Quantos modelos de linguagem existem? 274, 95 ou 403.420 — e a nota de código que circula vem de um teste que o próprio criador abandonou

Três contagens de "quantos modelos de linguagem existem" — 274, 95 e 403.420 — estão todas certas, e a diferença entre elas não é erro de ninguém: é a definição de "modelo". Fui conferir as estatísticas de LLM (large language model, o modelo de linguagem de grande porte que está por trás do ChatGPT, do Claude e dos outros) que circulam em compilados de 2026 e achei um problema maior que a contagem: o benchmark de programação que serve de régua para "quem lidera" foi declarado contaminado pelo próprio criador em fevereiro, que parou de publicar a nota — e seis meses depois ele continua sendo a régua.

A régua que saiu da conferência cabe em duas perguntas. "Modelo segundo quem?" resolve a contagem. "Nota dada por quem, a que versão, num teste que ainda mede?" resolve o placar. Nenhum número deste artigo é falso. Quase todos mudam de peso quando a etiqueta vai junto.

Nota metodológica. Cada número foi conferido contra a fonte original — model card (a ficha técnica que o laboratório publica com o modelo), PDF, paper, página oficial de preços ou API pública — em 26 de agosto de 2026. Três medições são minhas e reprodutíveis: a contagem de repositórios no Hugging Face (comando no fim do artigo), a leitura da tabela completa da Vals AI (86 modelos, extraída do HTML da página, não do resumo) e a tabela de preços de sete provedores lida nas páginas oficiais. Onde a fonte só existe em cópia arquivada (a OpenAI bloqueia leitura automatizada), o texto diz "Wayback". Uma primeira extração automática dos preços da xAI saiu inventada e foi descartada — o episódio está na seção de preços, porque é a razão de preço só entrar aqui de página oficial lida. Não há Reddit nem X neste artigo: a comunidade é o Hacker News, onde cada comentário tem id.

O placar da conferência

O veredito antes do argumento, porque é o que circula sozinho. "O que circula" é o que compilados de estatísticas de LLM repetem em 2026 — a página alemã que motivou esta pauta é o exemplar mais completo que achei, com 274 modelos catalogados e 235 links.

Três conferem limpos, três estão errados, seis existem com a etiqueta errada. Repare que os erros graves são todos de comparação, não de número: cada nota individual está na fonte que a página cita. O que não está em lugar nenhum é a régua que autoriza pôr duas notas lado a lado.

A régua: "modelo segundo quem?"

"Quantos modelos existem" é a pergunta mais simples do assunto e não tem resposta — não porque falte dado, mas porque sobra definição. A figura resume as três que aparecem nos compilados; o resto da seção mostra que as três estão certas.

Repare na primeira caixa. O Hugging Face é o depósito público onde laboratórios e pessoas publicam modelos, e cada publicação é um "repositório". Pedi à página de busca do site quantos repositórios levam a etiqueta text-generation (geração de texto, a etiqueta dos LLMs): 403.420 às 04:43 de 26 de agosto; 403.535 às 11:55 do mesmo dia. O número cresce enquanto você lê, porque conta tudo — cada cópia comprimida, cada ajuste fino feito por um estudante, cada versão de teste. O repositório mais baixado do lote (24,4 milhões de downloads) é o Qwen3-0.6B, um modelo pequeno demais para aparecer em qualquer ranking de capacidade.

A segunda caixa é o oposto: uma lista feita à mão. O AI Index de Stanford usa o banco da Epoch AI, que marca um modelo como "notável" por avanço técnico, importância histórica ou citações — e o relatório avisa, em texto: "This is a manual curation, so the dataset is not a census of all AI models" ("é uma curadoria manual, então o conjunto não é um censo de todos os modelos de IA"). Por esse critério, 2025 teve 93 modelos notáveis da indústria e 2 da academia — 95. Na figura seguinte do mesmo capítulo, que classifica os lançamentos por tipo de acesso, a base de cálculo é 102. O mesmo relatório, duas contagens, sete modelos de diferença — porque os cortes são diferentes.

A terceira caixa é o catálogo editorial: alguém decide o que "conta como modelo" para o público dele. A página alemã lista 274, de 35 fornecedores — e se contradiz no próprio corpo: na seção 2 a OpenAI tem 35 modelos, a Anthropic 19 e o Google 18; na seção 7, 38, 20 e 27, e aparece uma Alibaba com 42 que a seção 2 não mencionava. Não é desonestidade; é o que acontece quando um catálogo tem cortes diferentes ("modelos ativos" numa figura, "todo o histórico" na outra) e ninguém escreve o corte ao lado do número.

