Habr AI compara Claude, Gemini e ChatGPT em texto, matemática, análise e criatividade

O Habr AI publicou uma comparação entre três modelos de ponta: ChatGPT-5.4, Claude Opus 4.6 e Gemini 3.1 Pro. Em vez dos testes habituais de «escreva um conto» ou «resolva um problema», o autor deslocou o foco para cenários não convencionais, nos quais as diferenças reais entre os sistemas ficam mais visíveis.

Um formato de teste fora do comum

A ideia central do material não é buscar um vencedor absoluto, mas verificar como os modelos se comportam fora das demos mais batidas. Quando se pede a um LLM que escreva um texto curto, gere um modelo de código ou resolva um exercício escolar, eles costumam mostrar nível parecido. Já em tarefas mais estranhas, limítrofes ou simplesmente menos padronizadas, começam a aparecer o estilo de raciocínio, a flexibilidade, a resistência à ambiguidade e a capacidade de manter o contexto sem dicas a cada passo.

Essa abordagem importa também porque os usuários aplicam cada vez mais os modelos não para um comando isolado, mas como ferramenta intelectual de trabalho. Na prática, não basta «responder certo»: é preciso entender o requisito oculto, não tropeçar na formulação, não se perder em conversa fiada e não perder a lógica no meio do raciocínio. Por isso, uma comparação com tarefas incomuns parece mais útil do que mais um benchmark formal.

Três modelos de ponta

Participam do teste ChatGPT-5.4, Claude Opus 4.6 e Gemini 3.1 Pro, três sistemas que costumam aparecer no topo das discussões sobre qualidade de geração. A própria lista de participantes mostra que não se trata de um experimento de nicho, mas de uma comparação dos principais modelos atuais, entre os quais costumam escolher usuários avançados, editores, analistas e equipes que incorporaram LLMs aos processos diários.

Também é importante que o autor não tenta apresentar o material como veredito final sobre o mercado. É antes uma tentativa de responder a uma pergunta mais prática: onde exatamente as diferenças entre os melhores modelos se tornam perceptíveis. Em tarefas comuns a distância pode ser pequena, mas em cenários com ambiguidade, requisitos combinados e restrições criativas cada modelo mostra sua própria marca. Para o leitor, isso é mais útil que um ranking seco, porque ajuda a associar o modelo a um tipo específico de trabalho.

O que é avaliado

Segundo a descrição do artigo, o foco está em quatro grupos de tarefas mais próximos do uso real do que de uma apresentação de vitrine. Não se trata de checar uma única métrica, mas de ver como o modelo alterna entre diferentes tipos de raciocínio: da edição cuidadosa e da lógica formal aos cálculos e à geração livre de ideias. Esse conjunto permite avaliar não uma habilidade estreita, mas o comportamento do sistema em diferentes modos, da precisão à criatividade.

• Trabalho com texto e qualidade das formulações
• Matemática e resistência a erros de cálculo
• Tarefas analíticas com várias condições
• Criatividade em pedidos atípicos e não totalmente formalizados

O ponto forte dessa comparação é mostrar não só o nível de conhecimento do modelo, mas o caráter de suas respostas. Um sistema pode ser mais cuidadoso na estrutura, outro mais ousado nas ideias, um terceiro mais estável na lógica. Para o usuário, isso muitas vezes importa mais que um primeiro lugar abstrato, porque a escolha de um LLM depende não do hype geral, mas do que exatamente precisa ser feito: editar texto, checar raciocínios, resolver problemas ou buscar rapidamente saídas fora do padrão.

O que isso significa

Comparações como esta vão mudando a própria maneira de falar sobre LLMs. A questão já não é «quem é mais inteligente no geral», mas qual modelo se sai melhor no seu cenário real. Para o mercado, é sinal de maturidade: os modelos de ponta ficaram fortes o bastante para serem avaliados não pelo efeito uau, mas pelas nuances de funcionamento.