Modelos de linguagem e raciocínio

O que observar

As perguntas que separam as opções, em ordem de importância.

1. 01

   O benchmark da sua tarefa, não a posição de destaque

   Decida primeiro se você precisa de qualidade de chat, programação, trabalho de agentes ou processamento barato em massa, porque os líderes são diferentes. Um modelo que vence uma votação cega de chat pode ficar para trás em execuções longas de agentes, e o contrário também. Leia em cada ranking abaixo a coluna que corresponde à sua carga de trabalho e trate qualquer alegação de 'melhor modelo' como marketing.

2. 02

   Artificial Analysis Intelligence Index: compare no nível de esforço pelo qual você vai pagar

   A versão 4.3 é uma média ponderada de 10 avaliações que a própria Artificial Analysis roda com um único harness: agentes 30%, programação 20%, conhecimento geral 30% e raciocínio científico 20%, com quatro delas em conjuntos de teste privados. É o melhor número independente isolado, mas o mesmo modelo aparece várias vezes com configurações de esforço diferentes (max, xhigh, high), e a primeira entrada costuma ser a mais cara. Leia as colunas Cost per Task, Median Tokens/s e First Chunk ao lado da nota; uma diferença de dois pontos raramente vale o dobro da conta.

3. 03

   Arena (antes LMArena): uma votação de preferência, com margens de erro

   A Arena, em arena.ai desde janeiro de 2026, ordena os modelos a partir de votos cegos dos seus usuários em comparações lado a lado. O controle de estilo, que desconta tamanho e markdown, é o padrão desde maio de 2025. Olhe o intervalo de confiança de 95% e a faixa de posições: modelos cujos intervalos se sobrepõem estão estatisticamente empatados, seja qual for a posição. Use as abas de categoria (coding, hard prompts, long queries, WebDev) e lembre-se de que ela mede o que as pessoas preferem em uma janela de chat, não se um agente termina uma tarefa de 40 etapas.

4. 04

   Notas de programação: o SWE-bench Verified deixou de ser um sinal limpo

   A OpenAI parou de reportar o SWE-bench Verified em fevereiro de 2026, citando contaminação: os modelos tinham visto os problemas no treinamento, e uma auditoria das falhas concluiu que muitas eram causadas por testes defeituosos. Em julho de 2026, ela também retirou a recomendação do SWE-bench Pro depois de constatar que cerca de 30% das tarefas públicas estavam quebradas. Trate os números de SWE-bench dos fornecedores como evidência fraca, verifique qual scaffold de agente foi usado e dê mais peso a testes mais novos ou rodados de forma independente, como o Terminal-Bench 4.0 dentro do índice da Artificial Analysis, o DeepSWE e uma avaliação no seu próprio repositório.

5. 05

   Agentes e chamadas de ferramentas: leia o pass^k no tau-bench e depois teste as suas próprias ferramentas

   O tau-bench da Sierra, agora na terceira versão (τ³-bench, em taubench.com), simula agentes de atendimento ao cliente usando ferramentas diante de um usuário simulado. A coluna útil é a pass^k: a parcela de tarefas resolvidas em todas as k execuções, que mede consistência em vez de acertos de sorte em uma única tentativa. As posições mudam à medida que k cresce, então um modelo que vence no pass^1 pode perder no pass^4. As notas do tau-bench original e do τ³ não são comparáveis. Verifique também os limites práticos: alguns modelos exigem uma API específica para ferramentas (o GPT-6.1 Sol exige a Responses API da OpenAI), e a saída estrita com schema JSON varia conforme o provedor.

6. 06

   Tabelas de lançamento dos fornecedores contra execuções independentes

   As tabelas de lançamento são rodadas pelo fornecedor, com as configurações que ele escolheu e os rivais que ele selecionou. As execuções independentes muitas vezes discordam: no Humanity's Last Exam em outubro de 2026, a nota mais alta ia de cerca de 54% no ranking sem consulta da Scale a cerca de 65% nos rankings que permitem ferramentas. Antes de comparar dois números, verifique quem rodou o teste, se ferramentas eram permitidas, qual nível de esforço foi usado e se o conjunto de teste é público (e, portanto, possivelmente presente nos dados de treinamento).