Nenhuma das três contagens responde à pergunta do leitor, que é "quantos modelos importam para mim" — e essa só ele pode contar. O que dá para fazer é mostrar o mesmo fornecedor sob as três definições, para o tamanho do abismo ficar visível.

Repare na OpenAI: 5 repositórios, 20 modelos notáveis, 38 no catálogo — a mesma empresa, o mesmo ano. No Hugging Face ela quase não existe (só publicou os modelos abertos gpt-oss), e a Anthropic não existe: zero repositórios, porque nenhum modelo Claude tem pesos publicados. Na curadoria da Epoch AI a ordem inverte: a OpenAI é quem mais lançou modelo notável em 2025, seguida de Google (14) e Alibaba (11). E no catálogo editorial a Alibaba lidera, porque o editor decidiu listar cada variante do Qwen. A frase "a empresa X tem mais modelos" não significa nada sem a definição ao lado — e as três definições invertem o pódio.

Nota dada por quem: o teste de código que o criador abandonou

Todo compilado de 2026 tem uma seção "quem é o melhor em programação", e a régua é sempre a mesma: o SWE-bench Verified, um benchmark (teste padronizado que dá uma nota ao modelo) com 500 problemas reais tirados de repositórios de código aberto — o modelo recebe a descrição de um defeito e tem de corrigi-lo; um conjunto de testes automáticos diz se acertou. A página alemã publica quatro notas: Claude Fable 5 com 95,0%, Opus 4.8 com 88,6%, DeepSeek-V4-Pro com 80,6% e Kimi K2.6 com 80,2%, e conclui que o DeepSeek fica "cerca de 8 pontos atrás". Fui atrás das quatro. Todas estão na fonte citada. E nenhuma das comparações se sustenta, por três motivos empilhados.

O primeiro motivo é o mais grave e o menos citado. Em 23 de fevereiro de 2026 a OpenAI — que criou o "Verified" em agosto de 2024, revisando 1.699 problemas do SWE-bench original com engenheiros humanos até sobrarem 500 — publicou um texto intitulado "Why SWE-bench Verified no longer measures frontier coding capabilities" ("Por que o SWE-bench Verified não mede mais a capacidade de programação de fronteira"). Duas conclusões, citadas do original:

"We audited a 27.6% subset of the dataset that models often failed to solve and found that at least 59.4% of the audited problems have flawed test cases that reject functionally correct submissions."

Em português: "Auditamos um subconjunto de 27,6% do conjunto que os modelos frequentemente não resolvem e descobrimos que pelo menos 59,4% dos problemas auditados têm casos de teste defeituosos, que rejeitam soluções funcionalmente corretas."

"In our analysis we found that all frontier models we tested were able to reproduce the original, human-written bug fix [...] indicating that all of them have seen at least some of the problems and solutions during training. [...] This is why we have stopped reporting SWE-bench Verified scores, and we recommend that other model developers do so too."

Em português: "Na nossa análise, descobrimos que todos os modelos de fronteira que testamos conseguiam reproduzir a correção original, escrita por humanos [...], o que indica que todos viram pelo menos parte dos problemas e soluções durante o treinamento. [...] Por isso paramos de publicar notas de SWE-bench Verified, e recomendamos que os outros desenvolvedores de modelos façam o mesmo."

Traduzindo o mecanismo para quem não programa: o teste usa problemas públicos, com as soluções públicas ao lado, tirados dos mesmos repositórios que os laboratórios usam para treinar. O modelo pode ter "visto a prova com o gabarito" antes de fazê-la. A OpenAI mediu o que restava de progresso — "improving from 74.9% to 80.9% in the last 6 months" ("melhorando de 74,9% para 80,9% nos últimos 6 meses") — e decidiu que o que sobe daí em diante mede exposição ao teste, não capacidade. Seis meses depois, a tabela do avaliador independente mostra sete modelos com 95% ou mais. A discussão chegou ao Hacker News em abril (343 pontos, 181 comentários); a linha mais votada resume o ceticismo em uma frase: "Goodhart's Law in reverse, what can't be gamed gets rejected" ("Lei de Goodhart ao contrário: o que não dá para burlar é rejeitado" — comentário 47911060). Outro leitor: "This feels very much like 'we are now moving the goal posts'" ("Parece muito com 'agora estamos mudando a trave de lugar'", 47910902). As duas leituras são possíveis. O que não é possível é usar, em agosto, uma régua que o fabricante recolheu em fevereiro sem dizer isso ao leitor.

