Qual modelo de IA escolher ? Guia e comparativo dos LLM

Qual modelo de IA escolher ? Guia e comparativo dos LLM
19 min de leitura

Não existe um melhor modelo de IA em absoluto: a escolha certa depende da sua tarefa, do seu orçamento e da sensibilidade dos seus dados. Em novembro de 2026, os três grandes editores propõem cada um uma gama escalonada (um modelo de ponta, um modelo intermédio, um modelo económico), e a diferença de preço entre estes escalões ultrapassa frequentemente um fator de dez. O método mais fiável continua a ser pré-selecionar dois ou três modelos com base em critérios objetivos e depois testá-los nos seus próprios exemplos.

Este guia serve de mapa do assunto. Explica o que é um grande modelo de linguagem, que critérios comparar, como ler os preços e os rankings, e quando preferir um modelo proprietário, aberto ou instalado localmente. Termina com um protocolo de teste e uma tabela de decisão. Todos os dados de preço e de gama foram verificados nas páginas oficiais dos editores em novembro de 2026; evoluem rapidamente, verifique-os antes de qualquer decisão vinculativa.

A resposta curta: que famílias de modelos comparar em novembro de 2026?

O mercado dos modelos generalistas estrutura-se em torno de algumas famílias. Cada uma declina vários níveis de potência, e é frequentemente o nível, mais do que a marca, que determina a relação qualidade-preço. A tabela abaixo resume as gamas apresentadas pelos editores, com os seus preços de API para um milhão de tokens (tokens) de entrada e de saída.

Editor Modelo de ponta Modelo intermédio Modelo económico Janela de contexto
Anthropic Claude Fable 5.2 (8 $ / 40 $); Claude Opus 5.5 (4 $ / 20 $) Claude Sonnet 5.5 (2 $ / 10 $) Claude Haiku 5.5 (a partir de 0,10 $ / 0,50 $) 1 milhão de tokens
OpenAI GPT-6 Astra (10 $ / 50 $) GPT-6.1 Sol (2 $ / 10 $); GPT-6.1 Terra (1 $ / 5 $) GPT-6 Luna (0,10 $ / 0,50 $) 1,05 milhão de tokens
Google Gemini 4 Carbon e Gemini 4 Argon (2 $ / 10 $ até 30 de novembro de 2026, depois 4 $ / 20 $) Gemini 4 Hydrogen (1,50 $ / 7,50 $) Gemini 3.5 Flash-Lite (0,30 $ / 2,50 $) 1 milhão de tokens (Gemini 4)
Mistral AI Mistral Large 4 (pesos abertos) Mistral Small 4 (Apache 2.0) Ministral 3 (3B, 8B, 14B, Apache 2.0) Não especificada na página consultada

Fontes »: « visão geral dos modelos Claude« , catálogo dos modelos OpenAI, preços da API Gemini e catálogo Mistral AI, consultados a 14 de novembro de 2026. Os escalões «ponta», «intermédio» e «económico» são a nossa leitura dos posicionamentos anunciados, não uma classificação dos editores.

Alguns pontos de referência oficiais ajudam a começar. A Anthropic recomenda começar pelo Claude Opus 5.5 para a maioria dos usos e reservar o Claude Fable 5.2 para o raciocínio exigente e as tarefas agentísticas longas. A OpenAI apresenta o GPT-6 Astra como o seu modelo principal para o raciocínio complexo e o código, e o GPT-6 Luna para as tarefas específicas de alto volume. O Google descreve o Gemini 4 Carbon como o seu modelo mais potente, indicando que o Gemini 4 Argon continua melhor adaptado à maioria dos trabalhos de desenvolvimento e de escritório avançado, sendo que o Carbon consome mais tokens para explorar e verificar. Para alinhar estes modelos lado a lado, o comparador interativo de modelos do site mostra preços, contexto e capacidades de dois a quatro modelos numa mesma tabela, com dados atualizados diariamente.

