aproxima da qualidade do GPT-4 em vários aspectos).

Outros LLMs Notáveis

Além dos “Cinco Grandes” detalhados, muitos outros players possuem ofertas significativas de LLM:

• PaLM 2 (Google) – Antes do Gemini, o principal LLM do Google era o PaLM 2 (lançado no I/O 2023). É um modelo de 340 bilhões de parâmetros treinado em 3,6 trilhões de tokens cnbc.com research.google, com sólido desempenho multilíngue, de raciocínio e programação. O PaLM 2 impulsionou o Google Bard durante quase todo 2023 e teve variantes (Gecko, Otter, Bison) para diferentes tamanhos. Era notavelmente bom em programação e quebra-cabeças lógicos, além de servir de base para modelos especializados como o Med-PaLM (Q&A médico). O PaLM 2 abriu caminho para o Gemini e provou a capacidade do Google (já era mais avançado que o PaLM original, que tinha 540B de parâmetros, mas menos treinamento). O Bard com PaLM 2 foi o primeiro a trazer recurso de exportar para Gmail/Docs, integrando o LLM a fluxos de trabalho. Embora hoje esteja ofuscado pelo Gemini, ainda está presente em muitos serviços do Google Cloud e permanece um modelo robusto.
• Jurassic-2 (AI21 Labs) – A AI21, startup israelense, foi uma das primeiras concorrentes da OpenAI. O Jurassic-1 (178B de parâmetros) em 2021 foi um dos maiores da época. O Jurassic-2, lançado em 2023, continuou esta linha com modelos em vários idiomas (inclusive hebraico, francês, etc.). Os modelos da AI21 são reconhecidos pela excelência em escrita longa e conhecimento, devido ao fato de seus fundadores serem veteranos de NLP (um deles co-fundou a arquitetura Transformer). Oferecem acesso via AI21 Studio API e também alimentam produtos como o Wordtune (assistente de escrita). O Jurassic-2 tem uma versão “J2 Jumbo” provavelmente em torno de 178B e modelos menores “Large” (~20B). Ponto forte: textos muito coerentes e, segundo relatos, mais factuais em alguns Q&A de conhecimento. Ponto fraco: desempenho inferior em programação e não é open-source.
• Claude Instant & outros (Anthropic) – Além do Claude principal, a Anthropic oferece o Claude Instant, um modelo mais leve (~1/5 do tamanho) que é mais rápido e barato. Ideal para chats em tempo real onde a qualidade máxima não é essencial. De forma similar, a OpenAI tem o GPT-3.5 Turbo como alternativa mais rápida/barata ao GPT-4. Esses “irmãos menores” dão viabilidade econômica para aplicações de grande escala (exemplo: um chatbot de atendimento ao cliente pode usar o Claude Instant para processar milhares de mensagens rapidamente, encaminhando apenas casos mais difíceis ao Claude 2).
• Inflection-1 / Pi (Inflection AI) – A Inflection AI, cofundada por Mustafa Suleyman (ex-DeepMind), lançou o Pi, um companheiro de IA pessoal voltado à conversação (muitas vezes emocional/suporte) mais do que tarefas concretas. Usa LLM próprio (Inflection-1, e até o fim de 2023 já trabalhavam no Inflection-2). O Pi se destaca por ser amigável, informal, e recusar tarefas como programação ou Q&A factual; é um experimento para criar uma IA “amiga”. Não concorre em benchmarks clássicos, mas representa uma tendência de experiências especializadas. Diz-se que a Inflection construiu um supercomputador com 22.000 GPUs para treinamento, o que indica que o Inflection-2 possa ser bem grande (há rumores de >100B parâmetros). Não há nada open-source; é uma experiência curada acessível pelo app/site.