A consequência prática já está nas fichas técnicas: a OpenAI não publica mais a nota, e os laboratórios abertos estão migrando. No System Card do Fable 5, a coluna "GPT-5.5" da linha SWE-bench Verified traz um traço. Na ficha do Kimi K2.6, a coluna "GPT-5.4", idem. Kimi K3, Qwen 3.8 e GLM-5.2 não reportam mais a métrica clássica — trocaram por SWE-bench Pro, DeepSWE, FrontierSWE. O único lugar em que todos continuam comparáveis é um avaliador de fora, que roda o teste velho com o mesmo harness (o andaime de ferramentas que o modelo recebe para trabalhar) para todos. É a Vals AI, e é nela que o segundo motivo aparece.

Repare primeiro no que não mudou entre o bloco cinza e o azul. A nota que a Anthropic publica para o Fable 5 (95,0%, média de cinco tentativas, no System Card) é a mesma que a Vals mede de fora; a do Opus 4.8 também (88,6% nos dois). A DeepSeek publica 80,6% para o V4-Pro de abril, no modo de raciocínio mais caro; a Vals mede o mesmo modelo em 77,4%. Kimi K2.6: 80,2% contra 76,2%. O self-report (a nota que o laboratório dá a si mesmo) aguenta a conferência: onde o mesmo modelo foi medido pelos dois, a diferença fica entre zero e quatro pontos. Isso contraria a minha hipótese de partida — eu esperava que a avaliação independente derrubasse as notas oficiais — e o resultado é publicado assim mesmo.

O que não aguenta é o bloco ouro. O "80,6%" que circula é do DeepSeek-V4-Pro Preview, publicado em 22 de abril; a ficha foi atualizada pela última vez em 22 de junho. Em 13 de agosto a DeepSeek lançou a versão definitiva, DeepSeek-V4-Pro-0813, num repositório separado — e a ficha nova não publica nota de SWE-bench Verified nenhuma (usa DeepSWE, Cybergym e outros). Quem mede o 0813 é a Vals: 96,4%, segundo lugar entre 86 modelos, atrás só do Opus 5 (97,0%) e à frente do GPT-5.6 Sol, do Grok 4.6 e do próprio Fable 5. A frase "o DeepSeek fica 8 pontos atrás do Opus 4.8" compara a nota de abril de um com a nota de maio do outro; com as versões de agosto, o DeepSeek está 8 pontos à frente. Nenhum dos dois números é falso. A comparação é.

O terceiro motivo é o mais banal: liderança em benchmark tem prazo de validade de semanas. A página alemã é de 23 de agosto e diz que o Fable 5 "lidera com 95,0%". No próprio System Card que traz o 95,0%, o Mythos 5 faz 95,5%. Na Vals, de 19 de agosto, o Opus 5 faz 97,0%. E o "82,6% no Vals-AI-Harness" da mesma página é a única nota que vem de avaliador independente — com o nome errado ("Vals-AI-Harness" não é um benchmark, é a Vals rodando o SWE-bench Verified com o andaime mini-swe-agent, só com a linha de comando bash) e sem o contexto: na mesma tabela, 82,6% está a 14,4 pontos do líder. Já contei aqui como a DeepSeek publicou a tabela em que ela mesma perde de 9 a 0 e como a Z.ai adiou os pesos do GLM-5.3 e publicou o que o modelo achou: os laboratórios têm sido mais honestos nas fichas do que a cobertura que as resume.

A régua desta seção, em uma linha: nota de benchmark só compara quando os quatro campos batem — mesmo teste, mesmo andaime, mesma versão, mesma data. A cobertura costuma acertar o primeiro e ignorar os outros três.