Se a sua pergunta diz respeito apenas aos assistentes de grande consumo, o nosso comparativo ChatGPT vs Claude vs Gemini detalha as ofertas, as integrações e os testes nas três aplicações. Este guia cobre o conjunto dos modelos e o método de escolha.

Como funcionam os grandes modelos de linguagem?

Um grande modelo de linguagem (LLM, para large language model) é uma rede neuronal treinada para prever a continuação de um texto. O texto é dividido em tokens, fragmentos de palavras ou de caracteres, e o modelo calcula em cada etapa o token mais provável tendo em conta tudo o que o precede. Esta mecânica simples, aplicada a milhares de milhões de parâmetros e a imensos corpora, produz capacidades de redação, de tradução, de raciocínio e de programação.

As noções a conhecer antes de comparar

Quatro noções regressam em todas as fichas técnicas. A janela de contexto é a quantidade de texto que o modelo pode ter em conta de uma só vez, instruções, documentos e histórico incluídos; a Anthropic indica que um milhão de tokens corresponde a cerca de 555 000 palavras com a divisão usada pelos seus modelos atuais. A saída máxima limita o comprimento de uma resposta: 128 000 tokens para os modelos Claude e OpenAI listados acima. O raciocínio (ou thinking) designa os tokens que o modelo gera para refletir antes de responder; a maioria dos modelos recentes permite ajustar a sua intensidade por um nível de esforço, de «low» a «max». Por fim, a chamada de ferramentas permite ao modelo desencadear uma pesquisa web, uma execução de código ou uma função da sua aplicação. Para ir mais longe, leia o nosso artigo «IA multimodal: modelos capazes de compreender texto, imagem, áudio e vídeo».

Um modelo passa por duas grandes fases. O pré-treino ensina-lhe a língua e uma vasta cultura geral a partir de textos. O pós-treino ajusta-o depois para seguir instruções, recusar certos pedidos e raciocinar por etapas, frequentemente por aprendizagem por reforço. É esta segunda fase que explica porque é que dois modelos de tamanho comparável se comportam de forma muito diferente perante a mesma instrução.

É preciso também distinguir o modelo do produto. ChatGPT, Claude ou a aplicação Gemini são interfaces que acrescentam memória, pesquisa web, conectores e limites de uso em torno de um ou vários modelos. Comparar «ChatGPT e Claude» equivale portanto a comparar produtos; comparar «GPT-6.1 Sol e Claude Sonnet 5.5» via a API equivale a comparar modelos. Quando o modelo age sozinho em várias etapas, com ferramentas, fala-se de agente: o nosso guia completo dos agentes IA explica o que isso muda para a escolha do modelo.

Que critérios comparar antes de escolher um modelo?

Um comparativo útil começa por uma lista de critérios fixada antes de olhar para os resultados. Caso contrário, acaba-se por justificar o modelo já preferido. Eis a grelha que recomendamos, do mais discriminante ao mais secundário para um uso profissional.

  1. Qualidade na sua tarefa: exatidão, respeito do formato pedido, pertinência. É o único critério que conta realmente, e nenhum ranking público o mede por si.
  2. Fiabilidade: taxa de erros factuais, estabilidade das respostas de uma tentativa para outra, capacidade de dizer «não sei».
  3. Custo total: preço por token, mas também número de tokens consumidos, incluindo os do raciocínio, e número de tentativas necessárias para obter um resultado utilizável.
  4. Latência: tempo antes da primeira palavra e duração total, decisivos para um serviço ao cliente ou uma interface interativa.
  5. Contexto e formatos: volume de documentos a tratar, leitura de imagens, de PDF, de áudio ou de vídeo.
  6. Ferramentas e integrações: chamada de funções, saídas estruturadas em JSON, conectores para os seus softwares.
  7. Dados e conformidade: uso dos seus conteúdos para o treino, duração de conservação, local de alojamento, contrato.
  8. Licença e dependência: possibilidade de descarregar os pesos, de mudar de fornecedor, de fazer correr o modelo na sua empresa.