• Modelos de código aberto da comunidade – Além do LLaMA e Mistral, muitos projetos colaborativos criaram LLMs importantes:
  • BLOOM (BigScience) – Modelo multilíngue de 176B parâmetros lançado em meados de 2022 sob licença aberta. Foi o primeiro modelo aberto na escala do GPT-3. BLOOM tem desempenho aceitável, especialmente em idiomas além do inglês, mas fica atrás dos mais novos em eficiência. Abriu precedente para grandes esforços colaborativos.
  • Falcon (Instituto de Inovação em Tecnologia dos Emirados Árabes Unidos) – Falcon 40B e 7B, lançados em 2023 como modelos abertos de alta qualidade, com o Falcon 40B liderando rankings temporariamente. São de uso livre (o 40B agora é Apache 2.0 royalty-free). Treinado com dados de alta qualidade (RefinedWeb), apresentou desempenho forte e mostrou a força de fora dos EUA/Europa.
  • MosaicML MPT – Antes de ser adquirida pela Databricks, a MosaicML lançou o MPT-7B (permitindo contextos longos, até 84 mil tokens, via atenção eficiente) e MPT-30B. Esses modelos abertos viabilizaram vários fine-tuning e traziam novidades como ajuste de mensagens de sistema e manipulação de textos extensos.
  • WizardCoder, Phi-1, etc. – Existem modelos especializados em códigos: por exemplo, o WizardCoder (um fine-tune do Code LLaMA) que por um tempo liderou os benchmarks de programação open-source. E o Phi-1 (Microsoft Research) mostrou que treinar apenas com código e matemática permitiu a um modelo de 1.3B (!) parâmetros resolver problemas Leetcode difíceis – mostrando como o foco no treinamento pode, em nichos, rivalizar com a escala bruta.
• Grok da xAI – No final de 2023, a nova empreitada de IA de Elon Musk, xAI, lançou o beta do Grok, um chatbot “irreverente”, disponível apenas no X (Twitter) para assinantes. Diz-se que Grok se baseia em fundações open-source (provavelmente um fine-tune do LLaMA 2, especula-se um modelo de 70B). Musk afirmou que o Grok seria uma IA “buscadora da verdade”, com menos restrições sobre humor, etc. Embora Grok não tenha grandes destaques em métricas de pesquisa, é culturalmente notável como parte do esforço do Musk para criar uma alternativa ao ChatGPT/Bard que “não mente” em temas controversos. Também demonstra o interesse das redes sociais em usar LLMs como fator de engajamento.
• Modelos empresariais desenvolvidos por Big Tech – Empresas como IBM e Amazon optaram por não criar concorrentes diretos do GPT-4, mas por curar ou hospedar modelos:
  • O watsonx.ai da IBM dá acesso a modelos abertos como LLaMA-2 e modelos menores próprios (IBM tem os modelos Série Granite com cerca de 20B parâmetros, voltados a tarefas corporativas de NLP).
  • O serviço Bedrock da Amazon AWS hospeda modelos da Anthropic (Claude), AI21 (Jurassic), Cohere, Stability AI, etc., além da própria linha Titan da Amazon (modelos de cerca de 20B parâmetros voltados para funções básicas como atendimento ao cliente e sumarização de textos).
  • Microsoft basicamente apoia os modelos OpenAI (integrados ao Azure via Azure OpenAI Service), mas também desenvolve modelos próprios (como o Phi-1 já mencionado, entre outros) e pode lançar mais LLMs internos para nichos específicos.

