PewDiePie treinou em casa o modelo Ajax, sem censura, após dois banimentos da OpenAI

Felix Kjellberg, conhecido como PewDiePie, está desenvolvendo o Ajax, um modelo de linguagem sem censura embutida que, segundo o vídeo do Fireship, ele treinou em casa. O motivo foram dois banimentos da OpenAI: as contas do youtuber foram encerradas duas vezes por causa de destilação. A descrição do vídeo não revela o tamanho do modelo, a base, o dataset nem as condições de distribuição. A seguir, separo o que está confirmado do contexto que ajuda a entender a dimensão da história.

O que se sabe sobre o Ajax

Há poucos fatos, e vale deixar isso claro desde já. A fonte é a descrição e o conteúdo do vídeo do Fireship; não temos materiais primários do próprio autor.

• Nome do modelo: Ajax.
• Autor: PewDiePie.
• Posicionamento: uncensored, ou seja, sem as recusas e os filtros padrão.
• Onde foi treinado: em casa, em hardware pessoal.
• Gatilho: dois banimentos da OpenAI por destilação.
• Não revelado: número de parâmetros, modelo-base, volume e fontes dos dados, licença, resultados de benchmarks.

A expressão "treinou em casa" quase certamente indica o fine-tuning de um modelo aberto já existente, e não um pré-treinamento do zero. Um modelo no nível dos carros-chefe atuais exige milhares de aceleradores e meses de trabalho, e um rack doméstico com algumas GPUs não foi feito para isso. Essa é uma conclusão nossa, sem confirmação na fonte.

Por que a destilação termina em banimento

A destilação funciona assim: as respostas de um modelo forte são reunidas em um dataset, e esse dataset serve para treinar outro modelo, geralmente menor. O método é legal e há muito tempo é usado dentro das empresas. Os problemas começam quando o "professor" é o modelo fechado de outra empresa. Os termos de uso da OpenAI proíbem usar as saídas do serviço para desenvolver modelos concorrentes. O tema já gerou polêmica: no início de 2025, surgiram relatos de que a OpenAI suspeitava que a DeepSeek usava saídas de seus modelos.

Não se sabe como exatamente a OpenAI detectou a atividade de PewDiePie. Normalmente, esses casos se revelam pelo tráfego: consultas em massa e repetitivas, pipelines automatizados, a estrutura dos prompts. Ser banido duas vezes significa que, depois da primeira, o esquema não foi abandonado, e sim remontado.

Para que serve um modelo sem censura

Em um modelo "uncensored", costuma-se remover ou enfraquecer as recusas: tiram-se dos dados de treinamento exemplos do tipo "não posso ajudar com isso" e faz-se o fine-tuning com uma amostra sem essas reações. Para o usuário, as vantagens são claras: controle total sobre o comportamento, privacidade e ausência de bloqueios repentinos no meio do fluxo de trabalho. As desvantagens também são claras: o modelo gera conteúdo nocivo com mais facilidade, e a responsabilidade por ele recai sobre quem o executa e o distribui.

Há ainda uma ironia. Para obter dados de qualidade para o fine-tuning, muitas vezes usam-se justamente respostas de modelos fechados, que passaram por alinhamento. Depois, é preciso limpar as recusas desses dados. É aqui que a destilação esbarra nos termos da API.

O que desenvolvedores e equipes devem fazer

A história serve como motivo para revisar seus próprios processos, principalmente se você gera dados sintéticos.

• Leia os termos da API que você usa. Se houver proibição de treinar modelos concorrentes, não use as saídas para montar datasets, nem mesmo "para um experimento interno".
• Para dados sintéticos, use modelos com pesos abertos e licença que permita esse uso de forma explícita. As licenças variam muito entre as famílias de modelos, então confira os detalhes.
• Não misture contas pessoais e profissionais. Um banimento por violação dos termos pode bloquear o acesso a todos os projetos ligados ao mesmo perfil.
• Se pretende rodar o Ajax depois da publicação dos pesos, espere por testes independentes. As afirmações do autor sobre a qualidade não podem ser verificadas sem benchmarks e sem a descrição dos dados.
• Para o fine-tuning local, calcule com antecedência o orçamento real de memória de vídeo: LoRA e quantização permitem caber em GPUs de consumo, mas só com modelos de porte médio.

Por ora, o balanço é simples: um nome conhecido, uma ideia interessante e quase nenhum detalhe técnico. Quando surgirem os pesos, o dataset e as avaliações, ficará claro se é um projeto open source sério ou um experimento de mídia.