Ex-pesquisador da OpenAI diz que a Anthropic pode retreinar o Mythos com uma fração da computação
O ex-pesquisador Jacob Coxon afirmou que a Anthropic já poderia retreinar o modelo Mythos usando uma pequena fração da computação gasta na primeira vez. A base do argumento é um slide da apresentação do IPO que mostra como a eficiência do treinamento para código cresceu entre julho de 2024 e outubro de 2026. A Anthropic diz que os pontos são estimativas internas, ilustrativas, então trata-se de uma opinião, não de um fato. Para quem faz planejamento, a recomendação é contar com uma queda rápida no custo dos modelos do nível atual.
Processado por IA de The Decoder; editado por Hamidun News
Treinar um grande modelo de linguagem custa centenas de milhões de dólares em eletricidade e placas de vídeo, e a velocidade com que esse custo cai afeta tanto os preços das APIs quanto o equilíbrio de forças entre os laboratórios. Agora essa velocidade está sendo debatida publicamente. Jacob Coxon, ex-pesquisador da OpenAI e da Anthropic, afirmou que a Anthropic já hoje poderia retreinar seu modelo Mythos gastando apenas uma fração da capacidade computacional necessária na primeira vez. Para sustentar a afirmação, ele usa um slide da apresentação da Anthropic para investidores antes do IPO.
O que o slide mostra
O gráfico apresenta o "multiplicador de computação para pré-treinamento" aplicado ao código. Em termos simples, ele responde à pergunta: quantas vezes menos potência é necessária hoje para obter um modelo do mesmo nível de antes? O período cobre julho de 2024 a outubro de 2026.
O eixo em que os valores estão marcados é logarítmico. Isso significa que a escala está comprimida: um aumento de 10 vezes e um de 100 vezes parecem quase iguais no gráfico. Mesmo com essa escala comprimida, a linha sobe de forma acentuada. É isso que Coxon considera importante: se a curva sobe rapidamente numa escala que "esconde" a magnitude, o crescimento real é muito grande e está acelerando. Ele chama esse regime de "superexponencial": cada nova etapa de melhoria vem mais rápido que a anterior.
"Este é um gráfico absurdo, e me surpreende que eles o tenham publicado", escreveu ele no X. Segundo ele, esse slide foi um dos principais motivos de sua saída da Anthropic, onde trabalhou por cerca de quatro meses.
Na legenda do slide, a própria Anthropic ressalta que os pontos se baseiam em estimativas internas e foram apresentados apenas a título ilustrativo. A fonte não traz valores exatos para o multiplicador, por isso não é possível verificar a escala das melhorias a partir de fora.
O que isso significa para o Mythos
O Mythos é um modelo que, na primavera, trouxe um salto notável de capacidades. Para muitos, pareceu um avanço isolado. Coxon vê a coisa de outra forma: segundo ele, o Mythos está sobre a mesma curva das melhorias anteriores e não se destaca dela.
Um exemplo prático. Você passa meses escrevendo um serviço complexo, tropeçando em obstáculos e testando diferentes arquiteturas. Um ano depois, consegue refazer o mesmo serviço em poucas semanas, porque já sabe quais decisões funcionam. Se o mesmo acontece a cada geração de modelos, um nível que ontem exigia um cluster gigantesco custará, amanhã, muito menos. O que continuará caro é apenas a fronteira mais avançada.
Há uma ressalva importante. Trata-se da opinião de uma única pessoa, e de um ex-funcionário, baseada em um gráfico marcado como "ilustrativo". Não existe confirmação independente de que o Mythos possa de fato ser retreinado por uma fração muito menor do custo.
Por que Coxon pede uma pausa
A partir dessa avaliação, ele tira uma conclusão radical. As melhorias algorítmicas, segundo ele, estão "na beira da automação": a IA começará a acelerar, por conta própria, a pesquisa em IA. Por isso, defende que o desenvolvimento de modelos de fronteira seja suspenso no próximo ano, para que os concorrentes tenham tempo de alcançar os líderes.
A lógica dele é esta: uma pausa "transformaria a inteligência em nível humano em commodity" e "prejudicaria apenas a OpenAI e a Anthropic". Se os demais chegarem ao mesmo nível, a vantagem das duas líderes no segmento dos modelos mais caros desaparece. É um argumento contra a visão comum de que a desaceleração favorece os próprios laboratórios.
Coxon ganhou ampla atenção em setembro com alertas públicos sobre os riscos da IA avançada, e outros participantes do setor repetiram essas advertências. Uma das principais preocupações é a de uma IA que se aperfeiçoa sozinha e pode fugir ao controle.
O que desenvolvedores e fundadores devem fazer
Primeiro, incluam no modelo financeiro do produto uma queda rápida no custo de modelos do nível atual. Se a eficiência do treinamento crescer como mostra o slide, os recursos de hoje dos modelos de ponta tendem a virar produtos de massa em pouco tempo.
Segundo, não construam o negócio sobre acesso exclusivo a um único modelo: uma vantagem que depende da exclusividade de uma rede neural se dissolve rapidamente.
Terceiro, tratem essas declarações como sinal, não como prova. O gráfico é público, mas os dados internos da Anthropic são fechados. Enquanto a empresa não divulgar os números, a velocidade real do progresso só pode ser estimada por indícios indiretos, como os preços das APIs e o ritmo de lançamento de novos modelos.
- 21 de nov. de 2026Matemático da Anthropic afirma que o Claude ajudou a provar a hipótese de Riemann em seis semanas
- 21 de nov. de 2026Startup Osmo treinou IA com cheiros usando 10 milhões de avaliações humanas e gera fragrâncias a partir de texto
- 21 de nov. de 2026Coreia do Norte mostra seu primeiro chatbot, "Fonte da Sabedoria": só ciência, sem política
- 21 de nov. de 2026OpenAI libera o ChatGPT Spaces para assinantes do Plus: documentos colaborativos com IA
Perguntas frequentes sobre a notícia
O que o slide mostra?
O gráfico apresenta o "multiplicador de computação para pré-treinamento" aplicado ao código. Em termos simples, ele responde à pergunta: quantas vezes menos potência é necessária hoje para obter um modelo do mesmo nível de antes? O período cobre julho de 2024 a outubro de 2026. O eixo em que os valores estão marcados é logarítmico. Isso significa que a escala está comprimida: um aumento de 10 vezes e um de 100 vezes parecem quase iguais no gráfico. Mesmo com essa escala comprimida, a linha sobe de forma acentuada.
O que isso significa para o Mythos?
O Mythos é um modelo que, na primavera, trouxe um salto notável de capacidades. Para muitos, pareceu um avanço isolado. Coxon vê a coisa de outra forma: segundo ele, o Mythos está sobre a mesma curva das melhorias anteriores e não se destaca dela. Um exemplo prático. Você passa meses escrevendo um serviço complexo, tropeçando em obstáculos e testando diferentes arquiteturas. Um ano depois, consegue refazer o mesmo serviço em poucas semanas, porque já sabe quais decisões funcionam.
Por que Coxon pede uma pausa?
A partir dessa avaliação, ele tira uma conclusão radical. As melhorias algorítmicas, segundo ele, estão "na beira da automação": a IA começará a acelerar, por conta própria, a pesquisa em IA. Por isso, defende que o desenvolvimento de modelos de fronteira seja suspenso no próximo ano, para que os concorrentes tenham tempo de alcançar os líderes. A lógica dele é esta: uma pausa "transformaria a inteligência em nível humano em commodity" e "prejudicaria apenas a OpenAI e a Anthropic".
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.