Resumindo, o espaço dos LLMs está fervilhando de concorrentes, cada um explorando um nicho – seja serviços prontos para empresas (Cohere, AI21), IA companheira especializada (Inflection Pi) ou desafiantes open-source (Meta, Mistral, Falcon). Esta diversidade é ótima para o usuário: você pode escolher o modelo conforme suas necessidades – seja a melhor precisão, menor custo, maior controle e privacidade, ou máxima segurança e alinhamento.

Agora que exploramos os principais players de LLM, a tabela a seguir apresenta uma comparação lado a lado de suas principais características:

Tabela Comparativa: Principais LLMs (ChatGPT, Claude, Gemini, LLaMA, Mistral, etc.)

(Notas da tabela: “Parâmetros” para GPT-4 e Gemini são aproximados, já que não são oficialmente divulgados. “Multimodal” indica se o modelo pode processar modalidades além de texto. Aberto vs Fechado indica se os pesos do modelo estão disponíveis. A coluna de Licença resume como o modelo pode ser utilizado.)

Tendências, Direções Futuras e Como Escolher o LLM Certo

O rápido desenvolvimento do ChatGPT e de suas alternativas deixou uma coisa clara: as capacidades da IA estão avançando em velocidade vertiginosa. Veja algumas tendências-chave, o que elas significam para o futuro, e orientações de como usuários ou empresas podem navegar pelo cenário de LLMs:

Principais Tendências do Setor

• Multimodalidade é o Futuro: Modelos capazes de lidar com texto, imagens, áudio e mais irão se tornar o padrão. Vemos isso com as entradas por imagem do GPT-4, o Gemini do Google sendo multimodal desde o início e a investida da Meta para que o LLaMA tenha visão. Futuros LLMs poderão receber uma captura de tela de uma página web, uma planilha ou a transcrição de um vídeo e então responder a perguntas combinando todas essas fontes. As empresas devem antecipar uma IA que entende todas as formas de dados, permitindo aplicações mais ricas (ex: uma IA que lê mockups de design, código e especificações de produtos conjuntamente, dando feedback).
• Contextos Mais Longos & Memória: A expansão das janelas de contexto para 100 mil tokens ou mais en.wikipedia.org indica que em breve “esquecimento” será menos um problema. Podemos ter modelos que ingerem bancos de dados ou livros inteiros de uma só vez. Combinados a melhores métodos de geração apoiada em busca (o modelo ativa pesquisas conforme precisa), os LLMs funcionarão como se tivessem uma memória externa – sempre com o conhecimento mais relevante à mão. Isso reduzirá alucinações e aumentará a precisão factual, já que os modelos poderão consultar fontes.
• Impulso do Código Aberto: O período no qual poucas empresas tinham monopólio dos melhores modelos está acabando. O modelo LLaMA 3 405B da Meta atingindo paridade com modelos fechados ibm.com é um divisor de águas. Startups como a Mistral provam que inovação pode vir de equipes pequenas. Devemos ver uma proliferação de modelos abertos especializados (para medicina, direito, finanças, etc.) e ferramentas melhores para ajustar e implantá-los facilmente. Para organizações preocupadas com privacidade, isso é ótimo – poderão rodar IA poderosa on-premises. Grandes empresas de tecnologia estão acompanhando: Google lançando o Gemma e Meta liberando modelos em código aberto indicam um futuro híbrido, no qual modelos abertos e fechados prosperam juntos.
• Eficiência & Novas Arquiteturas: Nem todos podem arcar com modelos de trilhão de parâmetros, por isso há foco em tornar os modelos mais inteligentes, não apenas maiores. Técnicas como Mixture-of-Experts (MoE) (visto no Gemini 1.5 en.wikipedia.org e Mixtral mistral.ai), Low-Rank Adaptation (LoRA) para ajustes rápidos, e modelos destilados vão possibilitar alta performance com menos recursos. Há também pesquisas em IA modular ou composta – por exemplo, usar vários modelos menores e especializados orquestrados juntos (um para raciocínio, outro para matemática, outro para código, etc.). O LLM do futuro pode ser, na verdade, uma equipe de modelos sob o capô.
• Regulação e Segurança: Com LLMs sendo usados por milhões de pessoas, cresce a atenção regulatória sobre IA. Transparência nos dados de treino, comportamento do modelo e diretrizes contra mau uso (spam, deepfakes, etc.) estão em discussão a níveis governamentais. Empresas estão antecipando e implementando medidas de segurança – o Claude da Anthropic tem AI Constitucional, a OpenAI aprimora continuamente filtros de conteúdo, a Meta inclui avaliações de toxicidade/sessgo em seus lançamentos. Espere mais controles para o usuário – ex: um “controle de toxicidade” para ajustar o quanto o modelo deve ser seguro ou direto, ou painéis empresariais para monitorar saídas da IA quanto à conformidade. Além disso, marcação d’água em texto gerado por IA é um tópico atual (a OpenAI está trabalhando nisso) para auxiliar na detecção de texto IA, algo que pode se tornar padrão.
• Integração e IA Agente: Os LLMs estão passando a integrar sistemas de agentes maiores – como o autoGPT ou agentes do LangChain que pegam a saída da IA e executam ações (navegar na web, rodar código, etc.). O GPT-4 da OpenAI tem plug-ins que permitem chamada de APIs (ex: reservar um voo ou rodar um cálculo). A tendência é uma IA que não apenas conversa, mas age – usa ferramentas, atualiza-se com novos dados e, possivelmente, encadeia etapas de forma autônoma. Empresas podem implantar agentes de IA que conduzem fluxos de trabalho complexos (com supervisão humana). Isso amplia o que um LLM pode fazer, mas também exige salvaguardas robustas (para evitar que erros se acumulem).
• Customização e Fine-Tuning: Há demanda crescente para ajustar LLMs a dados proprietários ou no estilo de uma marca. Modelos em código aberto facilitam isso (pois é possível atualizar os parâmetros). Até modelos fechados oferecem mais customização – a OpenAI lançou “function calling” e mensagens de sistema para direcionar o ChatGPT, e o recurso “On Your Data” no Azure para ChatGPT permite a fundamentação em dados empresariais. No futuro, podemos ver LLMs personalizados – um assistente de IA próprio que conhece seus e-mails, preferências, documentos de trabalho (tudo ajustado localmente e com segurança), proporcionando respostas altamente pertinentes. Ferramentas para ajuste de baixo custo (como LoRA) vão evoluir, permitindo até que empresas de médio porte tenham IA sob medida.

