Ranking Poly · da tendência do dia

Melhor modelo de IA para agentes (pesos abertos, outubro de 2026)

O Mistral Large 4 fica em 6º de 75 no teste de agente jurídico da Harvey, com apenas 15,83%, e em 32º de 44 no Vals Index mais amplo, onde o DeepSeek V4.1 Flash chega a 61,26% por US$ 0,66 por teste.

  • Nº 1: Mistral Large 4
  • 10 posições

01Lista final

As IAs líderes montaram cada uma a sua lista de dez, de forma independente. Aqui está um resultado fácil de conferir: cada posição tem um motivo, uma fonte e a lista das IAs que a incluíram.

Ordem: da maior para a menor concordância entre as IA.

Uma etiqueta forte significa que essa IA pôs o item na sua lista. Uma esmaecida, que não pôs.

  1. 1

    Mistral Large 4

    A menor diferença em cibersegurança: a Mistral afirma cerca de 82%, e testes independentes mediram 79–81,7%. A Vals mede 26,26% no Terminal-Bench 4.0 e 15,83% no teste de agente jurídico da Harvey.

    Incluíram: Claude, ChatGPT, Meta, Gemini, Wenxin, DeepSeek, Qwen. Não incluíram: Nova.

    Nas listas delas: Claude: 2 · ChatGPT: 10 · Meta: 5 · Gemini: 5 · Wenxin: 3 · DeepSeek: 3 · Qwen: 3

    O que cada IA notou 7
    • Claudeposição 2

      Sua alegação de cibersegurança tem a menor distância visível: a Mistral diz cerca de 82% no CyberGym-E2E, e um índice independente mediu 81,7%.

      Fonte ↗
    • ChatGPTposição 10

      A Apache 2.0 é uma vantagem operacional quando a empresa precisa hospedar agentes de clientes sem a exceção de Model-as-a-Service (MaaS) do Large 4.

      Fonte ↗
    • Metaposição 5

      Fabricante: 93% no Cybench, 82% em correção de vulnerabilidades, 61,7% no DeepSWE v1.1 – independente: 41% no Terminal-Bench 4.0 e 48% no Coding Agent Index, usando 47% menos tokens

      Fonte ↗
    • Geminiposição 5

      Alega 82% no CyberGym-E2E e 61,7% no DeepSWE v1.1, mas cai para 15,83% no Legal Agent Benchmark independente da Harvey.

      Fonte ↗
    • Wenxinposição 3

      Os números de agente do modelo de 123 bilhões ficam ótimos no papel – testes independentes mostram uma diferença de 20 pontos

      Fonte ↗
    • DeepSeekposição 3

      Os anúncios da Mistral trazem 82% no CyberGym-E2E, 93% no Cybench e 61,7% no DeepSWE – mas o teste independente do Cyber Index dá cerca de 51%, uma lacuna de confiança de cerca de 31 pontos, o número decisivo para quem compra agentes de segurança.

      Fonte ↗
    • Qwenposição 3

      A Mistral alega 82% no CyberGym e 61,7% no DeepSWE, mas testadores independentes medem 81,7% e 60%, mostrando uma rara lacuna de confiança “honesta”.

      Fonte ↗
    7 IAs colocaram aqui
    Fonte ↗
  2. 2

    DeepSeek V4.1 Flash

    Melhor modelo aberto no Vals Index, com 61,26% a US$ 0,66 por teste, e o melhor modelo lançado no FrontierCode, com 28%. Seus resultados independentes no Terminal-Bench 4.0 divergem: 19,7% contra 31,8%.

    Incluíram: Claude, ChatGPT, Meta, DeepSeek, Qwen. Não incluíram: Gemini, Nova, Wenxin.

    Nas listas delas: Claude: 3 · ChatGPT: 1 · Meta: 1 · DeepSeek: 1 · Qwen: 2

    O que cada IA notou 5
    • Claudeposição 3

      O gráfico da Mistral deixou o modelo de fora, e a tabela da Reflection AI o põe acima do Large 4 no DeepSWE (74,2% contra 61,7%).

      Fonte ↗
    • ChatGPTposição 1

      Seus 28% de conclusão independente no FrontierCode lideram os pesos abertos lançados, e um provedor medido cobra US$ 0,37 por tentativa do teste composto de inteligência.

      Fonte ↗
    • Metaposição 1

      Líder aberto no Vals Index com 61,26% por US$ 0,66 por teste, contra US$ 18,70 do Sonnet 5.5 – 28 vezes mais barato; 90,6 no Terminal-Bench 2.1 (dado do fabricante), mas 31,8 em medição independente

      Fonte ↗
    • DeepSeekposição 1

      Um índice independente de 61,26% no Vals, com US$ 0,66 por teste – mas seus 74,2 no DeepSWE, informados pelo fabricante, caem para 19,7% no Terminal-Bench 4.0 independente do Vals, uma das maiores lacunas de confiança do setor.

    • Qwenposição 2

      O cavalo de batalha com licença MIT conclui agentes complexos de código com vários arquivos por uma fração do custo dos modelos de fronteira dos EUA.

    5 IAs colocaram aqui
    Fonte ↗
  3. 3

    Xiaomi MiMo-V2.6-Pro

    Faz de 57,81% a 59,5% no Vals Index, a US$ 0,13 a US$ 0,24 por tentativa de teste. Seu 89,9 no Terminal-Bench 2.1 e seu 71,9 no DeepSWE são números da própria Xiaomi.

    Incluíram: Claude, ChatGPT, Meta, DeepSeek, Qwen. Não incluíram: Gemini, Nova, Wenxin.

    Nas listas delas: Claude: 7 · ChatGPT: 3 · Meta: 2 · DeepSeek: 5 · Qwen: 8

    O que cada IA notou 5
    • Claudeposição 7

      Uma matéria da Vals a manchetiza como cerca de 100 vezes mais barato que o Claude Opus 5.5.

    • ChatGPTposição 3

      Combina 57,81% de precisão profissional no Vals com custo informado de US$ 0,24 por tentativa do teste de inteligência na GMI.

      Fonte ↗
    • Metaposição 2

      89,9 no Terminal-Bench 2.1, logo acima do Claude Opus 5 com 89,1; 71,9 no DeepSWE v1.1; 94% no CyberGym; US$ 0,13 por tarefa de inteligência

      Fonte ↗
    • DeepSeekposição 5

      59,5% independente no Vals, com licença MIT completa e US$ 0,435/US$ 0,87 por milhão de tokens – a melhor opção de custo por tarefa concluída entre os modelos realmente permissivos.

      Fonte ↗
    • Qwenposição 8

      Um agente de raciocínio especializado que supera modelos gerais em tarefas de código com muita matemática, sem precisar de uma estrutura de 100 bilhões de parâmetros.

