ICLR 2026 no Rio: o que pensam os pesquisadores sobre o escalonamento de grandes modelos

A ICLR 2026 aconteceu no fim de abril, no Rio de Janeiro, e confirmou seu status de principal encontro anual de pesquisadores de IA. Para a comunidade científica, é mais do que uma publicação prestigiada em periódico: é o lugar onde nascem e são testadas ideias que, um ano depois, viram padrão da indústria.

Escalonamento de olho na eficiência

A era do "mais parâmetros = modelo melhor" caminha, devagar mas com segurança, para o fim. Na ICLR, falou-se menos do tamanho dos novos modelos e mais de retorno sobre o investimento: investir 100 milhões para obter uma melhoria de 3% já não faz sentido econômico. Os pesquisadores cansaram de fingir que o escalonamento garante progresso.

Por que isso aconteceu? Os chips estão ficando mais caros, não mais baratos. Dobrar os parâmetros já não dobra o desempenho. As empresas passaram a calcular com honestidade quanto custa treinar um modelo base, mais o fine-tuning para cada tarefa específica.

• Contextos longos (200K+ tokens) viram padrão, e não exotismo
• Engenheiros otimizam a velocidade de inferência e a eficiência energética, não apenas o tamanho dos pesos
• Surgem métodos de escalonamento dinâmico de computação conforme os dados de entrada
• Modelos de mistura de especialistas (MoE) substituem as arquiteturas densas clássicas

Na conferência, notou-se uma mudança de mentalidade: os pesquisadores falam em long-lived foundation models, modelos que vivem muito tempo e melhoram de forma iterativa. Em vez de retreinar do zero o tempo todo, adicionam-se novos dados, adaptadores especializados e novas camadas. É mais barato, mais simples em produção e está virando a nova norma.

Segurança como prioridade

Houve visivelmente mais discussões sobre segurança e garantias do que um ano antes. Na ICLR 2025, o tema era exótico. Em 2026, é mainstream. Os pesquisadores defendem que os grandes modelos precisam ser treinados não só para desempenho, mas também para robustez: resistência a exemplos adversariais, a mudanças de distribuição e a tentativas de manipulação.

"Não podemos mais lançar um modelo e torcer para que ninguém o quebre

em condições reais" — uma posição típica nos painéis da conferência.

Não se trata apenas de regulação (embora os governos estejam criando novas exigências). A própria comunidade científica percebeu que a corrida por resultados SOTA é perigosa se os custos reais dos danos não forem contabilizados.

Pesos abertos à sombra dos sistemas corporativos

A pergunta mais tensa da conferência: o código aberto em IA terá chance se Anthropic, OpenAI e Meta* mantêm fechados seus modelos mais avançados?

Na ICLR, a opinião estava dividida. Uma parte da comunidade científica insiste que os modelos abertos são infraestrutura crítica e devem ser desenvolvidos apesar dos riscos. A outra já é realista: os melhores modelos ficarão com as corporações, que têm recursos para treinar e prestam contas a investidores. A ciência aberta pode ficar em papel de apoio, desenvolvendo metodologia, mas sem ocupar a linha de frente.

O que isso significa

A ICLR 2026 mostrou que a era do escalonamento exponencial está acabando, mas a IA não está desacelerando: está mudando de direção. Vem aí uma era de otimização sistêmica: como usar melhor os recursos, como tornar os modelos mais confiáveis e como fazer a ciência aberta continuar relevante.

Para startups e engenheiros, isso significa que a vantagem competitiva não está mais em treinar um modelo ainda maior, mas em implantar os modelos existentes de forma mais barata, rápida e segura.

*A Meta foi designada organização extremista e é proibida na Rússia.