Um exemplo quantificado: o custo de um mesmo trabalho consoante o modelo

Tomemos uma carga de trabalho típica: um milhão de tokens enviados ao modelo e 200 000 tokens gerados, o que corresponde por exemplo a algumas centenas de resumos de documentos. Aos preços públicos registados em novembro de 2026, o cálculo dá diferenças consideráveis.

Modelo Entrada (1 M tokens) Saída (200 000 tokens) Total
GPT-6 Astra 10 $ 10 $ 20 $
Claude Fable 5.2 8 $ 8 $ 16 $
Claude Opus 5.5 4 $ 4 $ 8 $
Gemini 4 Argon (preço a partir de 1 de dezembro de 2026) 4 $ 4 $ 8 $
GPT-6.1 Sol ou Claude Sonnet 5.5 2 $ 2 $ 4 $
Gemini 4 Hydrogen 1,50 $ 1,50 $ 3 $
GPT-6 Luna 0,10 $ 0,10 $ 0,20 $

Este cálculo tem dois limites importantes. Primeiro, cada editor divide o texto à sua maneira: o mesmo documento não produz o mesmo número de tokens na Anthropic, OpenAI ou Google. Depois, os tokens de raciocínio são faturados como tokens de saída, e um modelo ajustado para um esforço elevado pode gerar muito mais do que a resposta visível. O preço por token é portanto apenas um ponto de partida; só um teste com os seus dados dá o custo real por tarefa bem-sucedida. Para um projeto de agente, a calculadora de custo de um agente IA ajuda a integrar o número de etapas e de chamadas.

Que LLM privilegiar para redigir, programar e raciocinar?

Os editores reivindicam todos a excelência nos mesmos terrenos, o que torna os seus anúncios pouco discriminantes. É mais útil distinguir três níveis de prova: o que o editor afirma, o que medem avaliações independentes, e o que observa nos seus próprios casos. A tabela seguinte separa os dois primeiros níveis para os principais usos.

Uso Posicionamento anunciado pelos editores O que dizem as medições independentes Ponto de atenção
Código e agentes de desenvolvimento A Anthropic posiciona o Claude Opus 5.5 no código agentístico de longa duração; a OpenAI apresenta o GPT-6 Astra como o seu modelo principal para o código; o Google aponta o Gemini 4 Carbon para o código complexo em várias etapas. As pontuações publicadas pelos editores cruzam-se: em alguns testes a Anthropic ultrapassa a OpenAI, noutros é o inverso, segundo os próprios quadros da Anthropic. A ferramenta (IDE, agente em linha de comando) pesa tanto como o modelo.
Redação e síntese A OpenAI destaca uma escrita natural para o GPT-6.1 Terra; os outros editores falam de trabalho de conhecimento em sentido lato. No ranking das alucinações da Vectara (resumos de documentos), os modelos mais potentes não são os mais fiéis. A fidelidade ao texto fonte testa-se, não se deduz do tamanho do modelo.
Raciocínio e análise A Anthropic orienta o Claude Fable 5.2 para o raciocínio exigente; o Google apresenta o Carbon como adaptado à pesquisa científica aberta. No Humanity’s Last Exam com ferramentas, a Anthropic publica 67,7 % para o Claude Opus 5.5 contra 57,2 % para o GPT-6 Astra: um número do editor, medido nas suas próprias condições. Um esforço de raciocínio elevado multiplica o custo e a latência.
Tarefas de alto volume (triagem, extração, encaminhamento) A Anthropic destina o Claude Haiku 5.5 à classificação e à extração; a OpenAI destina o GPT-6 Luna a tarefas específicas de alto volume. Os benchmarks mais citados incidem sobre tarefas difíceis e informam pouco sobre estes usos. Um pequeno modelo bem enquadrado chega frequentemente; teste-o antes de pagar um grande modelo.

