Quanti modelli linguistici esistono? 274, 95 o 403.420 — e il voto di codice che circola viene da un test abbandonato dal suo creatore

Tre conteggi di "quanti modelli di linguaggio esistono" — 274, 95 e 403.420 — sono tutti corretti, e la differenza fra loro non è errore di nessuno: è la definizione di "modello". Sono andato a verificare le statistiche di LLM (large language model, il modello di linguaggio di grandi dimensioni che sta dietro a ChatGPT, a Claude e agli altri) che circolano nelle raccolte del 2026 e ho trovato un problema più grande del conteggio: il benchmark di programmazione che serve da metro per "chi guida la classifica" è stato dichiarato contaminato dal suo stesso creatore a febbraio, che ha smesso di pubblicare il voto — e sei mesi dopo continua a essere il metro.

Il metro uscito dalla verifica sta in due domande. "Modello secondo chi?" risolve il conteggio. "Voto dato da chi, a quale versione, in un test che ancora misura?" risolve il bilancio. Nessun numero di questo articolo è falso. Quasi tutti cambiano peso quando l'etichetta li accompagna.

Nota metodologica. Ogni numero è stato verificato contro la fonte originale — model card (la scheda tecnica che il laboratorio pubblica con il modello), PDF, paper, pagina ufficiale dei prezzi o API pubblica — il 26 agosto 2026. Tre misurazioni sono mie e riproducibili: il conteggio dei repository su Hugging Face (comando alla fine dell'articolo), la lettura della tabella completa della Vals AI (86 modelli, estratta dall'HTML della pagina, non dal riepilogo) e la tabella dei prezzi di sette fornitori letta sulle pagine ufficiali. Dove la fonte esiste solo in copia archiviata (la OpenAI blocca la lettura automatizzata), il testo dice "Wayback". Una prima estrazione automatica dei prezzi della xAI è uscita inventata ed è stata scartata — l'episodio è nella sezione dei prezzi, perché è il motivo per cui il prezzo entra qui solo da pagina ufficiale letta di persona. Non ci sono Reddit né X in questo articolo: la comunità è Hacker News, dove ogni commento ha un id.

Il bilancio della verifica

Il verdetto prima dell'argomento, perché è quello che circola da solo. "Ciò che circola" è quello che le raccolte di statistiche di LLM ripetono nel 2026 — la pagina tedesca che ha ispirato questo articolo è l'esempio più completo che ho trovato, con 274 modelli catalogati e 235 link.

Tre tornano puliti, tre sono sbagliati, sei esistono con l'etichetta sbagliata. Notate che gli errori gravi sono tutti di confronto, non di numero: ogni voto singolo sta nella fonte che la pagina cita. Ciò che non sta in nessun posto è il metro che autorizza a mettere due voti fianco a fianco.

Il metro: "modello secondo chi?"

"Quanti modelli esistono" è la domanda più semplice dell'argomento e non ha risposta — non perché manchi il dato, ma perché di definizioni ce n'è in eccesso. La figura riassume le tre che compaiono nelle raccolte; il resto della sezione mostra che tutte e tre sono corrette.

Guardate la prima casella. Hugging Face è il deposito pubblico dove laboratori e persone pubblicano modelli, e ogni pubblicazione è un "repository". Ho chiesto alla pagina di ricerca del sito quanti repository portano il tag text-generation (generazione di testo, il tag degli LLM): 403.420 alle 04:43 del 26 agosto; 403.535 alle 11:55 dello stesso giorno. Il numero cresce mentre leggete, perché conta tutto — ogni copia compressa, ogni fine-tuning fatto da uno studente, ogni versione di prova. Il repository più scaricato del lotto (24,4 milioni di download) è il Qwen3-0.6B, un modello troppo piccolo per comparire in qualsiasi classifica di capacità.

La seconda casella è l'opposto: una lista fatta a mano. L'AI Index di Stanford usa il database della Epoch AI, che segna un modello come "notevole" per avanzamento tecnico, importanza storica o citazioni — e il rapporto avverte, nel testo: "This is a manual curation, so the dataset is not a census of all AI models" ("è una curatela manuale, quindi l'insieme non è un censimento di tutti i modelli di IA"). Per questo criterio, il 2025 ha avuto 93 modelli notevoli dell'industria e 2 dell'accademia — 95. Nella figura seguente dello stesso capitolo, che classifica i lanci per tipo di accesso, la base di calcolo è 102. Lo stesso rapporto, due conteggi, sette modelli di differenza — perché i tagli sono diversi.

La terza casella è il catalogo editoriale: qualcuno decide cosa "conta come modello" per il proprio pubblico. La pagina tedesca ne elenca 274, di 35 fornitori — e si contraddice nel proprio corpo: nella sezione 2 la OpenAI ha 35 modelli, la Anthropic 19 e la Google 18; nella sezione 7, 38, 20 e 27, e compare una Alibaba con 42 che la sezione 2 non menzionava. Non è disonestà; è ciò che succede quando un catalogo ha tagli diversi ("modelli attivi" in una figura, "tutta la storia" nell'altra) e nessuno scrive il taglio accanto al numero.

Nessuno dei tre conteggi risponde alla domanda del lettore, che è "quanti modelli contano per me" — e questa può contarla solo lui. Quello che si può fare è mostrare lo stesso fornitore sotto le tre definizioni, perché la dimensione dell'abisso diventi visibile.