7. 07

   Preço real: tokens de saída, cache e descontos que expiram

   Os preços de tabela por 1M de tokens de entrada e de saída são o começo, não a conta. Modelos de raciocínio gastam tokens de saída pensando, então um modelo mais barato que pensa por mais tempo pode custar mais por tarefa. O cache de prompts muda a conta para agentes e prompts de sistema longos: o Claude Opus 5.5 cobra $0,20 por 1M de tokens de entrada em cache, contra $4 sem cache. Fique atento a sobretaxas para prompts longos (OpenAI acima de 272K tokens), descontos de 50% para lotes e preços promocionais que acabam (o Gemini 4 Argon dobra de preço em 1º de dezembro de 2026).

8. 08

   Janela de contexto, velocidade e licença

   Uma janela de 1M de tokens não diz nada sobre quão bem o modelo a usa; olhe testes de contexto longo como o AA-LCR e o limite de tokens de saída, que restringe gerações longas. Para apps interativos, o tempo até o primeiro token e os tokens por segundo na Artificial Analysis importam mais do que um ponto de nota em benchmark, e para modelos abertos eles dependem do host. Para pesos abertos, leia a licença: Apache 2.0 e MIT não têm restrições, enquanto as licenças MIT modificadas do Kimi K3 e do GLM-5.3 acrescentam condições para hosts de API muito grandes. Verifique também o hardware: o gpt-oss-120b cabe em uma GPU de 80GB, o DeepSeek-V4-Pro precisa de um cluster.

15 ferramentas comparadas

Ordenadas pela nossa nota. Abra qualquer avaliação para ver as fontes, os preços e o veredito completo.

