Modelos de IA dos EUA Espelham o DeepSeek: Desempenho Pior, Custos Mais Altos, Porém Adaptados à Conformidade Americana

O primeiro projeto de Mustafa Suleyman, ex-chefe de tecnologia da OpenAI, inverteu inesperadamente as expectativas sobre o desenvolvimento de modelos de linguagem grandes (LLMs) entre a China e os Estados Unidos. Em 15 de julho, ele lançou o Thinking Machines Lab e apresentou seu primeiro modelo, o Inkling. Aproveitando uma arquitetura de especialistas híbridos inspirada no DeepSeek-V3 e utilizando dados sintéticos de modelos abertos, como o Kimi K2.5 da Moonshot, para inicialização do treinamento pós-supervisionado, os resultados são sutis. Em vários benchmarks, o Inkling fica atrás do Kimi e do GLM, com preços notavelmente mais altos. Apesar de ter levantado US$ 2 bilhões e alcançado uma avaliação de US$ 12 bilhões, o lançamento ficou aquém do hype, mas Suleyman pode nunca ter almejado o topo desde o início.

Analisando o hardware, o Inkling corresponde ao prestígio de um laboratório estrela. Ele emprega uma arquitetura de especialistas híbridos com 975 bilhões de parâmetros totais, ativando 41 bilhões por token. O treinamento prévio utilizou 45 trilhões de tokens em texto, imagens, áudio e vídeo, suportando até 1 milhão de tokens de contexto. O modelo processa texto, imagens e áudio, gerando texto como saída, enquanto permite intensidade de raciocínio ajustável para equilibrar desempenho, velocidade e custo. Com pesos liberados sob a licença permissiva Apache 2.0, os desenvolvedores podem implantar por conta própria ou ajustar finamente por meio da plataforma Tinker do Thinking Machines. A estratégia é clara: em vez de visar diretamente os consumidores, o Inkling serve como base para aplicações de IA empresarial.

O relatório técnico revela um detalhe crítico em sua arquitetura. O Thinking Machines afirma explicitamente que o design de especialistas híbridos do Inkling segue o DeepSeek-V3, apresentando numerosos módulos de especialistas onde cada token ativa apenas um subconjunto, junto com o balanceamento de carga de perda sem assistente do DeepSeek-V3. A influência chinesa se estende ao treinamento: o treinamento pós-supervisionado começou com ajuste fino supervisionado usando dados sintéticos de modelos de pesos abertos, citando especificamente o Kimi K2.5.

Um roteiro claro emerge: um laboratório americano fundado pelo ex-CTO da OpenAI, seu primeiro modelo espelha a arquitetura do DeepSeek, e o treinamento pós-supervisionado depende dos dados do Kimi. Emprestar de modelos abertos não é inerentemente problemático, pois o DeepSeek e o Kimi compartilham publicamente pesos e direitos de uso, construindo sobre conquistas públicas. Mais surpreendentemente, apesar de absorver tecnologias de modelos chineses, o Inkling não consegue superar seus predecessores. O Thinking Machines admite francamente: o Inkling não é atualmente o modelo mais forte, seja de código aberto ou fechado.

Os números destacam a disparidade. Em avaliações puras de texto em exames humanos finais, o Inkling marcou 29,7%, enquanto o Kimi K2.6 e o GLM 5.2 alcançaram 35,9% e 40,1%, respectivamente. Com ferramentas habilitadas, o Inkling subiu para 46%, ainda ficando atrás do Kimi K2.6 com 54% e do GLM 5.2 com 54,7%. No SWE-Bench Pro, que testa capacidades reais de engenharia de software, o Inkling marcou 54,3%, comparado aos 58,6% do Kimi K2.6 e aos 62,1% do GLM 5.2. A lacuna foi mais pronunciada no Terminal Bench 2.1, onde o Inkling marcou 63,8%, enquanto o Kimi K2.6 e o GLM 5.2 alcançaram 71,3% e 82,7%, respectivamente.

O Inkling se destaca no design de aplicativos web, compreensão de áudio e avaliação de segurança, superando até o Kimi e o DeepSeek em certas tarefas matemáticas. No entanto, ainda não atingiu o nível superior para raciocínio abrangente, programação e capacidades de agentes. Os preços não oferecem alívio: na plataforma Tinker, a versão de 64K cobra US$ 1,87 por milhão de Tokens de Pré-enchimento e US$ 4,68 por milhão de Tokens de Amostra, já com cinco dias de desconto. A versão de 256K custa US$ 3,74 e US$ 9,36, respectivamente. Comparado às taxas de API do Kimi K2.6 de US$ 0,95 para entrada e US$ 4 para saída, e aos US$ 1,4 e US$ 4,4 do GLM 5.2, o preço de pré-enchimento do Inkling é quase o dobro do Kimi K2.6, com custos de geração mais altos e nenhuma vantagem de preço óbvia. A situação é delicada: a arquitetura referencia o DeepSeek, o treinamento pós-supervisionado depende do Kimi, o desempenho fica atrás dos principais modelos abertos chineses e os preços são mais altos.

O intrigue reside na origem única do Thinking Machines. A empresa assemelha-se a uma rede de ex-alunos da OpenAI — introduzida em fevereiro de 2025, a equipe de cerca de 30 pessoas incluía dois terços vindos da OpenAI, com outros do Meta e da Mistral. Os membros fundadores incluíam John Schulman, Barret Zoph, Lilian Weng, Andrew Tulloch e Luke Metz, com a Reuters relatando que Suleyman recrutou pelo menos 20 pesquisadores de seu antigo empregador.