Como Escolher o LLM Certo para Suas Necessidades

Com tantas opções, como escolher um LLM? Considere os seguintes critérios:

• Capacidade vs. Custo: Se você precisa de performance máxima (por exemplo, para raciocínio jurídico complexo ou respostas de pesquisa de ponta), GPT-4, Gemini Ultra ou LLaMA 3 405B estão nesse patamar. Porém, são caros (preços de API ou infraestrutura para rodá-los). Para muitas aplicações, um modelo intermediário (como Claude 2, Cohere Command, ou um modelo aberto 13B-70B) pode oferecer quase a melhor performance por uma fração do custo. Avalie com base em suas tarefas específicas: gerar código pode ser ótimo com um modelo 34B ajustado para código (como CodeLlama ou WizardCoder), sem exigir GPT-4 toda vez. Use benchmarks como guia, mas também faça testes pilotos com seus próprios exemplos.
• Abertura e Controle: Se privacidade ou implantação local são fundamentais (cenários de saúde, finanças, governo), opte por LLMs de código aberto. LLaMA 2, LLaMA 3, Mistral/Mixtral, Falcon, etc. podem ser implantados internamente, sem envio de dados para terceiros. Eles também permitem auditoria do modelo (para checagem de vieses). Em contrapartida, você precisa de equipe técnica de ML para manter e operar. APIs fechadas (OpenAI, Anthropic, etc.) abstraem toda essa complexidade – eles cuidam de escalabilidade, atualizações e segurança – e isso pode compensar se o seu uso aceitar nuvem. Algumas empresas optam pelo híbrido: APIs fechadas em tarefas gerais, modelos abertos para tarefas sensíveis.
• Necessidade de Comprimento de Contexto: Precisa alimentar documentos muito grandes ou conversar por horas com a IA? Se sim, os 100k de contexto do Claude ou 128k do Cohere podem ser decisivos. Se o objetivo é resumir livros inteiros ou analisar contratos longos, escolha modelos reconhecidos por lidar com contexto extenso. Modelos abertos estão avançando (algumas versões do LLaMA chegam a 32k+ por técnicas específicas), mas, no uso prático, os reis do contexto longo são Claude e Command R.
• Requisitos Multimodais: Quer uma IA que analisa imagens ou diagramas junto com texto? Atualmente, GPT-4 com visão (via ChatGPT Plus) ou Gemini são as principais opções. Outros seguirão, mas até 2025, OpenAI e Google lideram em integração de visão. Se isso é crítico (ex: sua IA precisa analisar capturas de tela de UI, ler gráficos), sua escolha se restringe a essas plataformas.
• Especialização por Domínio: Alguns modelos são naturalmente mais adequados para certos domínios. Por exemplo, para respostas médicas, o Med-PaLM do Google ou um modelo aberto treinado com Q&A médico podem ser melhores que um ChatGPT padrão. Para auxílio em código, os modelos code-davinci da OpenAI ou Code Llama da Meta são otimizados para isso. Modelos da Cohere destacam-se em tarefas com documentos de negócios. Sempre cheque se há modelo específico para seu domínio – ele pode superar um modelo geral em tarefas de nicho. Caso não exista, crie o seu (ajustando um modelo geral nos dados específicos da sua área).
• Segurança e Moderação: Diferentes fornecedores têm perfis distintos. A OpenAI é bem estrita (o ChatGPT recusa muitos pedidos de risco). O Claude da Anthropic também é rígido, mas tenta ajudar reformulando perguntas de maneira segura. Modelos abertos farão o que você mandar (a menos que sejam ajustados para recusar certos pedidos). Para apps de acesso público, pode ser bom um modelo com moderação embutida ou usar filtro externo. Se a reputação da sua marca está em jogo, um modelo excessivamente polêmico ou ofensivo é arriscado. Fornecedores enterprise (Cohere, Azure OpenAI) geralmente permitem ativação de filtros ou auditorias extras. Considere a importância do modelo “se comportar” nativamente versus ter que implementar checagens você mesmo.
• Licenciamento e Termos: Garanta que a licença do modelo atende ao seu uso pretendido. OpenAI e outros proíbem certos usos (ex: geração de desinformação, certos tipos de processamento de dados pessoais). A licença do LLaMA da Meta proíbe usar o modelo para melhorar outro modelo (tentando evitar que concorrentes sejam treinados sobre ele). Se pretende embutir o modelo num produto, leia os termos. Licenças open-source Apache/MIT são as mais simples (sem grandes restrições). Alguns modelos abertos (como LLaMA 2) exigem atribuição ou solicitação para compartilhar melhorias. E, como mencionado, se sua empresa é gigante, verifique a “cláusula de 700 milhões de usuários” dos modelos da Meta.

