Modelos de IA abertos em 2026: DeepSeek, Qwen e Kimi explicados

O que significa “modelo de IA aberto”?

“Aberto” é uma família de descrições, não uma garantia. Um lançamento de pesos abertos compartilha os parâmetros finais treinados de um modelo, que outras pessoas podem então ajustar, adaptar ou implantar quando a licença permite. ^[4] Um sistema de IA de código aberto é uma afirmação mais forte. A definição da Open Source Initiative exige três elementos sob termos aprovados pela OSI: informações sobre os dados detalhadas o bastante para que uma pessoa qualificada consiga construir um sistema substancialmente equivalente, o código-fonte completo usado para treinar e executar o sistema e os parâmetros do modelo. ^[1]

Essa distinção afeta escolhas concretas. Os pesos podem estar disponíveis enquanto os dados e o código de treinamento não estão. O texto explicativo da Open Source Initiative sobre pesos abertos diz que eles diferem da IA de código aberto porque não incluem o código de treinamento nem o conjunto de dados de treinamento, nem detalhes abrangentes sobre esse conjunto de dados quando ele não pode ser legalmente compartilhado; sem isso, o processo de treinamento é difícil de replicar ou auditar. ^[4] Um modelo pode, portanto, ser implantável localmente sem ser totalmente reproduzível, ou ter pesos disponíveis sob termos que restringem certos usos.

Antes de escolher um lançamento, faça quatro perguntas: os pesos exatos podem ser obtidos? Que licença se aplica? Que runtime e que hardware conseguem carregar o formato selecionado? Que evidências existem para a tarefa que importa? “Código aberto” não é uma nota de desempenho, uma garantia de privacidade nem uma promessa de que o modelo caberá em um notebook.

As seções a seguir usam “pesos abertos” quando as evidências dizem respeito aos pesos e reservam “IA de código aberto” para o sentido mais forte, no nível do sistema. Isso evita transformar uma distinção técnica útil em um atalho de marketing.

O que está confirmado sobre o DeepSeek V4?

O Transparency Center da DeepSeek lista o DeepSeek-V4 com data de lançamento em 24 de abril de 2026 e traz links para um cartão do modelo e um relatório técnico. ^[2] O seu registro oficial de alterações diz que a API passou a oferecer suporte ao V4-Pro e ao V4-Flash a partir de 24 de abril de 2026. A entrada de 10 de setembro de 2026 diz que o V4 Flash foi aposentado e que o seu nome na API está temporariamente redirecionado para o V4.1 Flash, e a entrada mais recente em 11 de novembro de 2026, datada de 17 de outubro de 2026, atualiza esse modelo para o V4.1-Flash-1017. ^[6] Essas declarações estabelecem os lançamentos da família de modelos e a evolução da API; não significam que todas as variantes do V4 tenham pesos, licença, preço ou requisitos de implantação local idênticos.

O anúncio da DeepSeek de 24 de abril de 2026 chamou o V4 Preview de “open-sourced” (com o código aberto), indicou os seus pesos abertos no Hugging Face e descreveu o V4-Pro como tendo 1,6T de parâmetros totais com 49B de parâmetros ativos e o V4-Flash como tendo 284B de parâmetros totais com 13B de parâmetros ativos. ^[7] “Open-sourced” é a expressão da própria empresa; se um determinado lançamento do V4 atende à definição da OSI depende do que o seu repositório e a sua licença realmente oferecem. Essas escalas são importantes: um modelo pode ter menos parâmetros ativos por token do que parâmetros totais e, ainda assim, exigir uma infraestrutura e arquivos de modelo consideráveis. Não deduza que um modelo de API possa ser executado com folga em um computador pessoal.

Para um desenvolvedor, é preciso distinguir o nome do modelo na API de um checkpoint baixado. A documentação da DeepSeek explica os nomes da API e o redirecionamento por compatibilidade; o Transparency Center é o lugar adequado para confirmar um lançamento importante e localizar o seu cartão. ^[2][6] Para uma implantação local, use o cartão do modelo, a fonte dos pesos, a licença e o runtime compatível específicos, em vez de adivinhar a partir de um nome de API.

Para o leitor em geral, é útil entender a DeepSeek como uma família: pode haver opções grandes, hospedadas e de uso local sob nomes relacionados. A escolha prática é o lançamento exato e o método de entrega, não a lealdade a um rótulo de marca.

Em que o Qwen3.8 e o Kimi K3.1 Pro diferem?

O Qwen3.8-27B é um modelo de visão e linguagem cujo cartão oficial lista 27B de parâmetros do modelo de linguagem e uma licença Apache 2.0; o resumo de arquivos do Hugging Face para o repositório mostra um tamanho de modelo de 28B de parâmetros. O cartão diz que o repositório contém os pesos e os arquivos de configuração do modelo pós-treinado no formato Transformers, e a página no Hugging Face traz links para versões quantizadas destinadas ao llama.cpp, ao Ollama, ao LM Studio ou a qualquer aplicativo compatível. ^[3] Essas versões quantizadas ficam em repositórios separados, portanto verifique quem publicou cada uma. Isso faz dele um candidato plausível a modelo local somente quando a quantização, o contexto e o hardware escolhidos são adequados.