      Fonte ↗
    5 IAs colocaram aqui
    Fonte ↗
  4. 4

    GLM-5.3 (Z.ai)

    Faz de 48 a 49 no Coding Agent Index da Artificial Analysis e 40% no Terminal-Bench 4.0. Sua nota de 84,5% no CyberGym vem da Z.ai, que publicou o método, mas ninguém a reproduziu ainda.

    Incluíram: Claude, ChatGPT, Meta, DeepSeek. Não incluíram: Gemini, Nova, Wenxin, Qwen.

    Nas listas delas: Claude: 1 · ChatGPT: 2 · Meta: 3 · DeepSeek: 2

    O que cada IA notou 4
    • Claudeposição 1

      A Z.ai publicou seu método de teste (Claude Code 2.1.207, pass@1 em 1.507 tarefas do CyberGym), para que qualquer pessoa possa contestar seu 84,5, mas ninguém independente ainda o fez.

    • ChatGPTposição 2

      Empata com o índice de inteligência 32 do DeepSeek, mas custa US$ 2,53 por tentativa do teste de inteligência em um provedor medido de forma independente.

      Fonte ↗
    • Metaposição 3

      84,5% no CyberGym (caixa branca) – tecnicamente à frente do Claude Mythos 5, com 83,8%; DeepSWE 66,9% contra 46,2 antes; 40% no Terminal-Bench 4.0

      Fonte ↗
    • DeepSeekposição 2

      A categoria de código do Vals lhe dá 64,3 – a melhor nota de agente de código entre os abertos. Seus números independentes se sustentam melhor que a maioria, mas a disputa sobre a licença importa para quem hospeda agentes para clientes.

      Fonte ↗
    4 IAs colocaram aqui
    Fonte ↗
  5. 5

    Kimi K3 (Moonshot AI)

    Cerca de 57% a 58% no Vals Index. Seu 88,3 no Terminal-Bench 2.1 é cifra da própria Moonshot, a tabela da Meta lista 85,0, e os pesos precisam de 1,4 TB.

    Incluíram: Claude, ChatGPT, Meta, DeepSeek. Não incluíram: Gemini, Nova, Wenxin, Qwen.

    Nas listas delas: Claude: 4 · ChatGPT: 8 · Meta: 6 · DeepSeek: 4

    O que cada IA notou 4
    • Claudeposição 4

      Seus 88,3 no Terminal-Bench 2.1 são números da própria Moonshot, enquanto a tabela da Meta traz 85,0, e os pesos ocupam 1,4 TB.

      Fonte ↗
    • ChatGPTposição 8

      Seu bom desempenho em preferência humana vale a pena para testá-lo como agente de planejamento ou revisão, mas isso não prova que ele conclui fluxos de ferramentas.

    • Metaposição 6

      Melhor aberto no Vals Index, com 57%; 1.488 no LMArena; o K3.1 Pro tem 67% no Terminal-Bench 4.0 na v5 – a melhor nota de terminal entre os abertos

      Fonte ↗
    • DeepSeekposição 4

      Uma nota independente de 57,8% no Vals e 1.487 de Elo no LMArena para pesos abertos, mas o gatilho de receita de US$ 20 milhões e o teto de 100 milhões de usuários ativos por mês significam que as plataformas de agentes precisam orçar um acordo comercial, não só GPUs.

      Fonte ↗
    4 IAs colocaram aqui
    Fonte ↗
  6. 6

    Qwen3.8 Max (2.4T-A95B)

    Os números do próprio fabricante no Terminal-Bench 2.1 divergem (86,6 contra 67,4), e não tem nota independente como agente. Com 2,4T de parâmetros, traz uma barreira de US$ 50 milhões para empresas de serviços e de assistentes de programação.

    Incluíram: Claude, Meta, DeepSeek, Qwen. Não incluíram: ChatGPT, Gemini, Nova, Wenxin.

    Nas listas delas: Claude: 6 · Meta: 8 · DeepSeek: 6 · Qwen: 5

    O que cada IA notou 4
    • Claudeposição 6

      A alegação de 92,6 no GPQA vale para a versão Max, não para o checkpoint que você pode baixar.

    • Metaposição 8

      2,4 trilhões no total, 95 bilhões ativos, trava customizada de US$ 50 milhões para MaaS, 68,89% no IOI; o irmão de 27 bilhões, sob Apache, é a alternativa de licença limpa

      Fonte ↗
    • DeepSeekposição 6

      Ótimos números em agentes de código (67,4 no Terminal-Bench 2.1 em testes do fabricante), mas com trava de receita de US$ 50 milhões para empresas que concorrem em MaaS e em assistentes de código – a plataforma de agentes que o hospeda para clientes precisa planejar um acordo comercial.

      Fonte ↗
    • Qwenposição 5

      O orquestrador de agentes da Alibaba domina fluxos jurídicos e financeiros na Ásia, mas seu teto de licença de US$ 50 milhões de receita atrasa a adoção global em software como serviço (SaaS).

    4 IAs colocaram aqui
    Fonte ↗
  7. 7

    Meta Muse Spark Open

    1º no teste de agente jurídico da Harvey, com 25,00%, e 3º de 79 em agentes financeiros da Vals, mas só 46,61% no Vals Index, a US$ 4,08 por teste (segundo uma fonte).

    Incluíram: Claude, Meta, DeepSeek. Não incluíram: ChatGPT, Gemini, Nova, Wenxin, Qwen.

    Nas listas delas: Claude: 5 · Meta: ver lista · DeepSeek: 7

    O que cada IA notou 3
    • Claudeposição 5

      A Meta diz que ele supera o Kimi K3 em uso de ferramentas, mas fica atrás em código: 76,4 contra 85,0 no Terminal-Bench 2.1.

      Fonte ↗
    • Meta

      Na própria lista tem outro nome: abra a lista completa.

      ver lista
    • DeepSeekposição 7

      Fica em primeiro no Legal Agent Benchmark da Harvey, da Vals AI, com 25,00%, mas seu gatilho de revenda via MaaS de US$ 20 milhões significa que as plataformas jurídicas precisam de um acordo à parte antes de hospedá-lo para clientes.

    3 IAs colocaram aqui
    Fonte ↗
  8. 8

    GLM-5.3 Flash (Z.ai)

    Um agente de orçamento sob MIT: 47,22% no Vals Index, a US$ 0,15/US$ 0,50 por milhão de tokens. Seu 84,3 no Terminal-Bench 2.1 é cifra do próprio fabricante.

    Incluíram: Meta, DeepSeek. Não incluíram: Claude, ChatGPT, Gemini, Nova, Wenxin, Qwen.