O Caminho à Frente

A competição entre ChatGPT, Claude, Gemini, LLaMA e outros beneficiou imensamente consumidores e empresas – a qualidade da IA subiu e o acesso ficou mais amplo. No futuro, espere mais convergência: modelos fechados adotando práticas abertas (OpenAI fala em lançar ferramentas para hospedagem segura de modelos on-premises; Google abrindo pequenos modelos), e modelos abertos absorvendo as últimas técnicas das pesquisas proprietárias.

Para os usuários, isso significa mais opções e provavelmente custos mais baixos. Rodar uma IA poderosa pode em breve ser tão barato quanto hospedar um servidor web, graças às otimizações. As empresas provavelmente usarão um portfólio de LLMs: talvez um modelo fechado de ponta para etapas críticas de raciocínio, um modelo aberto para sumarização sensível a dados e alguns modelos especializados para tarefas como OCR ou código.

Ao escolher o LLM “correto”, lembre-se de que não existe uma solução única. Defina o que “correto” significa para você – o mais rápido? o mais barato? o mais preciso? o mais privado? – e use as comparações acima como guia. O mais interessante é que você pode experimentar muitos desses modelos gratuitamente ou a baixo custo (por exemplo, por meio de testes gratuitos ou downloads abertos). É uma boa prática prototipar seu caso de uso com 2–3 modelos diferentes para ver a qualidade do resultado e então decidir.

Uma coisa é certa: os LLMs vieram para ficar e continuarão melhorando. Ficar de olho nesse campo em rápida evolução é uma decisão sábia. Assinar notícias sobre IA, experimentar novos lançamentos de modelos (parece haver um novo “assassino do GPT” a cada poucos meses!) e, possivelmente, construir um relacionamento com vários provedores de IA pode garantir que você sempre tenha a melhor ferramenta em mãos. Seja você um usuário final querendo um assistente inteligente, ou uma empresa procurando inserir IA em seus produtos, as opções nunca foram tão empolgantes.

Nesta nova era da IA, conhecimento é poder – tanto o conhecimento que esses LLMs contêm, quanto o conhecimento sobre como eles diferem. Espero que este relatório tenha munido você do segundo, para que assim possa aproveitar ao máximo o primeiro.