O Kimi K3.1 Pro tem uma escala e uma situação de licença diferentes. O cartão do seu publicador o chama de modelo multimodal de mistura de especialistas com pesos abertos, lista 2,8T de parâmetros totais e 104B de parâmetros ativados e indica uma licença específica da Kimi. ^[5] Ele pode ser tecnicamente acessível sem ser a escolha local certa para um hardware comum e sem ser licenciado como um modelo sob licença Apache.

Os dois lançamentos mostram por que a contagem de parâmetros, sozinha, não responde à pergunta “qual é melhor”. A escala de 27B do Qwen pode ser mais fácil de testar localmente com uma quantização adequada. A escala muito maior do Kimi pode ser voltada a uma infraestrutura com muito mais memória e capacidade de implantação. A comparação correta envolve tarefa, qualidade da saída, latência, custo, licença e hardware — não a alegação de que uma família vence todos os benchmarks.

Os dois cartões são informações do publicador. As alegações de benchmark e as descrições de capacidade devem ser tratadas como pontos de partida para a avaliação, não como substitutas do teste com prompts, idiomas e casos de falha representativos. Em usos com consequências relevantes, preserve uma etapa de revisão humana e um processo independente de checagem das fontes.

Qual modelo aberto é bom para quê?

Para aprender a implantação local, escolha o menor modelo compatível que dê conta do idioma e da tarefa desejados e, então, teste-o. Uma quantização administrável compatível com o Qwen pode ser um primeiro experimento mais prático do que um lançamento muito maior. O Hugging Face documenta caminhos para aplicativos locais nos formatos GGUF, MLX e outros, incluindo LM Studio, Ollama, llama.cpp e MLX LM. ^[8]

Em um fluxo de trabalho hospedado, uma API pode reduzir o trabalho de baixar pesos, escolher um runtime e manter o hardware. Trata-se de uma escolha de serviço, não de uma escolha de privacidade local. A documentação da API da DeepSeek mostra mudanças de nomes de modelos e lançamentos da API; os usuários devem verificar os termos de serviço, os preços e o tratamento de dados vigentes antes de enviar material sensível. ^[6]

Para uma equipe de pesquisa ou de infraestrutura, lançamentos muito grandes de pesos abertos podem viabilizar a hospedagem própria controlada, a avaliação especializada ou a adaptação. Eles também acrescentam trabalho operacional: obter os pesos, gerenciar a capacidade de inferência, aplicar atualizações de segurança, respeitar as licenças e monitorar a qualidade da saída. O tamanho do Kimi K3.1 Pro ilustra que a disponibilidade dos pesos não elimina esses custos. ^[5]

Para trabalho multimodal, verifique o cartão exato do modelo em vez de presumir que todo modelo aceita imagens, vídeo ou documentos. A Qwen descreve o Qwen3.8-27B como de visão e linguagem, enquanto o cartão do Kimi descreve as modalidades de texto e imagem. ^[3][5] Isso, por si só, nada diz sobre a precisão em uma imagem ou um documento específico, sobretudo em um domínio sensível.

Para trabalho sensível do ponto de vista da privacidade, a execução local pode reduzir o compartilhamento de prompts com um provedor hospedado, mas não é privacidade automática. Downloads de modelos, atualizações, logs locais, backups, plug-ins e servidores expostos à rede continuam sendo riscos separados. Consulte o guia de IA local do site para ver todas as concessões de hardware e de privacidade.

Como avaliar um modelo de pesos abertos?

Leia primeiro o cartão do modelo. Confirme o publicador, a revisão do modelo, a licença, a tarefa a que se destina, a arquitetura, as modalidades, as limitações conhecidas e os formatos de implantação compatíveis. O cartão não é uma certificação de precisão, mas é a fonte mais direta sobre o que o publicador diz ter lançado. ^[2][3][5]

Depois, escolha um conjunto de testes realista. Use um pequeno conjunto de prompts representativos, com fatos esperados já conhecidos, casos-limite difíceis e o idioma pretendido. Compare as saídas quanto à correção, à completude, à consistência e ao excesso de confiança prejudicial. Não julgue um modelo apenas por uma primeira resposta bem acabada ou por um único benchmark público.

Registre o ambiente exato: revisão do modelo, quantização, limite de contexto, runtime, hardware, forma de escrever os prompts e acesso a ferramentas. Dois usuários podem obter resultados diferentes do mesmo modelo, com o mesmo nome, quando essas variáveis diferem. Esse registro também permite reproduzir uma configuração útil ou investigar uma resposta ruim.

