Frontier AI Models

Os modelos de IA de fronteira são os modelos de IA de uso geral mais capazes existentes num determinado momento; normalmente, são modelos de base multimodais de grande dimensão que igualam ou superam todos os outros sistemas em linguagem, programação, raciocínio e compreensão de imagens. A fronteira é móvel: um modelo que a definia dois anos antes é habitualmente superado por sucessores mais pequenos e baratos. O termo entrou no debate político em 2023. Para a Cimeira de Segurança da IA, em novembro desse ano, o governo do Reino Unido definiu a IA de fronteira como modelos de IA de uso geral altamente capazes, capazes de executar uma grande variedade de tarefas e de igualar ou superar as capacidades dos modelos mais avançados da época. O Frontier Model Forum, uma organização do setor fundada nesse ano pela Anthropic, Google, Microsoft e OpenAI, e à qual se juntaram posteriormente a Amazon e a Meta, considera que um modelo de uso geral é de fronteira quando supera todos os modelos amplamente implementados há pelo menos um ano.

O que coloca um modelo na fronteira#

Nenhuma pontuação isolada determina se um modelo pertence à fronteira. Os modelos de fronteira são treinados com os maiores orçamentos computacionais da sua geração, utilizando dezenas de milhares de aceleradores, porque as capacidades têm acompanhado de perto o poder computacional, os dados e o número de parâmetros segundo as leis de escala. Apresentam um bom desempenho em muitos domínios ao mesmo tempo, incluindo a utilização de ferramentas em várias etapas e tarefas prolongadas de agentes de IA que modelos mais especializados não conseguem completar. Também obtêm as pontuações mais altas em benchmarks concebidos para superar sistemas anteriores, como as perguntas de ciência de nível de pós-graduação do GPQA e os problemas escritos por especialistas do Humanity's Last Exam.

As capacidades destes modelos são desiguais. O mesmo modelo que resolve problemas de matemática ao nível da investigação pode contar mal objetos numa imagem ou falhar um puzzle espacial simples, um padrão conhecido como inteligência irregular. Por isso, liderar um benchmark diz pouco sobre a fiabilidade numa tarefa específica.

Modelos de fronteira em sistemas práticos#

A capacidade de ponta vem acompanhada de custos em latência, preço e hardware. Um modelo de ponta é executado em um data center remoto e leva segundos por resposta, o que o torna inadequado para muitas cargas de trabalho de tempo real e de IA de borda. Por isso, sistemas de produção combinam um modelo de ponta para raciocínio aberto com modelos pequenos e especializados para tarefas rápidas e repetitivas — o padrão conhecido como sistemas compostos de IA — ou usam roteamento de modelos para enviar cada solicitação ao modelo mais barato capaz de atendê-la. As equipes também usam modelos de ponta como professores, gerando rótulos ou exemplos de treinamento que a destilação de conhecimento comprime em modelos compactos. Na Ultralytics Platform, a anotação inteligente orientada por classes envia imagens do conjunto de dados para modelos de visão pagos de provedores como OpenAI, Anthropic e Google, usando a própria chave do provedor do espaço de trabalho, e adiciona as detecções como caixas editáveis. Assim, um modelo de ponta pode rotular o conjunto de dados de detecção de objetos usado para treinar um modelo compacto YOLO26. O VLM Leaderboard compara a precisão com que esses modelos, incluindo GPT-6 Astra, Claude Opus 5.5 e Gemini 4 Argon, rotulam conjuntos de dados de detecção do mundo real em comparação com modelos abertos menores.

Práticas de teste e segurança#

Os principais programadores publicam frameworks de segurança, como a Política de Escala Responsável da Anthropic, a Framework de Preparação da OpenAI e a Framework de Segurança de Fronteira da Google DeepMind. Cada um compromete-se a testar os novos modelos para detetar capacidades perigosas, incluindo ajuda significativa na criação de armas biológicas ou na execução de operações cibernéticas ofensivas, bem como a capacidade de automatizar a investigação em IA; também se comprometem a adicionar salvaguardas ou a adiar o lançamento quando um modelo ultrapassa um limiar definido. Os testes combinam avaliações automatizadas com equipas vermelhas de IA compostas por equipas internas, especialistas externos e entidades governamentais, como o Instituto de Segurança da IA do Reino Unido e o Centro de Normas e Inovação em IA (CAISI) dos EUA, que avaliam modelos de fronteira, muitas vezes antes do lançamento. Os avaliadores também investigam a subestimação deliberada, em que um modelo tem intencionalmente um desempenho inferior nos testes de capacidades; os programadores publicam os resultados em cartões de modelo e cartões de sistema.

Como as leis definem a fronteira#

É difícil definir capacidade em lei, por isso os regimes de governança de IA usam o poder computacional de treinamento como indicador indireto. A Lei de IA da UE presume que um modelo de IA de uso geral apresenta risco sistêmico quando seu treinamento usou mais de 10²⁵ operações de ponto flutuante, e a Comissão Europeia também pode designar modelos abaixo desse limite com base em suas capacidades e alcance. Os provedores desses modelos devem avaliá-los, inclusive por meio de testes adversariais, avaliar e mitigar riscos sistêmicos, comunicar incidentes graves e proteger a cibersegurança do modelo. As obrigações estão em vigor desde 2 de agosto de 2025 e, a partir de 2 de agosto de 2026, a Comissão poderá aplicá-las com multas de até 3% do faturamento anual mundial ou €15 milhões, o que for maior.

A Lei de Transparência da Califórnia sobre Inteligência Artificial de Fronteira (SB 53), em vigor desde 1º de janeiro de 2026, define um modelo de fronteira como aquele treinado com mais de 10²⁶ operações, incluindo o ajuste fino posterior e o aprendizado por reforço. A lei exige que grandes desenvolvedores de modelos de fronteira, aqueles com mais de US$ 500 milhões em receita anual, publiquem suas estruturas de IA de fronteira, e que os desenvolvedores de modelos de fronteira comuniquem incidentes críticos de segurança ao Escritório de Serviços de Emergência do estado em até 15 dias. Os limiares de poder computacional são instrumentos imprecisos, porque o progresso algorítmico e de hardware permite que execuções de treinamento cada vez menores alcancem capacidades de fronteira anteriores; por isso, ambas as leis preveem a revisão de suas definições. A Lei RAISE de Nova York, alterada em março de 2026 para corresponder às definições da SB 53, inclusive ao teste de receita de US$ 500 milhões para grandes desenvolvedores de modelos de fronteira, entra em vigor em 1º de janeiro de 2027 e dá aos desenvolvedores 72 horas para comunicar um incidente crítico de segurança.