    Nas listas delas: Meta: 4 · DeepSeek: 9

    O que cada IA notou 2
    • Metaposição 4

      MIT, US$ 0,15/US$ 0,50, 84,3 no Terminal-Bench 2.1 (dado do fabricante), o melhor custo para rodar um agente aberto em um único servidor

      Fonte ↗
    • DeepSeekposição 9

      Só 23 na Artificial Analysis v5, mas a OpenMDW-1.1 abre pesos, dados de treino e receitas – o modelo mais transparente para agentes de longa duração, a US$ 0,60/US$ 2,60 por milhão de tokens.

    2 IAs colocaram aqui
    Fonte ↗
  9. 9

    Nvidia Nemotron 3.5 Bolt 74B

    A opção mais leve: 74B com 9B ativos, cabendo numa GPU de 24 GB em 2 bits. Seu 50,98 no Terminal-Bench 2.1 é cifra da própria Nvidia, sem nota independente ainda.

    Incluíram: Claude, Meta. Não incluíram: ChatGPT, Gemini, Nova, Wenxin, DeepSeek, Qwen.

    Nas listas delas: Claude: 8 · Meta: 10

    O que cada IA notou 2
    • Claudeposição 8

      O mais leve do grupo: 74 bilhões de parâmetros com 9 bilhões ativos, cabendo em 24 GB com 2 bits.

    • Metaposição 10

      Melhor encaixe de hardware dos EUA: o Gemma de 31B tem 1.452 no LMArena; o Nemotron, com 74 bilhões no total e 9 bilhões ativos, cabe em uma GPU de 24 GB; Apache 2.0 + licença aberta da Nvidia

      Fonte ↗
    2 IAs colocaram aqui
    Fonte ↗
  10. 10

    DeepSeek V4 Pro

    76% no CyberGym-E2E, sem nenhuma recusa em 840 tarefas adversariais, perto dos 79% da Mistral, sob MIT. Só uma fonte relata isso.

    Incluíram: Meta. Não incluíram: Claude, ChatGPT, Gemini, Nova, Wenxin, DeepSeek, Qwen.

    Nas listas delas: Meta: 7

    O que cada IA notou 1
    • Metaposição 7

      MIT, zero recusas em 840 tarefas de segurança adversariais, 76% no CyberGym-E2E contra 79% do Mistral Large 4, metade do custo por acerto

      Fonte ↗
    1 IAs colocaram aqui
    Fonte ↗

Mais sobre os três primeiros ↓

02Mais sobre os três primeiros

O ranking está acima. Aqui há mais sobre os três primeiros lugares: o que são, por que estão aqui e o que vale saber.

Os três não são medidos do mesmo jeito: a posição do Mistral depende de quão perto a sua alegação em segurança cibernética fica dos testes independentes, enquanto os outros dois são avaliados pelas pontuações no Vals Index e pelos preços por teste, que variam de provedor para provedor.

1Mistral Large 4

Nº 1 — Mistral Large 4. Nas listas de 7 de 8 IAs; posição mediana ali: 3. As IAs colocaram em primeiro lugar porque a sua alegação em segurança cibernética tem a menor diferença em relação ao que os testes independentes mediram, mesmo com outras pontuações mais fracas.

Você sabia?

  • O Mistral 7B foi lançado em 27 de setembro de 2023 como um link magnet do BitTorrent, e não como uma página de download comum. O Mixtral 8x7B (dezembro de 2023) e o Mixtral 8x22B (abril de 2024) também foram compartilhados como links de torrent no Twitter.

    Fonte ↗
O que é
Um modelo grande da Mistral que pode ser usado em agentes, com pesos abertos prometidos.
Seu diferencial
Sua alegação em segurança cibernética, de cerca de 82%, é a mais próxima dos resultados independentes.
Para quem
Serve a equipes preocupadas com segurança que valorizam alegações honestas; não serve a quem precisa de baixo custo ou velocidade.
  • Pontuação no Vals Index#32 de 44 no Vals Index
Você sabia?

  • A primeira rodada de captação da Mistral, em junho de 2023, foi de €105 milhões (US$ 117 milhões). O Financial Times estimou o valor da empresa em €240 milhões, e a empresa tinha apenas cerca de dois meses de existência.

    Fonte ↗
História

  • Em 6 de outubro de 2026, a Mistral abriu uma prévia pública do Mistral Large 4. Disse que os pesos para download sairiam até o fim de outubro, depois de mais trabalho de segurança. O artigo diz que essa etapa de segurança ainda não estava concluída.

    Fonte ↗
Para ter em mente

  • Ele pensa muito antes de responder, por isso usa muitas palavras. Um teste contou cerca de 200 milhões de tokens, contra uma mediana de cerca de 81 milhões. O primeiro token levou cerca de 18,7 segundos em um prompt longo.

    Fonte ↗

  • Teve 38,4 no Artificial Analysis Intelligence Index, atrás do Kimi K3 e do Qwen 3.8 Max. Sua taxa de alucinação foi de 41,9%. Modelos mais baratos, como o DeepSeek V4.1 Flash, têm pontuação praticamente igual por uma fração do custo por tarefa.

    Fonte ↗
Onde saber mais

  • Abra o anúncio do Mistral Large 4 e leia primeiro a lista de testes de desempenho divulgada pelo fabricante, começando pela alegação de 82% em segurança cibernética. A página diz que os pesos abertos estavam previstos para o fim do mês, então confira se já foram liberados.

    Fonte ↗
Comparar os três primeiros ↓

2DeepSeek V4.1 Flash

Nº 2 — DeepSeek V4.1 Flash. Nas listas de 5 de 8 IAs; posição mediana ali: 1. As IAs classificaram em segundo lugar pela melhor pontuação no Vals Index entre os modelos abertos, com preço baixo por teste, apesar de resultados irregulares no Terminal-Bench.

Você sabia?

  • Apesar do nome « Flash », o modelo tem cerca de 552 bilhões de parâmetros no total. Só cerca de 8 bilhões ficam ativos por token ao ler um prompt, e cerca de 16 bilhões ao escrever a resposta, o que mantém o custo de uso baixo.

    Fonte ↗
O que é
Um modelo barato e rápido da DeepSeek, com memória enorme para textos longos.
Seu diferencial
Lidera os modelos abertos no Vals Index e custa bem menos por teste.
Para quem
Serve a programadores que querem resultados fortes a baixo custo; não serve a quem precisa de resultados estáveis em todos os testes.
  • Pontuação no Vals Index61,26% a US$ 0,66 por teste
Você sabia?

