O que muda quando uma ex-líder da OpenAI abre um modelo de 975 bilhões de parâmetros

Para uma equipe brasileira que depende de APIs de IA, o anúncio não significa baixar um modelo de 975 bilhões de parâmetros amanhã. Significa ter mais opções na cadeia que atende esse trabalho. Em 15 de julho de 2026, a Thinking Machines Lab lançou o Inkling, um modelo multimodal de 975 bilhões de parâmetros, com pesos abertos no Hugging Face sob licença Apache 2.0.

O número chama atenção. Mas a história não é só sobre tamanho. A empresa foi fundada por Mira Murati depois de sua saída da OpenAI. Agora, ela coloca à disposição de pesquisadores e desenvolvedores pesos que podem ser usados e adaptados de forma ampla. É uma decisão que mexe no tabuleiro dominado por APIs fechadas.

Segundo a cobertura do lançamento, o Inkling usa arquitetura Mixture-of-Experts, ou MoE. Em vez de ativar todos os 975 bilhões de parâmetros a cada pedido, o sistema manteria 41 bilhões ativos em uma tarefa específica.

Essa distinção importa. Um modelo de 975 bilhões de parâmetros continua sendo enorme. Porém, ativar uma parcela menor por tarefa é a lógica que tenta conciliar capacidade ampla com execução mais eficiente. Não transforma o Inkling em algo simples de operar. Só explica por que o tamanho total não conta a história inteira.

O modelo não foi aberto apenas para impressionar

O Inkling trabalha com texto, imagens e áudio como entradas. Vídeo aparece no corpus de pré-treinamento, não como entrada direta do modelo. Essa combinação o posiciona na disputa por modelos multimodais, onde uma mesma infraestrutura tenta entender mais de um tipo de entrada.

A Thinking Machines Lab também lançou o Tinker, plataforma voltada à customização do modelo por pesquisadores e desenvolvedores. Na prática, o anúncio junta duas peças: pesos abertos para quem quer estudar ou adaptar o sistema e uma camada de produto para quem quer trabalhar sobre ele.

O treinamento, segundo a mesma cobertura, teria consumido 45 trilhões de tokens em hardware NVIDIA GB300 NVL72. É uma escala que deixa claro o contraste entre abrir os pesos e democratizar a infraestrutura. Licença aberta não significa que qualquer equipe conseguirá treinar, hospedar ou servir um modelo desse porte sem custos relevantes.

Mesmo assim, o licenciamento Apache 2.0 muda a conversa. A licença permite uso e adaptação ampla. Para pesquisadores, isso amplia a possibilidade de examinar o que está disponível. Para empresas, reduz uma parte da dependência de uma única API e das regras comerciais que a acompanham.

Por que isso interessa a quem constrói no Brasil

Para builders brasileiros, a reação mais realista não é baixar 975 bilhões de parâmetros amanhã. Quase ninguém vai fazer isso. O ponto é a pressão competitiva criada por modelos realmente abertos.

Quando pesos desse porte entram no ecossistema aberto, provedores de hospedagem, ferramentas de fine-tuning e serviços de inferência ganham mais espaço para competir. Isso tende a ampliar as escolhas de infraestrutura. Também força plataformas fechadas a justificarem melhor preço, desempenho, limites de uso e controle sobre dados.

A consequência pode chegar ao Brasil antes do próprio Inkling rodar localmente em muitas empresas. Um time pode acessar uma versão hospedada por terceiros, adaptar partes de um fluxo ou usar ferramentas que surgem em volta do modelo. O efeito relevante está na cadeia: mais fornecedores disputando como servir, ajustar e integrar IA.

Esse movimento conversa com a discussão levantada pelo Kimi K3, modelo aberto da Moonshot. A competição não é mais apenas entre laboratórios que vendem acesso por chamada. Ela também passa por quem publica pesos, quem oferece infraestrutura e quem cria o melhor caminho para adaptar modelos a casos específicos.

Aberto não elimina os custos, mas muda a negociação

Há uma armadilha em tratar “open source” como sinônimo de gratuito. O Inkling pode ter pesos acessíveis sob Apache 2.0, mas executar um sistema multimodal de grande escala exige infraestrutura, conhecimento técnico e governança. Empresas precisam avaliar dados, privacidade, latência e custo operacional antes de trocar uma API por uma pilha própria.

A abertura, portanto, não resolve tudo. Ela devolve opções. E opções têm valor em um mercado no qual preço e regras de acesso podem mudar sem que o usuário controle a tecnologia por trás do produto.

Na nossa leitura, esse é o sinal mais importante do lançamento. A Thinking Machines Lab não tornou simples operar um modelo de 975 bilhões de parâmetros. Ela ajudou a tornar menos inevitável a ideia de que IA de fronteira precisa ficar exclusivamente atrás de uma porta fechada.

O Inkling pode não virar a escolha imediata de uma pequena equipe brasileira. Mas o anúncio pressiona todo o mercado a oferecer alternativas melhores. Para quem constrói produtos, essa disputa pode valer mais do que o tamanho do modelo estampado no comunicado.