Deep Cogito treinou a família Cogito v1 na infraestrutura da Runpod rumo à ASI

A Deep Cogito, de San Francisco, treinou a família de modelos abertos Cogito v1 na infraestrutura da Runpod. Trata-se de uma nuvem de GPUs em que o cliente aluga poder computacional em vez de montar um cluster próprio. A linha tem cinco tamanhos, de 3 a 70 bilhões de parâmetros, e a meta declarada da empresa é a superinteligência artificial (ASI). A história foi publicada no blog da Runpod como estudo de caso de cliente, então vale lê-la levando em conta o gênero do texto.

O que se sabe sobre o projeto

A fonte pública aqui é uma só: o post no blog da Runpod. O trecho a que tivemos acesso termina na frase de que a Cogito v1 mira a superinteligência artificial. Ele não revela o número de GPUs, os tipos de aceleradores, a duração das execuções nem o custo do treinamento. Sem esses números, não é possível avaliar a escala da computação, e seria incorreto inventá-los.

Os materiais abertos da própria Deep Cogito mostram um quadro mais amplo. A empresa saiu do anonimato em abril de 2025 e apresentou o Cogito v1 Preview. Os modelos não foram treinados do zero: a base são checkpoints prontos de Llama e Qwen, que passaram por treinamento adicional com a metodologia da própria empresa.

Como funciona a Cogito v1

A principal aposta da Deep Cogito é a IDA, sigla em inglês para destilação e amplificação iterada. O esquema funciona assim. Primeiro, o modelo gasta mais computação em raciocínio ou busca e chega a uma resposta melhor do que daria de imediato. Essa é a amplificação. Depois, o resultado é destilado de volta para os pesos, e o modelo aprende a produzir essa resposta sem o custo extra. O ciclo se repete. A ideia é que a melhora dependa não de anotação feita por humanos, mas da computação que a equipe está disposta a gastar.

Os modelos são híbridos: respondem diretamente ou ativam um modo de raciocínio. A empresa afirmou que a Cogito v1 supera modelos abertos do mesmo tamanho, incluindo as linhas Llama, DeepSeek e Qwen. Essas são afirmações da própria empresa. Nosso material não traz verificação independente.

Principais parâmetros da família:

• Tamanhos: 3B, 8B, 14B, 32B e 70B de parâmetros.
• Modelos-base: checkpoints de Llama e Qwen.
• Modos de operação: resposta padrão e raciocínio (hybrid reasoning).
• Método de treinamento: destilação e amplificação iterada (IDA).
• Infraestrutura: nuvem da Runpod.
• Acesso: pesos abertos.

Por que a escolha da Runpod importa

O caso mostra o caminho típico de um laboratório pequeno. Um cluster próprio com milhares de H100 exige centenas de milhões de dólares e meses de espera pela entrega. O aluguel por hora permite começar os experimentos de imediato e interrompê-los quando o método não funciona. Para a IDA, em que o treinamento se baseia em ciclos repetidos, essa flexibilidade pesa: o volume de computação de cada iteração não é conhecido de antemão.

Esta é uma avaliação nossa, não uma citação da fonte. Para a Runpod, que disputa clientes com CoreWeave, Lambda e hiperescaladores, um caso assim funciona como propaganda. Ele sinaliza ao mercado que GPUs alugadas servem para treinar modelos não só para tarefas aplicadas, mas também para disputar a fronteira do setor.

O que verificar na prática

Uma equipe que esteja de olho na Cogito v1 ou em um caminho semelhante deve checar algumas coisas:

1. Rodar o modelo do tamanho desejado nas suas próprias tarefas. Os rankings da empresa não substituem um teste com os seus dados, sobretudo no modo de raciocínio, em que crescem tanto a latência quanto o custo por token.

2. Ler as licenças. Os modelos são construídos sobre Llama e Qwen, então as condições de uso são herdadas dos checkpoints de base.

3. Se você planeja fazer o próprio fine-tuning sobre uma base aberta, calcular a economia do aluguel de GPUs em comparação com a compra. Em experimentos com volume de computação desconhecido, o aluguel costuma sair na frente.

4. Acompanhar se a Deep Cogito vai publicar detalhes técnicos: número de GPUs, custo das execuções, dados sobre a IDA. São eles que mostrarão se a abordagem é reproduzível fora dessa equipe.

Por ora, há uma declaração de intenções, uma linha funcional de modelos abertos e um provedor de nuvem que fala do assunto com gosto. Para discutir ASI, isso é pouco, mas como exemplo de que uma equipe pequena pode treinar modelos competitivos sem um data center próprio, o caso serve.