Ferramentas de Modelos de linguagem e raciocínio comparadas

Ferramenta	Nota	Nosso veredito	Ideal para	Preço
Claude Opus 5.5modelo	4.7/5	O novo padrão da Anthropic merece o título: primeiro no índice independente da Artificial Analysis e um quinto mais barato por token que o Opus que ele substitui.	Equipes que rodam agentes de programação longos, auditorias de código ou pesquisa com muitos documentos, em que terminar a tarefa importa mais do que o custo de cada chamada.	API: $4 por 1M de tokens de entrada, $20 por 1M de saída; leituras de cache $0.20, gravações em cache de 5 minutos $5; Batch API com 50% de desconto; modo rápido $8/$40; inferência só nos EUA 1.1x.
Claude Sonnet 5.5modelo	4.6/5	A dois pontos do Opus 5.5 no teste de trabalho intelectual da Anthropic pela metade do preço, o que transforma o Opus em um upgrade deliberado, e não no padrão.	Equipes que rodam agentes de programação, automação de atendimento ou trabalho com documentos em volume e querem qualidade próxima à do Opus pela metade do preço por token.	API: $2 por 1M de tokens de entrada, $10 por 1M de tokens de saída; leituras de cache $0.10; Batch API com 50% de desconto.
GPT-6.1 Solmodelo	4.6/5	Para a maioria dos clientes da OpenAI, este é o modelo de ponta que importa: um ponto atrás do Astra no índice da Artificial Analysis, a um quinto do preço por token.	Equipes que constroem agentes e fluxos de trabalho empresariais na OpenAI, querem resultados próximos aos do Astra a custo intermediário e convivem com uma saída mais lenta.	API: $2 por 1M de tokens de entrada, $10 por 1M de saída; entrada em cache $0,10; Batch/Flex pela metade do preço; prompts acima de 272K tokens de entrada pagam 2x a entrada e 1,5x a saída na solicitação inteira.
Gemini 4 Argonmodelo	4.5/5	Com o Argon, o Google volta à fronteira, e sua entrada nativa de vídeo e áudio é algo que os modelos de ponta Claude e GPT ainda não conseguem igualar.	Equipes que trabalham com vídeo, áudio ou coleções muito grandes de documentos e querem um modelo de raciocínio de primeira linha.	API: $2 de entrada / $10 de saída por 1M de tokens até 30 de novembro de 2026, depois $4 / $20; Batch e Flex pela metade do preço; entrada em cache $0,10 (depois $0,20). Sem nível gratuito.
Qwen3.8-27Bmodelo	4.5/5	Um modelo de 27B com licença Apache que, pelos números da própria Alibaba, passa um pouco à frente do Claude Opus 4.6 Max em programação e cabe em uma única placa de 24 GB em 4 bits.	Desenvolvedores que querem o modelo mais forte com licença permissiva que caiba em uma GPU topo de linha, especialmente para agentes de programação e de uso de computador.	Pesos gratuitos sob Apache 2.0. Qwen Cloud: US$ 0,50 de entrada / US$ 3,00 de saída por 1M de tokens (US$ 0,10 em cache). Hosts de terceiros no OpenRouter a partir de cerca de US$ 0,04 / US$ 1,25.
GLM-5.3modelo	4.4/5	Programação com pesos abertos a poucos pontos da fronteira fechada, sob uma licença que quase ninguém precisa ler duas vezes.	Desenvolvedores e empresas que querem um modelo aberto capaz para programação e agentes, com restrições mínimas de licença.	Pesos abertos sob licença MIT modificada. API da Z.ai: $1,40 de entrada / $0,26 em cache / $4,40 de saída por 1M de tokens; GLM-5.3-Flash $0,15 / $0,50.
Gemma 4modelo	4.4/5	O Gemma 4 é agora a família aberta padrão abaixo de 32B parâmetros, porque sua licença finalmente está à altura da sua qualidade.	Desenvolvedores que constroem apps no dispositivo, locais ou de uma só GPU e querem uma licença permissiva e entrada multimodal.	Pesos gratuitos sob Apache 2.0. Hospedado no Google Cloud e em terceiros; o OpenRouter lista o 31B a $0,20/$0,40 e o 26B A4B a cerca de $0,08/$0,26 por 1M de tokens.
DeepSeek-V4-Promodelo	4.3/5	O DeepSeek-V4-Pro oferece raciocínio de nível de fronteira sob licença MIT por cerca de um quarto do preço por token do Opus 5.5, desde que seus dados possam ir para a China ou que você tenha um rack de H200.	Equipes que querem pesos abertos de nível de fronteira para programação e raciocínio, seja no próprio servidor de oito GPUs, seja por uma API muito barata para trabalho não sensível.	Pesos gratuitos com licença MIT. API da DeepSeek: US$ 0,66 entrada / US$ 1,98 saída por 1M de tokens fora do pico, US$ 1,32 / US$ 3,96 no pico; acertos de cache a partir de US$ 0,022.
Kimi K3modelo	4.3/5	O Kimi K3 lidera a tabela de agentes da própria Moonshot, mas a US$ 2 por tarefa da Artificial Analysis custa sete vezes o GLM-5.3-Flash por dois pontos a mais no índice.	Equipes que constroem agentes de navegação e pesquisa e querem pesos abertos, podendo auto-hospedar ou pagar preços de API próximos aos da fronteira.	Pesos abertos sob uma licença MIT modificada. API do Kimi: US$ 3 entrada / US$ 15 saída por 1M de tokens; entrada em cache US$ 0,30.
GPT-6 Astramodelo	4.2/5	Um modelo de matemática e ciência que bate recordes e custa quatro vezes e meia mais por tarefa do que um irmão que marca um ponto a menos.	Equipes de pesquisa, matemática e ciência que precisam do raciocínio mais forte que a OpenAI oferece e conseguem justificar o preço.	API: $10 por 1M de tokens de entrada, $50 de saída; entrada em cache $1; Batch/Flex pela metade do preço; prompts acima de 272K tokens de entrada custam 2x a entrada e 1,5x a saída.
DeepSeek-V4.1-Flashmodelo	4.2/5	Pontuações de agente de programação próximas da fronteira por US$ 0,15 por milhão de tokens de entrada, desde que você aceite o tratamento de dados na China ou hospede você mesmo um checkpoint de 763B de parâmetros.	Equipes sensíveis a custo que rodam agentes de programação e automação e podem usar uma API hospedada na China ou um host de terceiros, ou têm servidores com várias GPUs para os pesos abertos.	Pesos gratuitos com licença MIT. API da DeepSeek: US$ 0,15 entrada / US$ 0,60 saída por 1M de tokens fora do pico, US$ 0,30 / US$ 1,20 no pico dos dias úteis; acertos de cache de US$ 0,003 a US$ 0,006.
Gemini 3.8 Flashmodelo	4.1/5	Entradas amplas e um nível gratuito mantêm o Gemini 3.8 Flash útil, mas agora ele gasta mais por tarefa do que rivais que pontuam mais alto, e seu preço dobra em janeiro.	Equipes que processam áudio, vídeo e PDFs longos dentro do ecossistema do Google e toleram primeiras respostas lentas.	API: $0,75 de entrada / $3,75 de saída por 1M de tokens até 31 de dezembro de 2026, depois $1,50 / $7,50; Batch e Flex pela metade do preço; nível gratuito com limites.
gpt-oss-120bmodelo	4.0/5	Catorze meses depois, o gpt-oss-120b já não é o modelo aberto mais forte, mas continua sendo a licença mais simples e o suporte mais amplo para raciocínio em uma GPU de 80GB.	Equipes que precisam de um modelo de raciocínio com licença permissiva, que possam rodar de forma privada em uma GPU, com ferramentas maduras.	Pesos gratuitos sob Apache 2.0; os preços hospedados variam por provedor.
MiniMax-M3.1-Flashmodelo	4.0/5	Perto do topo da tabela de pesos abertos por uma fração de centavo por tarefa, desde que nada do que ele diz saia sem verificação.	Equipes com trabalho de agentes e automação em alto volume, ou entradas multimodais longas, que conseguem verificar as saídas e aceitam os termos de licença da MiniMax.	Pesos abertos sob a licença comunitária da MiniMax. API da MiniMax por 1M de tokens, fixa em qualquer tamanho de prompt: US$ 0,15 entrada, US$ 0,60 saída, US$ 0,015 entrada em cache.
Beammodelo	3.8/5	O Beam é o modelo aberto americano mais forte com uma licença realmente aberta, e a sua economia de tokens é real, mas os modelos abertos chineses com que ele é comparado ainda marcam bem mais.	Equipes que querem um grande modelo de raciocínio de um laboratório dos EUA sob Apache 2.0, especialmente para destilar em modelos menores ou para rodar agentes sensíveis a custo em que os tokens de saída dominam a conta.	Pesos Apache 2.0 gratuitos. API da Reflection gratuita em beta público com limites diários. Hospedado: Together AI e Baseten a US$ 0,40 de entrada / US$ 0,04 em cache / US$ 1,20 de saída por 1M de tokens; OpenRouter a partir de US$ 0,24 / US$ 0,98.