Suleyman ingressou na OpenAI em 2018, contribuindo para o DALL-E, Codex, ChatGPT e Sora, tornando-se CTO em 2022 e servindo brevemente como CEO interino após a demissão de Altman em novembro de 2023. Este grupo, intimamente familiarizado com o desenvolvimento e a comercialização da OpenAI, saiu para construir um novo sistema técnico, levando os observadores externos a esperar uma rota inspirada na OpenAI. Em vez disso, a principal fonte técnica aponta para modelos chineses, sinalizando uma mudança dramática: aqueles que conheciam melhor a OpenAI acabaram adotando o projeto técnico dos modelos chineses.

Esta conclusão requer análise cuidadosa. Os modelos de ponta recentes da OpenAI são de código fechado, impedindo o acesso externo a pesos, arquitetura ou planos de treinamento. Mesmo que Suleyman conhecesse as tecnologias internas, ele não poderia transferir segredos comerciais da OpenAI para a nova empresa. Por outro lado, o DeepSeek e o Kimi lançaram publicamente pesos e relatórios técnicos, permitindo que suas arquiteturas, métodos de treinamento e ferramentas sejam pesquisados e reutilizados legalmente.

O Inkling é um modelo de pesos abertos e, para empresas que constroem um ecossistema aberto, adotar soluções maduras de modelos abertos como DeepSeek e Kimi é uma escolha de engenharia lógica. Desenvolver um modelo aberto ignorando conquistas chinesas publicamente disponíveis incorreria em custos mais altos de tentativa e erro. Portanto, inspirar-se em modelos chineses não prova que Suleyman acredita que o DeepSeek supera a OpenAI. As diferenças em abertura e condições de referência são distintas, mas o sinal é claro: os modelos chineses tornaram-se uma referência chave para equipes de IA americanas no espaço de pesos abertos.

A verdadeira questão é por que o Thinking Machines, com arquiteturas e experiências de treinamento existentes, produziu um Inkling com desempenho mais fraco e preços mais altos. Suleyman tem uma equipe de topo, fundos abundantes e os mais recentes sistemas de treinamento da NVIDIA. Não há razão para ignorar essas lacunas, sugerindo que a alternativa de alto custo pode ser uma decisão calculada.

Considerando o tratamento dispensado ao Thinking Machines, o Inkling deveria ser mais do que um modelo decente. Em julho de 2025, a empresa concluiu uma rodada semente de US$ 2 bilhões antes de lançar qualquer produto, avaliando-a em US$ 12 bilhões, com investidores incluindo a16z, NVIDIA, AMD e Sequoia. Quatro meses depois, as negociações visavam uma avaliação de até US$ 500 bilhões, posicionando a empresa como uma possível concorrente da OpenAI e da Anthropic. Lançar um produto que tem desempenho inferior aos modelos chineses e custa mais não atende às expectativas. No entanto, do ponto de vista empresarial, Suleyman pode nunca ter tido a intenção de vencer benchmarks.

A empresa enfatiza pesos abertos, multimodalidade e customizabilidade, incentivando empresas a usar o Tinker para ajustar finamente o Inkling em modelos especializados para atendimento ao cliente, programação e agentes industriais. Suleyman aposta em um mercado que não prioriza classificações de benchmarks. As empresas se importam mais com implantação privada, controle de dados e treinamento contínuo de acordo com suas necessidades comerciais. Grande parte dessa demanda é atendida por modelos chineses abertos: a OpenAI e a Anthropic permanecem de código fechado, e após o Llama4 da Meta ter desempenho abaixo do esperado, ela reduziu seus esforços de código aberto. Enquanto isso, DeepSeek, Kimi, Qwen e GLM lançam continuamente pesos, com desempenho se aproximando dos modelos fechados americanos a preços muito mais baixos.

As empresas dos EUA responderam rapidamente — de acordo com dados da OpenRouter fornecidos à CNBC, desde fevereiro de 2026, a participação semanal de modelos chineses em tokens chamados por empresas dos EUA através da plataforma excedeu 30%, atingindo 46%, comparado a uma média de 4,5% no primeiro semestre de 2025. O Cursor testou vários modelos base para o Composer2, escolhendo finalmente o Kimi K2.5 por sua forte avaliação. O Fundo Bridgewater ajustou finamente o Qwen da Alibaba através do Tinker, obtendo resultados melhores que alguns modelos fechados de topo. Modelos chineses abertos tornaram-se um atalho de economia de custos para empresas dos EUA, mas este caminho agora está sob pressão.

Simultaneamente, o ambiente regulatório dos EUA em relação aos modelos chineses de IA está se tornando mais rigoroso. Departamentos relevantes emitiram avisos sobre segurança de dados, fontes de modelos e riscos na cadeia de suprimentos, com algumas empresas que usam modelos chineses enfrentando investigações. Mesmo sem restrições unificadas, a incerteza política afeta as escolhas das empresas, especialmente aquelas que lidam com negócios governamentais e dados sensíveis.

Isso cria um espaço de mercado para o Inkling: um modelo de pesos abertos de uma empresa americana, usando a licença Apache 2.0, suportando implantação privada e customização. As empresas dos EUA o escolhem sem se preocupar com controvérsias políticas de usar modelos chineses, facilitando a aprovação de revisões de conformidade de clientes governamentais e grandes corporações. O valor real do Inkling reside nesta certeza de conformidade — Suleyman transformou conquistas públicas do DeepSeek e do Kimi em um modelo fornecido por uma empresa americana. Ele não precisa vencer os modelos chineses em benchmarks, apenas ser uma escolha aceitável para empresas dos EUA hesitantes em continuar usando modelos chineses. Isso explica seu preço mais alto: a política estreitou o escopo competitivo, tornando as lacunas de desempenho e preço menos críticas. Para algumas empresas dos EUA, um modelo ligeiramente mais fraco e mais caro é suficiente.