Duas rotas para uma IA brasileira
Treinar um modelo em português do zero e adaptar um modelo generalista para o Brasil parecem caminhos concorrentes. Não são. Eles controlam partes diferentes da mesma pilha.
O Manacá-1B é um modelo base aberto de aproximadamente 1,72 bilhão de parâmetros, treinado do zero para português brasileiro. O projeto publica pesos, tokenizer, código, logs de treinamento e resultados de avaliação. O Sabiá 4, da Maritaca, parte de um modelo generalista e acrescenta pré-treino contínuo em português e no domínio jurídico, contexto de 128 mil tokens, ajuste supervisionado e alinhamento de preferências.
A pergunta útil não é qual deles “fala melhor português”. É o que cada rota permite construir, operar e substituir.
O Manacá abre o alicerce
Um modelo base precisa de corpus, filtragem, tokenizer, arquitetura, treinamento, checkpoints e avaliação antes de aprender a conversar. O Manacá deixa essa cadeia observável. Uma universidade ou laboratório pode inspecionar os pesos, repetir os testes e modificar componentes sem depender da decisão comercial de um fornecedor.
Isso também define o limite. O Manacá base não é um chatbot pronto nem substitui diretamente uma API comercial. Para virar produto, ainda precisa de pós-treinamento, recuperação de informação, ferramentas, segurança e operação.
Aberto não significa pronto
O Manacá entrega um objeto reproduzível para pesquisa e construção. A qualidade do sistema final ainda depende das camadas adicionadas depois do pré-treino. Pesos, tokenizer e pipeline tornam visíveis escolhas que uma API esconde, mas não entregam por si só um serviço pronto, seguro ou economicamente sustentável.
O Sabiá fecha a camada de uso
O Sabiá trabalha mais perto da aplicação. A Maritaca não divulga o número exato de parâmetros, mas descreve quatro etapas: pré-treino contínuo em corpora brasileiros, extensão de contexto, ajuste para chat, código, tarefas jurídicas e function calling, e alinhamento de preferências.
A API já oferece contexto longo, processamento de arquivos, ferramentas e versões com inferência em território brasileiro. Em troca, os pesos não estão disponíveis para download ou operação local. A equipe usuária controla prompts, dados enviados, ferramentas e integração, mas não o modelo subjacente.
Chamar isso de simples fine-tuning apaga a engenharia de dados, avaliação, infraestrutura e serving que transforma um peso em serviço.
Soberania é controle por camada
“Modelo brasileiro” pode significar origem institucional, idioma prioritário, dados locais, propriedade dos pesos, infraestrutura no país ou capacidade de operar sem fornecedor externo. Essas propriedades não vêm juntas automaticamente.
O Manacá fortalece pesquisa e reprodução. O Sabiá oferece produto e operação voltados ao contexto brasileiro. Inferência nacional melhora residência de dados, mas não transforma uma API fechada em pesos abertos. Da mesma forma, publicar pesos não resolve disponibilidade, segurança, suporte ou custo operacional.
O hero parte da identidade visual oficial do Manacá-1B, preservada e tratada no filtro visual do Korvo. Ela identifica o projeto e não acrescenta fatos sobre treinamento ou infraestrutura.
O benchmark precisa medir a decisão
O paper do Manacá compara o modelo com nove baselines abertos em quatro benchmarks de português, usando um único harness, erro padrão e testes pareados. O resultado mais instrutivo não é um placar. É uma falha de tokenizer.
Na conversão de SentencePiece para o formato rápido do Hugging Face, a normalização de maiúsculas foi perdida. A acurácia no LAMBADA-PT caiu de 45,3 para 25,0 sem uma quebra evidente no pipeline. É o tipo de erro que transforma detalhe de implementação em conclusão errada sobre o modelo.
Manacá e Sabiá também não ocupam o mesmo estágio. Um é modelo base pequeno e aberto; o outro é sistema servido como produto. Compará-los exige equalizar tarefa, versão, ferramentas, orçamento e critério de sucesso.
O que testar antes de escolher
Para pesquisa ou adaptação local, o Manacá deve ser testado depois do pós-treinamento necessário, no domínio escolhido e dentro da infraestrutura disponível. Para produto, o Sabiá deve ser testado como serviço: qualidade no corpus real, latência mediana e de cauda, function calling, custo com tentativas, tratamento de dados e comportamento quando uma ferramenta falha.
O custo também aparece em lugares diferentes. Treinar do zero concentra investimento antes do produto. A API desloca o custo para tokens, ferramentas, observabilidade, integração e dependência operacional. A comparação correta é custo por tarefa concluída com o nível de qualidade e risco exigido.
Compare a tarefa completa
Use os mesmos casos e critérios de aceitação. Meça qualidade, custo, latência, falhas, dados e esforço de operação. O melhor modelo no benchmark pode perder no sistema. Registre versões, ferramentas e orçamento para que a diferença observada possa ser reproduzida e atribuída à rota escolhida.
Manacá e Sabiá não representam uma escolha binária. Capacidade nacional exige conhecimento para construir a base e engenharia para transformá-la em serviço confiável.