  • O DeepSeek V4.1 Flash consegue ler cerca de 1 milhão de tokens de uma vez, o equivalente a vários romances longos. Também pode escrever até 384 mil tokens em uma única resposta, embora os limites exatos variem de provedor para provedor.

    Fonte ↗
História

  • O DeepSeek V4.1 Flash foi lançado em 10 de setembro de 2026. A ficha do modelo diz que ele « sucede » o V4 Flash e o V4 Pro. A ficha não informa se esses modelos mais antigos foram desativados.

    Fonte ↗
Para ter em mente

  • As pontuações altas são da própria DeepSeek e não foram verificadas de forma independente. No Humanity's Last Exam, um teste acadêmico difícil, ele tira 36,8, contra 56,3 do Opus 5. Também fica atrás dos modelos dos EUA no Terminal-Bench 3.0.

    Fonte ↗
Onde saber mais

  • Abra a página da Vals AI e veja primeiro a pontuação do Terminal-Bench 4.0. Ela mostra 19,70% nesse teste; compare com o resultado da versão 2.1 na mesma página para entender por que os números são diferentes.

    Fonte ↗
ChatGPT, Meta, DeepSeek o colocaram em primeiro. O que viram nele

  • ChatGPT: Seus 28% de conclusão independente no FrontierCode lideram os pesos abertos lançados, e um provedor medido cobra US$ 0,37 por tentativa do teste composto de inteligência.

  • Meta: Líder aberto no Vals Index com 61,26% por US$ 0,66 por teste, contra US$ 18,70 do Sonnet 5.5 – 28 vezes mais barato; 90,6 no Terminal-Bench 2.1 (dado do fabricante), mas 31,8 em medição independente

  • DeepSeek: Um índice independente de 61,26% no Vals, com US$ 0,66 por teste – mas seus 74,2 no DeepSWE, informados pelo fabricante, caem para 19,7% no Terminal-Bench 4.0 independente do Vals, uma das maiores lacunas de confiança do setor.

Comparar os três primeiros ↓

3Xiaomi MiMo-V2.6-Pro

Nº 3 — Xiaomi MiMo-V2.6-Pro. Nas listas de 5 de 8 IAs; posição mediana ali: 5. As IAs colocaram em terceiro lugar pela pontuação sólida no Vals Index e pelo preço muito baixo; seus melhores números vêm apenas da própria Xiaomi.

Você sabia?

  • O MiMo-V2.6-Pro tem cerca de 1,02 trilhão de parâmetros, mas só 42 bilhões ficam ativos por token. Seus pesos estão no Hugging Face sob a licença MIT, que permite uso comercial.

    Fonte ↗
O que é
Um modelo enorme da Xiaomi com pesos abertos sob licença MIT, feito para trabalhos com agentes.
Seu diferencial
Custa o menor valor por teste entre os três, de US$ 0,13 a US$ 0,24.
Para quem
Serve a equipes que querem um modelo aberto e barato; não serve a quem não tem servidores com GPUs potentes.
  • Pontuação no Vals Index57,81–59,5% a US$ 0,13–0,24
Você sabia?

  • Segundo consta, a publicação inclui o código de treinamento e os ambientes de aprendizado por reforço, e não apenas os pesos. Isso é mais raro do que um simples download do modelo.

    Fonte ↗
História

  • Depois que o MiMo-V2.6 foi lançado em 2026, usuários de agentes perceberam que ele às vezes enviava a mesma chamada de ferramenta repetidas vezes, parecendo ocupado sem avançar. O checkpoint posterior da Xiaomi, o MOPD, é medido justamente contra esse problema.

    Fonte ↗
Para ter em mente

  • Rodar o modelo por conta própria é pesado: « Você precisa de cerca de 573 GB de pesos na memória da GPU antes de qualquer cache KV. » O guia diz que, na prática, isso significa 8 placas H200.

    Fonte ↗

  • As altas pontuações em agentes são da própria Xiaomi, medidas nos seus próprios ambientes de teste. O guia diz que « ninguém fora da Xiaomi consegue reproduzir » os resultados internos. O modelo também é prolixo: 140 milhões de tokens de saída em todo o conjunto de avaliações.

    Fonte ↗
Onde saber mais

  • Leia primeiro a tabela de testes na ficha do modelo e depois as configurações recomendadas. As pontuações ali são da própria Xiaomi, então compare-as com resultados independentes, como os da Vals AI, antes de confiar nelas.

    Fonte ↗
Comparar os três primeiros ↓

Os três primeiros lado a lado

Mistral Large 4DeepSeek V4.1 FlashXiaomi MiMo-V2.6-Pro
Nas listas das IAs7 / 85 / 85 / 8
Pontuação no Vals Index#32 de 44 no Vals Index61,26% a US$ 0,66 por teste57,81–59,5% a US$ 0,13–0,24
Primeiro para—ChatGPT, Meta, DeepSeek—

Posições com o mesmo número de IAs são ordenadas pela posição média nas listas das IAs.

Mais rankings

03Vale a pena saber

O que as IAs perceberam ao montar a lista.

O arcabouço de execução mexe nas notas dos agentes tanto quanto o modelo: um modelo fez 45,9% no SWE-Bench Pro com um arcabouço padrão e 55,4% com o agente do próprio fabricante.

Perceberam:
Incluíram: Claude, DeepSeek. Não incluíram: ChatGPT, Meta, Gemini, Nova, Wenxin, Qwen.
Fonte ↗

Fabricantes citam notas de 76 a 90 no Terminal-Bench 2.1, enquanto as medições independentes no Terminal-Bench 4.0 ficam em cerca de 20% a 41%. As versões são diferentes, então a diferença é um alerta, não uma medição.

Perceberam:
Incluíram: Claude, Meta, DeepSeek. Não incluíram: ChatGPT, Gemini, Nova, Wenxin, Qwen.
Fonte ↗

O Mistral Large 4 tem 81,56% no Vibe Code, mas 26,26% no Terminal-Bench 4.0, e 67,68% no Vals Legal Index, mas 15,83% como agente jurídico. Conhecer a matéria não é o mesmo que concluir a tarefa.

Perceberam:
Incluíram: ChatGPT, Gemini. Não incluíram: Claude, Meta, Nova, Wenxin, DeepSeek, Qwen.
Fonte ↗

A alegação de cibersegurança da Mistral é a rara quase coincidência entre número de lançamento e teste independente (~82% contra 81,7%), mas parte da sua vantagem vem de modelos fechados que recusam as tarefas.

Perceberam:
Incluíram: Claude, Meta, Qwen. Não incluíram: ChatGPT, Gemini, Nova, Wenxin, DeepSeek.
Fonte ↗

O DeepSeek V4.1 Flash custa US$ 0,66 por teste da Vals contra US$ 18,70 do Claude Sonnet 5.5, cerca de 28 vezes mais barato por uns 9 pontos a menos de precisão.