Redação e síntese de documentos

Para redigir, duas qualidades medem-se separadamente: a fidelidade às fontes e a qualidade do estilo. O ranking das alucinações da Vectara, atualizado a 22 de outubro de 2026, faz resumir mais de 7 700 artigos a cada modelo e mede a parte de resumos que contêm uma informação ausente do texto original. Regista 6,5 % para o GPT-6 Sol, 8,7 % para o GPT-6 Astra, 9,9 % para o Claude Opus 5.5 e 12,1 % para o Gemini 4 Argon, enquanto vários pequenos modelos fazem melhor. Este teste incide apenas sobre resumos curtos avaliados por um modelo juiz desenvolvido pela Vectara; não diz nada sobre o estilo. O nosso dossiê sobre os melhores modelos IA para redigir e resumir documentos propõe uma grelha completa, e a questão das alucinações dos LLM é objeto de um artigo dedicado. Para aprofundar, consulte «Os melhores modelos IA para redigir e resumir documentos».

Programação

Para programar, a distinção essencial opõe a assistência no editor (completamento, explicação, pequenas correções) e as tarefas agentísticas num repositório inteiro, onde o modelo lê o código, lança comandos e propõe uma modificação completa. Os modelos de ponta fazem a diferença sobretudo no segundo tipo de tarefa. O nosso artigo sobre o melhor LLM para programar descreve um protocolo de comparação reproduzível.

Raciocínio

Os modelos ditos de raciocínio dedicam tokens a refletir antes de responder. Ganham nos problemas de várias etapas (matemáticos, planeamento, análise jurídica ou financeira), mas muitas vezes não trazem nada numa reformulação ou numa tradução simples. O funcionamento e os limites de um modelo de raciocínio IA são detalhados num satélite deste guia, tal como os modelos de IA multimodal capazes de ler imagens, áudio e vídeo. Para uma abordagem por profissão, consulte também o nosso guia do melhor modelo IA consoante o uso e a profissão.

Como interpretar preço, contexto e benchmarks?

Três números dominam as fichas técnicas: o preço por milhão de tokens, o tamanho da janela de contexto e as pontuações nos benchmarks. Cada um é exato, mas cada um induz facilmente em erro se for lido isoladamente.

O preço: olhar para além do tarifário base

As grelhas tarifárias comportam mecanismos que alteram fortemente a fatura. Na Anthropic, os pedidos enviados em processamento por lotes custam 50 % menos, e a releitura de um contexto colocado em cache custa uma fração do preço normal (10 % do preço de entrada em regra geral, 5 % no Claude Opus 5.5 e Claude Sonnet 5.5, 2,5 % no Claude Fable 5.2). No Google, o Gemini 4 Carbon e o Gemini 4 Argon beneficiam de um preço de lançamento que duplica a 1 de dezembro de 2026, e a documentação precisa que os tokens de raciocínio são faturados. Um comparativo dos preços das API LLM, satélite deste guia, detalha estes cálculos.

O contexto: uma capacidade, não uma garantia

Uma janela de um milhão de tokens permite enviar um relatório anual completo ou um repositório de código de tamanho médio. Não garante que o modelo explorará cada passagem com a mesma atenção, nem que enviá-lo seja económico: cada pedido fatura todo o contexto transmitido. Para interrogar regularmente uma base documental, uma arquitetura de recuperação de informação (RAG) que envie apenas as passagens relevantes continua frequentemente mais fiável e mais barata; a escolha da divisão dos documentos é explicada no nosso artigo sobre a estratégia de chunking.

Os benchmarks: condições raramente idênticas

Uma pontuação de benchmark só tem sentido com as suas condições de medição. No anúncio do Claude Opus 5.5, a Anthropic precisa em nota que os seus resultados são obtidos com o esforço máximo, salvo exceção, e que no Terminal-Bench 4.0 o seu modelo é medido com o esforço «xhigh» quando o GPT-6 Astra o é com o esforço «high», número retomado da OpenAI; o erro padrão anunciado atinge ±2,6 pontos. Os índices independentes harmonizam mais: Artificial Analysis agrega nove avaliações em quatro categorias de peso igual (trabalho de conhecimento, código, ciências, cultura geral), com as mesmas instruções para todos os modelos. Os rankings por votos do público têm os seus próprios enviesamentos: um estudo publicado em 2025, The Leaderboard Illusion, mostrou que alguns editores testavam em privado muitas variantes no Chatbot Arena antes de publicar a melhor.