O que custa: o mesmo teste, com a coluna que ninguém publica

Se a nota isolada não decide nada, o que decide? Na tabela da Vals há uma coluna que nenhum compilado copia: o custo por tarefa, em dólares, para o mesmo teste rodado no mesmo andaime. É a única comparação de preço que atravessa fornecedores sem depender de quantos tokens (os pedaços de texto que o modelo lê e produz, a unidade de cobrança) cada um gasta para pensar — porque mede o gasto de verdade, no fim da tarefa.

Repare nos dois pontos mais altos: o Opus 5 resolve 97,0% das tarefas a US$ 1,29 cada; o DeepSeek-V4-Pro-0813 resolve 96,4% a US$ 0,10. Seis décimos de ponto custam doze vezes e meia o preço. E repare no ponto mais à direita: o Fable 5, a US$ 2,05 por tarefa, resolve menos que o Opus 5 e custa mais — o System Card explica que a nota do Fable "reflete suas salvaguardas de produção", ou seja, o modelo mais caro da Anthropic não é o que mais acerta este teste. Do lado barato, o GPT-5.6 Luna faz 93,0% a quatro centavos, e o DeepSeek V4 Flash, 88,8% a um centavo — a mesma nota do Opus 4.8, que custa US$ 1,92 por tarefa. Já mostrei aqui, medindo 43 mil chamadas, que preço por token não é custo por tarefa; esta tabela é a mesma lição com outro avaliador.

Isso explica por que o "mais caro" e o "mais barato" dos compilados quase nunca batem com o catálogo. A página alemã diz que os preços vão de US$ 0,05 (GPT-5 nano) a US$ 30 (GPT-5.5 Pro) por milhão de tokens de entrada — "um fator de 600". Na tabela oficial da OpenAI, lida em 26 de agosto, o o1-pro continua à venda a US$ 150 de entrada e US$ 600 de saída; o gpt-5.4-pro custa os mesmos US$ 30 do 5.5 Pro. O fator real entre o mais barato e o mais caro do catálogo é 3.000. E o preço de tabela nem é o preço: a DeepSeek cobra o V4-Pro-0813 a US$ 1,32 por milhão de tokens de entrada no horário de pico e US$ 0,66 fora dele, e cai para US$ 0,044 quando o pedido repete texto já processado (cache hit, o acerto no cache). O Kimi K3 custa US$ 3 de tabela e US$ 0,30 com cache. Um único número de preço por modelo é uma escolha editorial, nunca um fato.

Um parêntese sobre método, porque ele muda o que você deve confiar. Na colheita deste artigo, uma primeira extração automática da página de preços da xAI devolveu uma tabela completa, plausível, com modelos e valores — e inventada: a página real tinha um modelo (Grok 4.6, US$ 2 / US$ 6) e a ferramenta preencheu o resto. Foi descartada e refeita à mão. É por isso que preço só entra aqui de página oficial lida por gente, com data; qualquer compilado que não diga de onde tirou o preço está a um passo do mesmo erro.

Parâmetros e contexto: o número gigante é sempre de modelo aberto

Depois de "quem lidera" vem "quem é maior". Aqui o padrão inverte: os maiores números publicados são todos de laboratórios que abrem os pesos (os bilhões de números que compõem o modelo, publicados para download), e os modelos de ponta fechados não têm número nenhum.

Repare no bloco de baixo: quatro barras vazias. Não é ausência de dado na minha colheita; é o dado que não existe. O relatório técnico do GPT-4 diz, em texto: "this report contains no further details about the architecture (including model size)" ("este relatório não contém mais detalhes sobre a arquitetura, incluindo o tamanho do modelo"), por "paisagem competitiva" e "implicações de segurança". O "1,76 trilhão" que todo compilado repete nasceu em junho de 2023, de uma especulação de George Hotz (fundador da Comma.ai) — oito modelos de 220 bilhões — e de um relatório da SemiAnalysis, empresa de análise de semicondutores. A OpenAI nunca confirmou nem desmentiu. A página alemã marca o número como estimativa, o que está certo; e linka, como fonte, a Wikipedia — que é onde o boato foi compilado.

No bloco de cima, os números são reais e conferidos ficha a ficha, com uma nuance que os compilados omitem: quase todos são MoE (mixture of experts, mistura de especialistas — o modelo tem muitos blocos e usa poucos por vez). O Kimi K3 tem 2,8 trilhões de parâmetros no total, mas ativa 16 de 896 especialistas por token: 104 bilhões trabalhando de cada vez, 3,7% do total. O DeepSeek-V4-Pro: 1,6 trilhão no total, 49 bilhões ativos. Comparar "2,8 trilhões" com os 175 bilhões do GPT-3 de 2020 — que usava todos de uma vez — é comparar o tamanho do prédio com o número de salas acesas.