Perceberam:
Incluíram: Meta, DeepSeek. Não incluíram: Claude, ChatGPT, Gemini, Nova, Wenxin, Qwen.
Fonte ↗

04O que as pessoas perguntam

Modelo de IA ou agente de IA?

Um modelo é a rede treinada; um agente é esse modelo mais um arcabouço, ferramentas e memória funcionando em ciclo. Só o arcabouço pode levar uma nota de 45,9% a 55,4%.

Fonte ↗
Qual é o melhor modelo de IA para agentes?

Entre os pesos abertos, o DeepSeek V4.1 Flash lidera o Vals Index com 61,26% por US$ 0,66 por teste. Para agentes jurídicos, o Muse Spark Open lidera o teste da Harvey com 25,00%.

Fonte ↗
Qual é o melhor modelo de IA para o Hermes Agent?

A Nous Research não indica um padrão oficial, e os guias divergem (Kimi K3, GLM-5.2, MiniMax M3, um Qwen pequeno para uso local). Teste no seu próprio arcabouço Hermes.

Fonte ↗
Por que as notas de agentes informadas pelos fabricantes e as notas independentes diferem?

Os fabricantes informam o melhor arcabouço e as configurações deles, e muitas vezes uma versão mais antiga do teste. O número do fabricante DeepSeek no Terminal-Bench 4.0 é 42,3%, enquanto a Vals mediu 31,8%.

Fonte ↗

05Como contamos

Em palavras simples, sem fórmulas.

1A pergunta

Top 10 modelos de pesos abertos para agentes de IA: quem termina o trabalho, e não só quem ganha o comunicado de imprensa

2Por que este tema

Quem constrói agentes vê quais modelos abertos se sustentam fora do laboratório do próprio fabricante, e onde a manchete de lançamento e um teste independente divergem.

3Onde se aplica

Modelos de pesos abertos no mundo, usados como agentes em programação, cibersegurança e trabalho jurídico

4O que analisamos

  • Taxa de sucesso de agentes em testes independentes
  • Diferença entre a nota de agente informada pelo fabricante e a nota independente mais próxima
  • Custo de uma tarefa concluída
  • Tamanho do modelo e hardware necessário para rodá-lo
  • Vals AI (Vals Index, Harvey Legal Agent Benchmark, Terminal-Bench 4.0, Finance Agent) — precisão independente em tarefas profissionais de agentes, com custo por teste
  • Artificial Analysis (FrontierCode 2.0, Coding Agent Index, Cyber Index) — conclusão independente de tarefas de agentes de programação e cibersegurança, com custo por tentativa de teste
  • Notas de agentes informadas pelo fabricante — resultados autodeclarados no dia do lançamento (CyberGym, Cybench, DeepSWE, Terminal-Bench 2.1), medidos com o arcabouço de cada fabricante
  • Tamanho do modelo e hardware — parâmetros totais e ativos, e as GPUs necessárias para rodar o modelo

5Quem classificou

As IAs líderes: Claude, ChatGPT, Meta, Gemini, Nova, Wenxin, DeepSeek, Qwen. Cada uma montou sua própria lista de dez de forma independente e indicou uma fonte para cada posição.

6Como as posições foram definidas

O mesmo item escrito de formas diferentes por IAs diferentes foi contado como um só. Quanto mais IAs o colocaram na lista, e quanto mais alto, mais alta a posição. "Acordo das IAs" mostra quantas IAs tinham o item na própria lista. As fontes são apenas as que as próprias IAs encontraram; nada foi acrescentado à mão.

06A lista de cada IA

🇺🇸 Claude10 posições · 3 notas

A mesma pergunta, respondida só por Claude. A lista final acima combina todas as IAs.

  1. 1
    GLM-5.3 (Z.ai, 2026)

    A Z.ai publicou seu método de teste (Claude Code 2.1.207, pass@1 em 1.507 tarefas do CyberGym), para que qualquer pessoa possa contestar seu 84,5, mas ninguém independente ainda o fez.

  2. 2
    Mistral Large 4 (2026)

    Sua alegação de cibersegurança tem a menor distância visível: a Mistral diz cerca de 82% no CyberGym-E2E, e um índice independente mediu 81,7%.

    Fonte ↗
  3. 3
    DeepSeek V4.1 Flash (2026)

    O gráfico da Mistral deixou o modelo de fora, e a tabela da Reflection AI o põe acima do Large 4 no DeepSWE (74,2% contra 61,7%).

    Fonte ↗
  4. 4
    Kimi K3 (Moonshot AI, 2026)

    Seus 88,3 no Terminal-Bench 2.1 são números da própria Moonshot, enquanto a tabela da Meta traz 85,0, e os pesos ocupam 1,4 TB.

    Fonte ↗
  5. 5
    Muse Spark Open (Meta, 2026)

    A Meta diz que ele supera o Kimi K3 em uso de ferramentas, mas fica atrás em código: 76,4 contra 85,0 no Terminal-Bench 2.1.

    Fonte ↗
  6. 6
    Qwen3.8-2.4T-A95B (Alibaba, 2026)

    A alegação de 92,6 no GPQA vale para a versão Max, não para o checkpoint que você pode baixar.

  7. 7
    MiMo-V2.6-Pro (Xiaomi, 2026)

    Uma matéria da Vals a manchetiza como cerca de 100 vezes mais barato que o Claude Opus 5.5.

  8. 8
    Nemotron 3.5 Bolt 74B-A9B (Nvidia, 2026)

    O mais leve do grupo: 74 bilhões de parâmetros com 9 bilhões ativos, cabendo em 24 GB com 2 bits.

  9. 9
    Qwen3.8 27B (Alibaba, 2026)

    Um cérebro de agente para notebook: 34 no índice antigo, mas só 20 na v5.

    Fonte ↗
  10. 10
    Kolibri-1 (Aleph Alpha, 2026)

    Roda em duas A100 de 80 GB, mas tem só 27,7 no Terminal-Bench 2.1, número do próprio fabricante.

O que Claude percebeu

A alegação de cibersegurança da Mistral é o único ponto em que um número do dia do lançamento quase coincide com um medido por terceiros (cerca de 82% alegados, 81,7% medidos). Mas o argumento depende em parte de modelos fechados recusarem as tarefas, e essa diferença pode diminuir quando os pesos forem públicos.

Fonte ↗

A escolha do arcabouço de teste move as notas dos agentes tanto quanto a escolha do modelo. Um modelo fez 45,9% no SWE-Bench Pro com uma estrutura padrão e 55,4% com o agente do próprio fabricante, e a Scale AI viu uma diferença de 5,2 pontos entre três agentes.