Verifique a licença antes de implantar além da experimentação pessoal. A definição da OSI explica que a IA de código aberto envolve mais do que pesos, e o texto explicativo da OSI sobre pesos abertos diz que os pesos, sozinhos, ficam aquém do necessário para usar, estudar, modificar e compartilhar plenamente um sistema. ^[1][4] O uso comercial, a redistribuição, o ajuste fino, o uso em serviços hospedados e a atribuição podem ser regidos por termos diferentes.

Por fim, aplique o limite de uso da saída. Um modelo aberto pode redigir, traduzir, classificar ou ajudar a explorar informações. Ele não deve ser a autoridade final em decisões jurídicas, financeiras, médicas, de proteção ou de segurança sem evidências independentes e atuais e sem o devido julgamento profissional.

Como rodar um modelo aberto localmente sem confusão?

Escolha o runtime antes de baixar um arquivo de modelo. O Hugging Face lista aplicativos e formatos locais compatíveis: por exemplo, o LM Studio é compatível com modelos GGUF e MLX, o Ollama é compatível com GGUF e o MLX LM é compatível com modelos MLX de geração de texto. ^[8] Um arquivo de modelo no formato errado não é um download útil.

Comece por uma página oficial do publicador ou por um repositório de modelos consolidado e, depois, escolha um formato adequado ao computador. A página do Qwen3.8-27B no Hugging Face traz links para versões quantizadas, enquanto o lançamento base de 27B não é, por si só, uma afirmação de que todo dispositivo consegue carregar todas as versões. ^[3] Deixe uma folga de memória para o sistema operacional e para o contexto, em vez de tratar o tamanho do modelo em disco como o requisito total.

Mantenha o primeiro servidor local, no mesmo computador, e teste com dados inofensivos. Não exponha um endpoint de modelo local à internet pública apenas para usá-lo a partir de outro dispositivo. Se mais tarde for necessário um serviço de rede, use autenticação, aplique as correções do runtime e entenda quem pode enviar prompts a ele.

Use controle de versão para as configurações e mantenha um registro da licença do modelo. Um modelo local pode ser tecnicamente fácil de rodar, mas juridicamente inadequado para um serviço planejado, ou vice-versa. Um experimento organizado é mais seguro e mais útil do que baixar repetidamente arquivos enormes de origem incerta.

Quando um modelo não responder bem, mude uma variável por vez: um contexto menor, uma quantização diferente, um runtime diferente ou um modelo mais alinhado à tarefa. Uma contagem maior de parâmetros não é o único remédio.

O que os leitores devem acompanhar nos modelos abertos ao longo de 2026?

Acompanhe com cuidado a identidade dos lançamentos. As páginas oficiais da DeepSeek distinguem as mudanças de API do V4, do V4-Pro, do V4-Flash e do V4.1-Flash. ^[2][6] Uma manchete que diz “DeepSeek V4” pode se referir a um modelo exato ou a uma via de entrega diferentes daqueles que o leitor pretende usar.

Acompanhe as licenças e os detalhes de implantação com a mesma atenção dedicada às capacidades. A página pública do Qwen3.8-27B indica Apache 2.0, enquanto o Kimi K3.1 Pro indica uma licença específica da Kimi. ^[3][5] Esses rótulos devem ser lidos nos repositórios reais, porque um modelo base, uma quantização da comunidade e um derivado podem ter documentações diferentes.

Acompanhe as evidências que correspondem à tarefa. Um benchmark de programação não resolve a questão da compreensão de documentos, uma alegação de contexto longo não resolve a da precisão factual, e o suporte de um modelo a imagens não resolve a da confiabilidade com imagens. Os lançamentos abertos facilitam os testes e a adaptação, mas não eliminam a necessidade de avaliação.

Acompanhe as mudanças operacionais, além das notas de lançamento. As APIs hospedadas podem renomear, redirecionar ou aposentar endpoints, como ilustra o registro de alterações do V4 da DeepSeek. ^[6] Uma equipe que depende de uma API deve testar qualquer substituto antes do uso em produção e preservar um processo de contingência. Uma equipe que hospeda por conta própria precisa, em vez disso, planejar a integridade dos downloads, as atualizações do runtime, o armazenamento e a capacidade. Nenhum dos dois caminhos fica livre de manutenção para sempre. Planeje a reversão, reserve orçamento para o monitoramento e documente quem é responsável por cada tarefa operacional antes do lançamento.

Mantenha um arquivo de evidências com a revisão do cartão do modelo, o texto da licença consultado, a versão do runtime, os prompts de avaliação e os modos de falha observados. É um trabalho modesto para um projeto pessoal e essencial para o uso em organizações. Ele transforma uma alegação atraente sobre um lançamento aberto em uma decisão repetível. Também ajuda a distinguir uma limitação do modelo de um erro de quantização, de elaboração do prompt ou de configuração local.

A escolha duradoura não é DeepSeek contra Qwen contra Kimi em abstrato. É o modelo exato que seja o menor, o de licença mais clara e o de capacidade verificável e que atenda à tarefa em um arranjo de implantação que o usuário consiga manter.