Os erros de leitura mais frequentes

  • Comparar duas pontuações obtidas com níveis de esforço, ferramentas ou arneses de teste diferentes.
  • Tomar uma diferença de um ou dois pontos por uma diferença real, quando ela permanece na margem de erro.
  • Julgar o custo pelo preço por token sem contar os tokens de raciocínio nem as tentativas falhadas.
  • Supor que um modelo de ponta é melhor em tudo: na fidelidade dos resumos, não é o caso segundo a Vectara.
  • Esquecer a data: um ranking com mais de três meses descreve frequentemente um mercado que já mudou.

O nosso artigo sobre os benchmarks LLM detalha a contaminação dos conjuntos de teste, a variância das pontuações e a sensibilidade ao prompt. Para construir as suas próprias avaliações, o guia para avaliar um modelo de linguagem explica como classificar respostas, calibrar um modelo juiz e seguir as regressões.

É preciso um modelo proprietário, aberto ou local?

Três modos de acesso coexistem. Um modelo proprietário (Claude, GPT-6, Gemini 4) só se utiliza via a API ou a aplicação do seu editor, ou via as clouds parceiras. Um modelo com pesos abertos (open weights) pode ser descarregado e executado nos seus próprios servidores, segundo as condições da sua licença. Um modelo local é um modelo com pesos abertos que corre na sua máquina ou na sua infraestrutura, sem que os dados saiam.

«Aberto» abrange licenças muito diferentes. O catálogo da Mistral AI publica o Mistral Small 4 e a gama Ministral 3 sob licença Apache 2.0, muito permissiva, mas o Mistral Large 4 sob uma licença própria, a Mistral Ecosystem Open Weight License, que enquadra a redistribuição e o uso comercial. O mesmo catálogo referencia também modelos de terceiros sob licença MIT, como o GLM 5.3 da Z.ai e o DeepSeek V4.1 Flash. Segundo a Mistral, o Large 4 conta 1 000 mil milhões de parâmetros, dos quais 52 mil milhões ativos em cada token: um tal modelo implanta-se em servidores equipados com várias GPU, não num computador portátil. O comparativo entre LLM open source, open weights e proprietários, satélite deste guia, precisa estas distinções jurídicas.

Os argumentos de cada opção

Opção Pontos fortes Limites Casos típicos
API proprietária Melhores desempenhos de ponta, nenhum hardware a gerir, atualizações contínuas Dependência do fornecedor, dados transmitidos a um terceiro, preços variáveis Protótipo, tarefas complexas, volumes baixos
Pesos abertos alojados (cloud ou fornecedor terceiro) Escolha do alojador, possibilidade de mudar de prestador, custos frequentemente mais baixos Diferença de desempenho possível com a ponta, licença a verificar Volumes elevados, exigências de soberania
Local (no local) Dados confinados, custo marginal baixo uma vez o hardware adquirido, funcionamento offline Investimento em hardware, manutenção, modelos mais pequenos numa estação de trabalho Dados sensíveis, constrangimentos regulamentares fortes

A confidencialidade depende também do contrato, não apenas do modo de acesso. No Google, a página de preços da API Gemini indica que os conteúdos enviados na oferta gratuita servem para melhorar os produtos, ao contrário dos da oferta paga. Inversamente, pesos abertos não garantem um alojamento europeu: tudo depende do local onde os faz correr. Para estimar que modelo o seu hardware pode executar, a calculadora de modelo de IA local parte da sua memória RAM e da sua placa gráfica; o nosso guia da IA local e do RAG descreve depois como ligar esse modelo aos seus próprios documentos.

Verificar que a escolha se mantém

Antes de decidir, coloque três questões concretas. Que dados exatos enviará ao modelo, e o seu contrato autoriza o seu uso para o treino? Que volume mensal prevê, e a partir de que limiar um alojamento dedicado se torna rentável? O que acontece se o modelo escolhido for retirado ou mudar de preço? A Anthropic publica por exemplo para cada modelo uma data de retirada mínima (não antes de setembro de 2027 para o Claude Opus 5.5): este tipo de compromisso merece ser verificado em cada fornecedor.

