O PyTorch venceu na pesquisa. Onde o TensorFlow e o MLX ainda se encaixam

A guerra dos frameworks acabou, e o PyTorch venceu a parte que mais importa: pesquisa e grandes modelos de linguagem. Novos artigos, tutoriais e pesos pré-treinados aparecem primeiro nele. Isso torna a escolha mais simples do que parece, mas não trivial, porque dois outros frameworks ainda dominam nichos que o PyTorch não domina, e a maioria dos leitores deste site não precisa de framework nenhum.

O padrão: PyTorch

O PyTorch (4,9) é onde o ecossistema vive. Junto com o Transformers (4,8) da Hugging Face, é o caminho direto de um modelo publicado até o fine-tuning com os seus próprios dados, e a imensa maioria dos pesos abertos sai primeiro para PyTorch. Se você vai aprender um framework para deep learning ou trabalho com LLMs em 2026, aprenda este; a questão não é se ele é o melhor em teoria, mas onde já estão o código, os pesos e a ajuda.

O nicho de produção e borda: TensorFlow

O TensorFlow (4,0) não é mais o padrão para projetos novos, e o Keras 3 admite isso discretamente ao rodar sobre PyTorch ou JAX com a mesma facilidade que sobre TensorFlow. O que ele ainda faz melhor que a maioria é levar um modelo treinado para um celular ou um microcontrolador: o caminho TensorFlow Lite e LiteRT é mais maduro que as alternativas. Se o seu projeto termina no dispositivo e não em um data center, ou se você já mantém uma base de código em TensorFlow, não há motivo para migrar. Para qualquer coisa com cara de LLM, há pouco motivo para começar.

O nicho do Apple Silicon: MLX

O MLX (4,4), o framework de arrays da Apple, existe para uma situação e a atende bem: treinar e rodar modelos localmente no Apple Silicon, usando memória unificada para que um Mac com RAM suficiente comporte modelos que em outra máquina exigiriam uma GPU dedicada. Não é um framework multiplataforma de uso geral e nem tenta ser; em uma máquina Linux com placas NVIDIA, é a ferramenta errada. Em um MacBook, é o que trata o hardware como alvo de primeira classe.

A opção que a maioria realmente quer

Eis a parte que o debate sobre frameworks esconde: se o seu objetivo é rodar um modelo existente e não construir ou treinar um, você não quer nenhum deles. O llama.cpp (4,8) e as ferramentas construídas sobre ele rodam modelos abertos quantizados em hardware comum, sem instalar framework e sem código de treinamento. A maioria das pessoas que acha que precisa de TensorFlow ou PyTorch precisa de um runtime de inferência e de uma chave de API.

Qual usar

Para construir ou fazer fine-tuning de modelos, sobretudo LLMs: PyTorch com Transformers, sem olhar para trás. Para levar um modelo próprio a um dispositivo: TensorFlow e LiteRT. Para trabalhar só em um Mac: MLX. Para apenas rodar modelos que outra pessoa treinou: um runtime de inferência, e não um framework. O framework é a menor das decisões; a verdadeira é se você está construindo um modelo ou consumindo um.