A janela de contexto (quanto texto o modelo consegue ler de uma vez) tem a mesma armadilha. A página diz que Llama 4 Scout e Qwen-Long "lideram com 10 milhões de tokens" — cerca de trinta volumes de Harry Potter. Os dois números estão nas fontes oficiais. A Meta diz também que o Scout foi treinado com 256 mil tokens de contexto e chega a 10 milhões por generalização de comprimento (uma técnica de extrapolação, não o regime de treino). A Alibaba diz que o Qwen-Long só chega a 10 milhões por upload de arquivo com referência por identificador; texto colado direto na mensagem para em 1 milhão. E o Kimi K3, com o maior número de parâmetros, tem contexto de 1.048.576 tokens — um milhão, não dez. Já expliquei aqui o que a janela de contexto custa em memória quando o modelo roda na sua máquina; a lição é a mesma: o número de capa é o teto teórico, e a ficha traz as condições.

Parâmetros e contexto são as duas estatísticas em que o número oficial é sempre o maior possível — e a nota de rodapé é sempre menor.

Brasil: o único comparativo de custo em reais

Nenhum compilado internacional de estatísticas de LLM tem uma linha sobre o Brasil — a página alemã tem zero. Fui procurar o que existe em fonte oficial e achei mais do que esperava, com uma negativa no meio.

Repare que a figura é de custo, não de nota — e é a única comparação de custo de suíte inteira em moeda nacional que achei em fonte oficial. A Maritaca AI, de Campinas, publica a família Sabiá 4 com preço em reais: R$ 5 por milhão de tokens de entrada e R$ 20 de saída no Sabiá 4 (R$ 40 na versão Thinking, que raciocina antes de responder), R$ 1 e R$ 4 no Sabiazinho 4, e 30% a mais nas variantes "BR-SP", com "inferência e processamento realizados 100% em território nacional". A mesma documentação publica as notas do Sabiá 4 em provas brasileiras (97,4% em leis brasileiras; 86,6% no agregado ENEM/USP/OAB; nota 7,49 de 10 na redação de peça jurídica) e o custo de rodar a suíte inteira em cada concorrente: R$ 206 no Sabiá 4 Thinking, R$ 281 no Gemini 3.1 Pro, R$ 449 no GPT-5.4, R$ 590 no Opus 4.8. É self-report — é a empresa medindo os concorrentes com as provas dela — e entra aqui com essa etiqueta, pela mesma régua da seção anterior: a nota vale como declaração do laboratório até alguém rodar de fora.

A negativa: não existe um projeto chamado "BR-LLM", apesar de o termo circular. O que existe, em fonte oficial ou em imprensa, são iniciativas com nome próprio — o Sabiá (Maritaca), o Amazônia IA (WideLabs, com Oracle e NVIDIA, sem benchmark numérico publicado) e o programa SoberanIA (MCTI e governo do Piauí, dezembro de 2025), cuja página oficial serviu só um CAPTCHA para esta máquina e por isso fica aqui como não conferida. E o "ChatPetrobras", às vezes citado como LLM nacional, é uma aplicação para 110 mil trabalhadores construída sobre GPT via Azure — produto sobre modelo de terceiro, não modelo.

Do lado do uso, o Cetic.br mede o que os compilados só estimam: 17% das empresas brasileiras com mais de 10 funcionários usavam IA em 2025 (13% em 2024; 50% entre as grandes), com "geração de linguagem natural" saltando de 20% para 30% — a categoria que mais cresceu, e é a dos LLMs; entre os usuários de internet, 32% já usaram IA generativa, cerca de 50 milhões de pessoas. Já mostrei aqui por que "50 milhões de brasileiros" é a única contagem de pessoas que conta pessoas; vale o mesmo aviso.

O Brasil tem preço em reais, prova em português e uso medido — o que não tem é presença em nenhum compilado que circula.

O que eu faria com isso

Duas perguntas, dez segundos cada, antes de repetir qualquer estatística de LLM.