Fonte ↗

As notas do Terminal-Bench 2.1 informadas pelos fabricantes para modelos abertos vão de 76 a 88, enquanto o melhor resultado com estrutura aberta no Terminal-Bench 2 é 51,9%. As duas usam versões e estruturas diferentes, então a diferença é um alerta, não uma medida.

Fonte ↗
🇺🇸 ChatGPT10 posições · 2 notas

A mesma pergunta, respondida só por ChatGPT. A lista final acima combina todas as IAs.

  1. 1
    DeepSeek V4.1 Flash 1017 (2026)

    Seus 28% de conclusão independente no FrontierCode lideram os pesos abertos lançados, e um provedor medido cobra US$ 0,37 por tentativa do teste composto de inteligência.

    Fonte ↗
  2. 2
    GLM-5.3 (2026, Z.ai)

    Empata com o índice de inteligência 32 do DeepSeek, mas custa US$ 2,53 por tentativa do teste de inteligência em um provedor medido de forma independente.

    Fonte ↗
  3. 3
    MiMo-V2.6-Pro (2026, Xiaomi)

    Combina 57,81% de precisão profissional no Vals com custo informado de US$ 0,24 por tentativa do teste de inteligência na GMI.

    Fonte ↗
  4. 4
    Mistral Large 4 OSS (2026, França)

    Seu resultado independente de 81,56% no Vibe Code contrasta com apenas 26,26% no Terminal-Bench 4.0: a escolha das tarefas muda a história por completo.

  5. 5
    MiMo-V2.6-Flash (2026, Xiaomi)

    Com US$ 0,11 por tentativa do teste de inteligência na GMI, é um candidato barato para tentativas repetidas de agentes.

    Fonte ↗
  6. 6
    Ling 3.1 Flash 1019 (2026)

    Sua nota de inteligência 29 e seus 25 bilhões de parâmetros ativos o colocam entre os candidatos a agente eficiente mais fortes.

    Fonte ↗
  7. 7
    Step 5 Preview (2026, StepFun)

    Seus 29 pontos no índice empatam com o Ling, mas o preço médio de cerca de US$ 0,50 por milhão de tokens enfraquece a economia de tentativas repetidas.

    Fonte ↗
  8. 8
    Kimi K3 (2026, Moonshot AI)

    Seu bom desempenho em preferência humana vale a pena para testá-lo como agente de planejamento ou revisão, mas isso não prova que ele conclui fluxos de ferramentas.

  9. 9
    MiniMax-M3.1-Flash (2026)

    Nota de inteligência 29 e custo medido de US$ 0,42 por tentativa de teste tornam o modelo interessante, mas os direitos de implantação ainda não estão claros.

    Fonte ↗
  10. 10
    Mistral Large 3 (2025–2026)

    A Apache 2.0 é uma vantagem operacional quando a empresa precisa hospedar agentes de clientes sem a exceção de Model-as-a-Service (MaaS) do Large 4.

    Fonte ↗

O que ChatGPT percebeu

No FrontierCode 2.0, o melhor modelo aberto lançado chega a 28%, contra 46% do Claude Opus 5.5. A diferença de 18 pontos é um alerta direto contra tratar inteligência geral como confiabilidade em programação autônoma.

Fonte ↗

Uma tentativa de US$ 0,11 não é automaticamente mais barata que uma de US$ 0,37 se o modelo mais barato falha muito mais. A economia de tarefas concluídas exige medir as novas tentativas e o retrabalho humano.

Fonte ↗
🇺🇸 Meta10 posições · 4 notas

A mesma pergunta, respondida só por Meta. A lista final acima combina todas as IAs.

  1. 1
    DeepSeek V4.1 Flash 1017 (2026, China)

    Líder aberto no Vals Index com 61,26% por US$ 0,66 por teste, contra US$ 18,70 do Sonnet 5.5 – 28 vezes mais barato; 90,6 no Terminal-Bench 2.1 (dado do fabricante), mas 31,8 em medição independente

    Fonte ↗
  2. 2
    Xiaomi MiMo-V2.6-Pro (2026, China)

    89,9 no Terminal-Bench 2.1, logo acima do Claude Opus 5 com 89,1; 71,9 no DeepSWE v1.1; 94% no CyberGym; US$ 0,13 por tarefa de inteligência

    Fonte ↗
  3. 3
    Z.ai GLM-5.3 (2026, China)

    84,5% no CyberGym (caixa branca) – tecnicamente à frente do Claude Mythos 5, com 83,8%; DeepSWE 66,9% contra 46,2 antes; 40% no Terminal-Bench 4.0

    Fonte ↗
  4. 4
    Z.ai GLM-5.3 Flash (2026, China)

    MIT, US$ 0,15/US$ 0,50, 84,3 no Terminal-Bench 2.1 (dado do fabricante), o melhor custo para rodar um agente aberto em um único servidor

    Fonte ↗
  5. 5
    Mistral Large 4 Le Chonk (2026, França)

    Fabricante: 93% no Cybench, 82% em correção de vulnerabilidades, 61,7% no DeepSWE v1.1 – independente: 41% no Terminal-Bench 4.0 e 48% no Coding Agent Index, usando 47% menos tokens

    Fonte ↗
  6. 6
    Moonshot Kimi K3 (2026, China)

    Melhor aberto no Vals Index, com 57%; 1.488 no LMArena; o K3.1 Pro tem 67% no Terminal-Bench 4.0 na v5 – a melhor nota de terminal entre os abertos

    Fonte ↗
  7. 7
    DeepSeek V4 Pro 0813 (2026, China)

    MIT, zero recusas em 840 tarefas de segurança adversariais, 76% no CyberGym-E2E contra 79% do Mistral Large 4, metade do custo por acerto

    Fonte ↗
  8. 8
    Alibaba Qwen3.8-2.4T-A95B Max (2026, China)

    2,4 trilhões no total, 95 bilhões ativos, trava customizada de US$ 50 milhões para MaaS, 68,89% no IOI; o irmão de 27 bilhões, sob Apache, é a alternativa de licença limpa

    Fonte ↗
  9. 9
    MiniMax M3.1 Flash (2026, China)

    428 bilhões no total, 23 bilhões ativos, mistura de especialistas, US$ 0,075/US$ 0,30 – o agente de fronteira mais barato, 43 no Intelligence Index; pesos no Hugging Face desde 23 de outubro

    Fonte ↗
  10. 10
    Google Gemma 4 31B / Nvidia Nemotron 3.5 Bolt 74B (2026, Estados Unidos)

    Melhor encaixe de hardware dos EUA: o Gemma de 31B tem 1.452 no LMArena; o Nemotron, com 74 bilhões no total e 9 bilhões ativos, cabe em uma GPU de 24 GB; Apache 2.0 + licença aberta da Nvidia

    Fonte ↗

O que Meta percebeu

A lacuna de confiança passa de 10 pontos: o DeepSeek V4.1 Flash tem 42,3% no Terminal-Bench 4.0 segundo o fabricante, contra 31,8% no Vals independente; o Mistral Large 4 tem 82% de correção de vulnerabilidades segundo o fabricante, contra 41% no Terminal-Bench 4.0 independente – os números de lançamento ficam 20 pontos acima dos testes independentes.