Lado a lado

As especificações que importam nesta etapa. Verificadas em 23 de out. de 2026; confirme no site do fornecedor antes de decidir.

Comparativos diretos e rankings

• DeepSeek-V4.1-Flash vs. MiniMax-M3.1-Flash
• Melhores grandes modelos de linguagem (LLMs)
• Melhores modelos de raciocínio de IA
• Melhores modelos de IA pequenos e para uso no dispositivo

Onde esta etapa se encaixa

• Converse com os seus documentos: começaríamos com Claude Sonnet 5.5.
• Agente de atendimento ao cliente: começaríamos com Claude Haiku 5.5.
• Agente de programação: começaríamos com Claude Opus 5.5, GLM-5.3.
• Pesquisa e grafo de conhecimento: começaríamos com Gemini 4 Argon.
• Assistente com memória de longo prazo: começaríamos com GPT-6.1 Sol.
• Pipeline de geração de imagens: começaríamos com Gemini 3.8 Flash.
• Produção de vídeo: começaríamos com Gemini 3.8 Flash.
• Agente de voz: começaríamos com Gemini 3.8 Flash.
• IA privada no dispositivo: começaríamos com Gemma 4, Qwen3.8-27B.
• Processamento de documentos: começaríamos com GPT-6 Luna.
• O seu próprio modelo com fine-tuning: começaríamos com Qwen3.8-27B.
• Automação de fluxos de trabalho: começaríamos com Claude Haiku 5.5.

Fontes deste guia

• Artificial Analysis: metodologia do Intelligence Index
• Artificial Analysis: ranking de modelos
• Ranking da Arena (antes LMArena)
• Arena: a LMArena agora é Arena (28 de janeiro de 2026)
• Notas do conjunto de dados do ranking da Arena sobre controle de estilo
• OpenAI: por que não avaliamos mais o SWE-bench Verified
• OpenAI: separando sinal de ruído em avaliações de programação (auditoria do SWE-bench Pro, julho de 2026)
• Rankings do SWE-bench
• Repositório do tau-bench da Sierra (τ³-bench)
• Artificial Analysis: resultados do Humanity's Last Exam
• Z.ai: visão geral do GLM-5.3