1. "Modelo segundo quem?" Se o número é de repositórios, é medida de atividade; se é de "notáveis", é curadoria com critério publicado; se é catálogo, é decisão editorial. Os três são úteis. Nenhum troca de lugar com o outro — e um ranking de "quem tem mais modelos" sem a definição ao lado inverte o pódio conforme a definição.
2. "Nota dada por quem, a que versão, num teste que ainda mede?" Self-report de laboratório aguentou a conferência deste artigo — mas só compara com self-report da mesma data, no mesmo andaime, da mesma versão. Duas notas de fichas diferentes lado a lado é o erro mais comum e o mais invisível. E o SWE-bench Verified, régua padrão de 2026, foi recolhido pelo próprio criador em fevereiro: quem o cita em agosto deve dizer isso.

E uma regra de preço: nunca um número por modelo. Entrada, saída, cache, horário e versão; ou, melhor, custo por tarefa medido por alguém de fora.

Se você quiser conferir a medição mais fácil deste artigo, são dez segundos:

curl -s "https://huggingface.co/models?pipeline_tag=text-generation" -A "Mozilla/5.0" \
  | grep -o "numTotalItems[^,}]*"

Vai dar mais que 403.420 — cresceu 115 repositórios entre as 04:43 e as 11:55 de 26 de agosto. Se der menos, ou se você achar a nota de SWE-bench Verified do DeepSeek-V4-Pro-0813 em alguma ficha oficial, me mande: atualizo o artigo e credito a correção.

Fontes

• Hugging Face — página de modelos com a etiqueta text-generation — numTotalItems medido em 26/08/2026 (04:43 e 11:55); contagens por organização via ?author=
• Stanford HAI — AI Index Report 2026, capítulo 1 (Research and Development) — seção 1.1, Figuras 1.1.1, 1.1.4–1.1.6 e 1.1.8–1.1.9; capítulo Technical Performance (3,3% × 0,5%)
• OpenAI — "Introducing SWE-bench Verified", 13/08/2024 e OpenAI — "Why SWE-bench Verified no longer measures frontier coding capabilities", 23/02/2026 — ambos lidos em cópia do Wayback (o site recusa leitura automatizada); discussão no Hacker News, item 47910388
• Vals AI — SWE-bench Verified — tabela "Updated 8/19/2026", 86 modelos, campos accuracy e cost_per_test extraídos do HTML em 26/08/2026; harness mini-swe-agent
• Anthropic — Claude Fable 5 & Claude Mythos 5 System Card (PDF) — Tabela 8.1.A e seção 8.2
• DeepSeek — model card do DeepSeek-V4-Pro (Preview) e DeepSeek-V4-Pro-0813; preços oficiais; relatório técnico arXiv 2606.19348
• Moonshot AI — model card do Kimi K2.6, Kimi K3, repositório do Kimi K3 e preços
• Qwen — model card do Qwen3.8-2.4T-A95B; Alibaba Cloud — Qwen-Long, contexto longo
• Meta — "The Llama 4 herd"; Mistral — Mixtral 8x22B; OpenAI — gpt-oss-120b
• OpenAI — "Language Models are Few-Shot Learners" (GPT-3), arXiv 2005.14165; GPT-4 Technical Report, arXiv 2303.08774 — seção 2
• Preços oficiais lidos em 26/08/2026: OpenAI · Anthropic · Google Gemini · Mistral · xAI
• Arena (ex-LMArena) — leaderboard de texto — 21/08/2026, 7.906.317 votos, 394 modelos; Artificial Analysis — GPQA Diamond
• Maritaca AI — documentação (modelos e benchmarks) e preços; Amazônia IA; Petrobras — ChatPetrobras
• Cetic.br — TIC Empresas 2025 e TIC Domicílios 2025
• Página que motivou a pauta — gradually.ai, "LLM-Statistiken 2026" — inspiração de estrutura; nenhuma frase ou número reaproveitado sem conferência

Verificação: fichas técnicas, PDFs, papers e páginas de preço lidos na íntegra e preservados em 26/08/2026; posts da OpenAI por cópia arquivada; tabela da Vals AI extraída do HTML servido (86 de 86 linhas); contagens do Hugging Face medidas pelo autor. O 94,3% do Gemini 3.1 Pro no GPQA Diamond e a página do SoberanIA não foram conferidos na fonte oficial e estão marcados no texto. Não há Reddit nem X neste artigo, por indisponibilidade das fontes.