Fonte ↗

Custo por tarefa concluída: o DeepSeek V4.1 Flash, com 1017 a US$ 0,66 por teste do Vals, contra US$ 18,70 do Claude Sonnet 5.5 e US$ 28,12 do Opus 5.5 – 28 e 42 vezes mais barato por 9 pontos a menos de precisão

Fonte ↗

O CyberGym está saturado: o GLM-5.3 tem 84,5% contra 83,8% do Claude Mythos 5 e 83,6% do GPT-5.6 Sol, dentro de 7,3 pontos – a diferença de capacidade não aparece no percentual de destaque

Fonte ↗

O Terminal-Bench é o que separa: o melhor aberto, Kimi K3.1 Pro, tem 67%, contra 28% do melhor DeepSeek V4.1 Flash lançado no FrontierCode e 13% no Terminal-Bench-Science; a maioria dos modelos abertos fica abaixo de 10%

Fonte ↗
🇺🇸 Gemini10 posições

A mesma pergunta, respondida só por Gemini. A lista final acima combina todas as IAs.

  1. 1
    Qwen 2.5 Coder 32B Instruct (Alibaba, China)

    Tem a menor lacuna de confiança do setor (menos de 4 pontos percentuais), concluindo execuções complexas de agentes de código por centavos em hardware de consumo.

    Fonte ↗
  2. 2
    DeepSeek-V3 (China, 2024–2026)

    Equilibra a enorme capacidade de chamada de ferramentas de 671 bilhões, de mistura de especialistas, com uma lacuna de confiança agressivamente abaixo de 5% e um preço de API quase insignificante.

    Fonte ↗
  3. 3
    Llama 3.3 70B Instruct (Meta, Estados Unidos)

    Termina 92% das sequências de chamadas de função sem degradação de sintaxe, com uma variação apertada de 5,1% em relação às alegações do white paper da Meta.

  4. 4
    Nous Hermes 3 - 70B (Nous Research, Estados Unidos)

    Feito puramente para dirigir agentes autônomos e executar funções em JSON, mantendo quase nenhuma deriva de prompt em execuções de 50 etapas.

    Fonte ↗
  5. 5
    Mistral Large 4 (Mistral AI, França, 2026)

    Alega 82% no CyberGym-E2E e 61,7% no DeepSWE v1.1, mas cai para 15,83% no Legal Agent Benchmark independente da Harvey.

    Fonte ↗
  6. 6
    Llama 3.1 405B Instruct (Meta, Estados Unidos)

    A maior folga de raciocínio entre os pesos abertos, mas exige um servidor de data center com 8 GPUs só para rodar uma linha de execução de agente.

  7. 7
    DeepSeek-Coder-V2.5 (China)

    Um caçador de bugs automatizado confiável, cujo design de mistura de especialistas com 16 bilhões ativos derruba o custo de correções de código para US$ 0,05.

    Fonte ↗
  8. 8
    Qwen 2.5 72B Instruct (Alibaba, China)

    Um agente geral confiável, que alimenta orquestradores multiagente com estabilidade de contexto de 128 mil tokens e falhas de análise praticamente nulas.

    Fonte ↗
  9. 9
    Devstral 24B / Mistral NeMo (Mistral AI, França)

    O agente local ágil da Mistral, que executa comandos de terminal da IDE com confiança, sem queimar créditos de nuvem corporativa.

    Fonte ↗
  10. 10
    GLM-4 9B Chat (Zhipu AI, China)

    A porta de entrada para agentes em celulares e na borda, capaz de interpretar ações de navegação na web dentro de 16 GB de RAM.

    Fonte ↗
🇨🇳 Wenxin10 posições · 1 notas

A mesma pergunta, respondida só por Wenxin. A lista final acima combina todas as IAs.

  1. 1
    Meta Llama 4 Maverick 405B (2026)

    Um agente de 405 bilhões de parâmetros – mas você precisa de 8 H100 e um hardware de 12 mil para ele concluir um trabalho

  2. 2
    DeepSeek-V3.2 671B (2025/2026)

    Um truque de mistura de especialistas reduz os parâmetros ativos para cerca de 37 bilhões – o agente que pensa grande e gasta pouco

  3. 3
    Mistral Large 4 123B (Mistral AI, França, 2026)

    Os números de agente do modelo de 123 bilhões ficam ótimos no papel – testes independentes mostram uma diferença de 20 pontos

    Fonte ↗
  4. 4
    Qwen3 235B-A22B MoE (Alibaba, 2026)

    22 bilhões ativos na inferência – o agente que você consegue manter rodando o tempo todo

    Fonte ↗
  5. 5
    Falcon 3 180B (TII, Emirados Árabes Unidos, 2026)

    Um generalista de 180 bilhões – agente razoável, mas não o especialista que você precisa para código ou direito

  6. 6
    Nvidia Nemotron 4 340B (2025/2026)

    O agente próprio da Nvidia – feito para mostrar os chips da empresa, não o seu orçamento

  7. 7
    Microsoft Phi-4 14B (2025/2026)

    14 bilhões num notebook – o agente que roda enquanto o seu café passa

  8. 8
    Cohere Command R+ 104B (2025/2026)

    Feito para agentes de RAG (busca em documentos próprios) corporativos – mas “aberto” só se você não quiser vendê-lo

    Fonte ↗
  9. 9
    Stability AI Stable Code 3 15B (2026)

    15 bilhões, agente de código – ótimo com tickets do GitHub, mas não faz a sua declaração de imposto de renda

  10. 10
    Google Gemma 3 27B (2026)

    Agente generalista de 27 bilhões – bom o bastante para 80% das tarefas com um décimo do custo

    Fonte ↗

O que Wenxin percebeu

O DeepSeek-V3.2 custa menos de 1 por milhão de tokens em hospedagem própria, sendo o agente mais barato entre os cinco primeiros – e, como usa mistura de especialistas, só cerca de 37 bilhões de parâmetros ficam ativos por token

Fonte ↗
🇨🇳 DeepSeek10 posições · 1 notas

A mesma pergunta, respondida só por DeepSeek. A lista final acima combina todas as IAs.

