![\"\"](\"https:\/\/www.europesays.com\/pt\/wp-content\/uploads\/2025\/09\/qwen3-next.webp.webp\")
<\/a><\/p>\nA nova era de efici\u00eancia da Alibaba<\/p>\n
A Alibaba Cloud, o bra\u00e7o de infraestrutura na nuvem da gigante tecnol\u00f3gica chinesa, surpreendeu o mercado ao apresentar a sua nova fam\u00edlia de Large Language Models (LLM), a Qwen3-Next<\/a>. Descritos pela empresa como “o futuro dos LLMs eficientes”, estes modelos representam um salto qu\u00e2ntico em termos de otimiza\u00e7\u00e3o de recursos<\/strong>.<\/p>\n Para se ter uma ideia, s\u00e3o 13 vezes mais pequenos<\/strong> que o modelo mais robusto que a pr\u00f3pria empresa havia lan\u00e7ado apenas uma semana antes<\/a>.<\/p>\n Dentro desta nova fam\u00edlia, o destaque vai para o Qwen3-Next-80B-A3B. Segundo os seus criadores, este modelo n\u00e3o s\u00f3 \u00e9 at\u00e9 10 vezes mais r\u00e1pido que o seu antecessor, o Qwen3-32B, como tamb\u00e9m atinge esta performance com uma redu\u00e7\u00e3o impressionante de 90% nos custos associados ao treino<\/strong>.<\/p>\n Para contextualizar a magnitude desta conquista, basta olhar para os custos da concorr\u00eancia. De acordo com o AI Index Report<\/a> da Universidade de Stanford, o treino do GPT-4 custou \u00e0 OpenAI cerca de 78 milh\u00f5es de d\u00f3lares em poder computacional. A Google investiu ainda mais no Gemini Ultra, com um valor estimado de 191 milh\u00f5es de d\u00f3lares<\/strong>.<\/p>\n Em contraste, estima-se que o treino do Qwen3-Next ter\u00e1 custado apenas 500.000 d\u00f3lares<\/strong>. Embora a Alibaba n\u00e3o tenha confirmado valores exatos, o seu artigo oficial revela que o Qwen3-Next-80B-A3B utilizou “apenas 9,3% do custo computacional (horas de GPU)” do modelo anterior, o Qwen3-32B.<\/p>\n