Método de teste e tabela de decisão

Um teste interno bem construído vale mais do que qualquer ranking, porque mede a sua tarefa, com as suas instruções e os seus critérios de qualidade. Não exige nem equipa de investigação nem grande orçamento: algumas dezenas de exemplos bastam para separar dois ou três modelos.

O protocolo em sete etapas

  1. Definir a tarefa numa frase e listar o que é uma boa resposta (exatidão, formato, tom, comprimento).
  2. Reunir 30 a 50 exemplos reais, anonimizados se necessário, incluindo casos difíceis e casos em que a boa resposta é «não sei».
  3. Pré-selecionar dois ou três modelos com a ajuda da grelha de critérios e de uma ferramenta como o nosso questionário para escolher um modelo de IA consoante a sua tarefa, que propõe três recomendações a partir do seu uso, do seu orçamento e dos seus constrangimentos de confidencialidade.
  4. Utilizar a mesma instrução para todos os modelos, depois uma versão adaptada a cada um se tiver tempo: as diferenças de formulação podem inverter um ranking.
  5. Repetir cada tentativa pelo menos duas ou três vezes para medir a estabilidade das respostas.
  6. Classificar às cegas, sem saber que modelo produziu que resposta, com uma grelha fixada antecipadamente.
  7. Registar o custo e o tempo reais de cada tentativa, depois calcular o custo por resposta aceitável.

Este protocolo tem os seus limites: uma pequena amostra não deteta os erros raros, e um modelo pode degradar-se ou melhorar após uma atualização. Guarde o seu conjunto de exemplos e volte a lançá-lo em cada mudança de versão. Para os projetos em que o modelo age com ferramentas, o nosso artigo sobre a avaliação dos agentes IA em empresa complementa o método com indicadores de trajetória e de sucesso das tarefas.

Tabela de decisão

A sua situação Ponto de partida sugerido A verificar prioritariamente
Uso pessoal ou pequena equipa, sem integração Um assistente de grande consumo (ChatGPT, Claude ou Gemini) na sua versão paga de entrada de gama Limites de uso, ajuste de treino com os seus dados
Tarefas complexas e pouco numerosas (análise, código em repositório, raciocínio) Um modelo de ponta: Claude Opus 5.5, GPT-6 Astra, Gemini 4 Argon ou Carbon Custo por tarefa com esforço elevado, latência
Produção a volume médio (redação, suporte, síntese) Um modelo intermédio: Claude Sonnet 5.5, GPT-6.1 Sol ou Terra, Gemini 4 Hydrogen Fidelidade das respostas, saídas estruturadas
Alto volume de tarefas simples (triagem, extração, encaminhamento) Um modelo económico: Claude Haiku 5.5, GPT-6 Luna, Gemini 3.5 Flash-Lite Taxa de erro nos seus casos limite
Dados sensíveis ou exigência de soberania Um modelo com pesos abertos alojado na sua empresa ou num prestador de confiança Licença, hardware, manutenção
Agente que encadeia ações Um modelo de ponta ou intermédio com chamada de ferramentas fiável Custo acumulado das etapas, salvaguardas

Esta tabela dá um ponto de partida, não uma conclusão: é o seu teste que decide. Duas práticas melhoram depois os resultados seja qual for o modelo retido, e cada uma é objeto de um satélite deste guia: os métodos de prompt engineering que melhoram realmente as respostas, e as técnicas para reduzir as alucinações. Por fim, se ainda hesita em pagar uma subscrição, a nossa comparação entre IA gratuita e IA paga detalha o que muda realmente cada nível de oferta.

S’abonner
Notification pour
guest

0 Commentaires
Le plus ancien
Le plus récent Le plus populaire
0
Nous aimerions avoir votre avis, veuillez laisser un commentaire.x