  1. 1
    DeepSeek V4.1 Flash 1017 (2026)

    Um índice independente de 61,26% no Vals, com US$ 0,66 por teste – mas seus 74,2 no DeepSWE, informados pelo fabricante, caem para 19,7% no Terminal-Bench 4.0 independente do Vals, uma das maiores lacunas de confiança do setor.

  2. 2
    GLM-5.3 (2026)

    A categoria de código do Vals lhe dá 64,3 – a melhor nota de agente de código entre os abertos. Seus números independentes se sustentam melhor que a maioria, mas a disputa sobre a licença importa para quem hospeda agentes para clientes.

    Fonte ↗
  3. 3
    Mistral Large 4 (Le Chonk, 2026)

    Os anúncios da Mistral trazem 82% no CyberGym-E2E, 93% no Cybench e 61,7% no DeepSWE – mas o teste independente do Cyber Index dá cerca de 51%, uma lacuna de confiança de cerca de 31 pontos, o número decisivo para quem compra agentes de segurança.

    Fonte ↗
  4. 4
    Kimi K3 (Moonshot AI, 2026)

    Uma nota independente de 57,8% no Vals e 1.487 de Elo no LMArena para pesos abertos, mas o gatilho de receita de US$ 20 milhões e o teto de 100 milhões de usuários ativos por mês significam que as plataformas de agentes precisam orçar um acordo comercial, não só GPUs.

    Fonte ↗
  5. 5
    MiMo-V2.6-Pro (Xiaomi, 2026)

    59,5% independente no Vals, com licença MIT completa e US$ 0,435/US$ 0,87 por milhão de tokens – a melhor opção de custo por tarefa concluída entre os modelos realmente permissivos.

    Fonte ↗
  6. 6
    Qwen 3.8 Max (Alibaba, 2026)

    Ótimos números em agentes de código (67,4 no Terminal-Bench 2.1 em testes do fabricante), mas com trava de receita de US$ 50 milhões para empresas que concorrem em MaaS e em assistentes de código – a plataforma de agentes que o hospeda para clientes precisa planejar um acordo comercial.

    Fonte ↗
  7. 7
    Muse Spark Open (Meta, 2026)

    Fica em primeiro no Legal Agent Benchmark da Harvey, da Vals AI, com 25,00%, mas seu gatilho de revenda via MaaS de US$ 20 milhões significa que as plataformas jurídicas precisam de um acordo à parte antes de hospedá-lo para clientes.

  8. 8
    Step 5 Preview (StepFun, 2026)

    Nota 29 na Artificial Analysis v5 e contexto de 1 milhão de tokens, com um design de 600 bilhões de parâmetros de mistura de especialistas, mas a StepFun Model License 1.0 traz condições de OEM e de MaaS que podem bloquear a implantação de agentes, mesmo com os pesos disponíveis para baixar.

  9. 9
    Nemotron 3 Ultra (Nvidia, 2026)

    Só 23 na Artificial Analysis v5, mas a OpenMDW-1.1 abre pesos, dados de treino e receitas – o modelo mais transparente para agentes de longa duração, a US$ 0,60/US$ 2,60 por milhão de tokens.

  10. 10
    Beam 1.0 (Reflection AI, 2026)

    Nota 30 na Artificial Analysis v5 e 48,5% no AutomationBench-AA – forte para fluxos de trabalho com agentes –, mas só 3,0% no Terminal-Bench 4.0, então ele conclui agentes de trabalho de conhecimento, não agentes de terminal.

O que DeepSeek percebeu

Agentes com pesos abertos podem igualar modelos fechados por menos de um décimo do custo, se tiverem turnos suficientes – um achado que muda a conta de comprar ou construir para equipes de agentes de segurança e jurídicos.

Fonte ↗
🇨🇳 Qwen10 posições · 2 notas

A mesma pergunta, respondida só por Qwen. A lista final acima combina todas as IAs.

  1. 1
    Kimi K3.1 Pro

    O agente da Moonshot conclui 94,7% das tarefas reais de invasão, deixando uma enorme distância entre a nota independente dele e o release de imprensa de todos os outros.

    Fonte ↗
  2. 2
    DeepSeek V4.1

    O cavalo de batalha com licença MIT conclui agentes complexos de código com vários arquivos por uma fração do custo dos modelos de fronteira dos EUA.

  3. 3
    Mistral Large 4

    A Mistral alega 82% no CyberGym e 61,7% no DeepSWE, mas testadores independentes medem 81,7% e 60%, mostrando uma rara lacuna de confiança “honesta”.

    Fonte ↗
  4. 4
    GLM-5.1

    Treinado especificamente para o Legal Agent Benchmark da Harvey, redige e revisa contratos mais rápido que qualquer modelo de uso geral.

  5. 5
    Qwen 3.8 Max

    O orquestrador de agentes da Alibaba domina fluxos jurídicos e financeiros na Ásia, mas seu teto de licença de US$ 50 milhões de receita atrasa a adoção global em software como serviço (SaaS).

  6. 6
    Llama 3.3 405B

    A janela de contexto enorme da Meta permite manter bases de código inteiras na memória para agentes de refatoração de longo prazo.

  7. 7
    Yi-Lightning

    O agente leve da 01.AI roda em GPUs de nuvem baratas, por isso é a escolha padrão de startups que montam ciclos automáticos de atendimento ao cliente.

    Fonte ↗
  8. 8
    MiMo

    Um agente de raciocínio especializado que supera modelos gerais em tarefas de código com muita matemática, sem precisar de uma estrutura de 100 bilhões de parâmetros.

    Fonte ↗
  9. 9
    Phi-4

    O pequeno agente da Microsoft se sai bem em varreduras de segurança locais, no próprio aparelho, onde enviar código para a nuvem seria uma violação de conformidade.

    Fonte ↗
  10. 10
    InternLM 3

    A estrutura de agentes do Laboratório de IA de Xangai inclui rastreamento embutido do uso de ferramentas, o que a torna a favorita para orquestração financeira auditada.

    Fonte ↗

O que Qwen percebeu

A “lacuna de confiança” nos agentes de IA está diminuindo: as alegações do fabricante da Mistral Large 4 (82% no CyberGym) quase coincidiram com testes independentes (81,7%), um raro momento de transparência num setor cheio de testes escolhidos a dedo.

Fonte ↗

A eficiência de hardware é o novo fosso competitivo dos agentes: Phi-4 e Yi-Lightning permitem que startups rodem varreduras de segurança autônomas 24 horas por dia em uma única RTX 4090, contornando por completo os limites de taxa das APIs em nuvem.

Fonte ↗