''Especializar um modelo aberto quase sempre é mais barato, mas isso nos deixa dependentes", diz Thiago Laitz, do Sabiá

O Sabiá-4 mostra que especializar um modelo no português brasileiro pode melhorar não apenas linguagem, mas conhecimento jurídico, conversação e uso de ferramentas.

Quanto dessa vantagem vem da língua e da cultura brasileiras e quanto vem de treinamento, dados e avaliações mais bem direcionados?

Acredito que a língua ajuda o modelo a se comportar melhor em chat, function calling e RAG em português. Existem também muitos termos e conceitos técnicos específicos do Brasil, especialmente em áreas como direito e medicina.

Mas essa vantagem não vem só da língua. Ela está diretamente ligada aos dados de treinamento e às avaliações direcionadas.

O maior ganho aparece justamente em áreas muito dependentes do contexto e da regulamentação brasileira, embora os modelos Sabiá também funcionem como modelos de propósito geral, como qualquer outro LLM.

A Maritaca tem criado vários benchmarks específicos, como conversa real em português, seguir instruções, navegação na web e persuasão. Qual comportamento importante de um LLM brasileiro os benchmarks internacionais mais populares ainda deixam praticamente invisível?

Grande parte dos benchmarks internacionais não possui suporte adequado ao português e, quando possui, muitas vezes são apenas traduções de avaliações originalmente criadas em inglês. Aspectos culturais, contextos locais e domínios específicos do Brasil acabam ficando de fora.

Além disso, hoje existe uma concentração muito grande em benchmarks de programação, enquanto áreas como Direito e Medicina ainda são pouco exploradas.

Nesses domínios, a diferença entre modelos open source e os melhores modelos proprietários continua significativa, mesmo quando eles têm desempenho semelhante em código. Por isso, benchmarks nativos em português são importantes para medir capacidades que as avaliações internacionais simplesmente não capturam.

Quão difícil é treinar comportamento agêntico fora da escala de fronteira, e que tipo de dado em português vocês precisaram criar do zero?

Hoje diversos artigos mostram que é possível atingir bons resultados agênticos mesmo com modelos menores, graças a dados de treino melhorados e técnicas como reinforcement learning. Para mim, o maior desafio é a generalização: fazer com que o modelo resolva situações que não apareceram exatamente daquela forma no treinamento.

Por isso criamos e curamos muitos dados em português, incluindo conversas sintéticas e principalmente fluxos agênticos com muitos passos, para ensinar o modelo a usar ferramentas e atuar com mais autonomia em diferentes domínios.

Existe hoje uma discussão sobre soberania e sobre a importância de o Brasil treinar seus próprios modelos. Tecnicamente e economicamente, quando faz sentido treinar um modelo do zero, e quando especializar um modelo aberto já existente é uma estratégia melhor?

Uma coisa não exclui a outra. Especializar um modelo aberto quase sempre é a alternativa mais barata, porque grande parte do custo de pré-treinamento e pós-treinamento já foi absorvida por outro laboratório. Para muitas aplicações, essa é provavelmente a estratégia mais eficiente.

O problema é que isso nos deixa dependentes do que esses laboratórios decidem disponibilizar e nem sempre encontramos, entre os modelos abertos, a variedade de tamanhos intermediários necessária para escalar experimentos de forma eficiente.

Além disso, os laboratórios que mais disponibilizam modelos open source não são necessariamente os que lideram a fronteira; abrir modelos costuma ser também uma forma de ganhar adoção e competir com quem está à frente.

Por isso, treinar modelos do zero no Brasil não significa competir imediatamente em todos os benchmarks com OpenAI, Google ou Anthropic.

O valor está em dominar todo o processo, formar pesquisadores e engenheiros capazes de fazer isso no país e garantir pelo menos uma alternativa tecnológica local, especialmente porque esses modelos ganham capacidades cada vez mais sensíveis, como cibersegurança, e são desenvolvidos por empresas sujeitas às leis de seus países de origem.

Qual é hoje o maior gargalo técnico para um modelo brasileiro em nível de fronteira: poder computacional, dados ou pessoas especializadas? E o que você pessoalmente quer atacar na próxima geração?

Diria que o principal gargalo hoje é poder computacional. Treinar esses modelos exige muito hardware especializado, não só para o treinamento final, mas para os muitos experimentos ao longo do desenvolvimento. Sobre pessoas, temos menos especialistas no Brasil, mas também bons pesquisadores que poderiam avançar muito mais com acesso a esses recursos.

Na próxima geração do Sabiá, estamos focando em aumentar a autonomia do modelo em pipelines agênticos mais complexos, já se espera que um modelo consiga navegar por centenas de fontes, cruzar informações e executar tarefas longas de forma autônoma.

Também queremos continuar melhorando o conhecimento base em áreas estratégicas, como jurídico e medicina.

Thiago Laitz | IA Conference Brasil 2026

Se você quiser continuar essa conversa ao vivo, Thiago é um dos palestrantes do IA Conference Brasil, o maior evento de IA e tecnologia do país, realizado pela Alura.

Dia 24 de setembro de 2026, no Frei Caneca, em São Paulo, você tem a chance de se conectar com quem está construindo a próxima era da IA no Brasil.

A terceira e maior edição do evento vai reunir mais de 1.300 profissionais, +50 conteúdos exclusivos e palcos simultâneos pensados para quem quer sair de lá entendendo o que realmente importa entre tantas novidades que surgem no mercado.

Ainda dá tempo de garantir seu lugar na maior edição da história do evento. Nos encontramos lá?

IA Conference 2025