Guardate la OpenAI: 5 repository, 20 modelli notevoli, 38 nel catalogo — la stessa azienda, lo stesso anno. Su Hugging Face quasi non esiste (ha pubblicato solo i modelli aperti gpt-oss), e la Anthropic non esiste: zero repository, perché nessun modello Claude ha pesi pubblicati. Nella curatela della Epoch AI l'ordine si inverte: la OpenAI è chi ha lanciato più modelli notevoli nel 2025, seguita da Google (14) e Alibaba (11). E nel catalogo editoriale la Alibaba guida, perché l'editore ha deciso di elencare ogni variante del Qwen. La frase "l'azienda X ha più modelli" non significa nulla senza la definizione accanto — e le tre definizioni invertono il podio.

Il voto dato da chi: il test di codice che il creatore ha abbandonato

Ogni raccolta del 2026 ha una sezione "chi è il migliore in programmazione", e il metro è sempre lo stesso: il SWE-bench Verified, un benchmark (test standardizzato che dà un voto al modello) con 500 problemi reali presi da repository di codice aperto — il modello riceve la descrizione di un difetto e deve correggerlo; un insieme di test automatici dice se ha azzeccato. La pagina tedesca pubblica quattro voti: Claude Fable 5 con 95,0%, Opus 4.8 con 88,6%, DeepSeek-V4-Pro con 80,6% e Kimi K2.6 con 80,2%, e conclude che il DeepSeek resta "circa 8 punti indietro". Sono andato dietro a tutti e quattro. Stanno tutti nella fonte citata. E nessuno dei confronti regge, per tre motivi impilati.

Il primo motivo è il più grave e il meno citato. Il 23 febbraio 2026 la OpenAI — che creò il "Verified" nell'agosto 2024, rivedendo 1.699 problemi del SWE-bench originale con ingegneri umani finché non ne restarono 500 — pubblicò un testo intitolato "Why SWE-bench Verified no longer measures frontier coding capabilities" ("Perché il SWE-bench Verified non misura più la capacità di programmazione di frontiera"). Due conclusioni, citate dall'originale:

"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."

In italiano: "Abbiamo controllato un sottoinsieme del 27,6% del dataset che i modelli spesso non riuscivano a risolvere e abbiamo scoperto che almeno il 59,4% dei problemi controllati ha casi di test difettosi, che rifiutano soluzioni funzionalmente corrette."

"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."

In italiano: "Nella nostra analisi abbiamo scoperto che tutti i modelli di frontiera testati erano in grado di riprodurre la correzione originale, scritta da esseri umani [...], il che indica che tutti hanno visto almeno parte dei problemi e delle soluzioni durante l'addestramento. [...] Per questo abbiamo smesso di pubblicare i voti del SWE-bench Verified, e raccomandiamo che anche gli altri sviluppatori di modelli facciano lo stesso."

Traducendo il meccanismo per chi non programma: il test usa problemi pubblici, con le soluzioni pubbliche a fianco, presi dagli stessi repository che i laboratori usano per addestrare. Il modello può aver "visto la prova con le risposte" prima di farla. La OpenAI ha misurato quanto progresso restava — "improving from 74.9% to 80.9% in the last 6 months" ("migliorando dal 74,9% all'80,9% negli ultimi 6 mesi") — e ha deciso che ciò che sale da lì in poi misura l'esposizione al test, non la capacità. Sei mesi dopo, la tabella del valutatore indipendente mostra sette modelli al 95% o più. La discussione è arrivata su Hacker News ad aprile (343 punti, 181 commenti); la riga più votata riassume lo scetticismo in una frase: "Goodhart's Law in reverse, what can't be gamed gets rejected" ("Legge di Goodhart al contrario: quello che non si può truccare viene rigettato" — commento 47911060). Un altro lettore: "This feels very much like 'we are now moving the goal posts'" ("Sembra proprio 'stiamo spostando i pali della porta'", 47910902). Le due letture sono possibili. Ciò che non è possibile è usare, ad agosto, un metro che il produttore ha ritirato a febbraio senza dirlo al lettore.

La conseguenza pratica è già nelle schede tecniche: la OpenAI non pubblica più il voto, e i laboratori aperti stanno migrando. Nel System Card del Fable 5, la colonna "GPT-5.5" della riga SWE-bench Verified porta un trattino. Nella scheda del Kimi K2.6, la colonna "GPT-5.4", idem. Kimi K3, Qwen 3.8 e GLM-5.2 non riportano più la metrica classica — l'hanno sostituita con SWE-bench Pro, DeepSWE, FrontierSWE. L'unico posto dove tutti restano confrontabili è un valutatore esterno, che fa girare il test vecchio con lo stesso harness (l'impalcatura di strumenti che il modello riceve per lavorare) per tutti. È la Vals AI, ed è lì che appare il secondo motivo.

Guardate prima cosa non è cambiato tra il blocco grigio e quello blu. Il voto che l'Anthropic pubblica per il Fable 5 (95,0%, media di cinque tentativi, nel System Card) è lo stesso che la Vals misura da fuori; anche quello dell'Opus 4.8 (88,6% in entrambi). La DeepSeek pubblica 80,6% per il V4-Pro di aprile, nella modalità di ragionamento più costosa; la Vals misura lo stesso modello a 77,4%. Kimi K2.6: 80,2% contro 76,2%. Il self-report (il voto che il laboratorio dà a se stesso) regge alla verifica: dove lo stesso modello è stato misurato da entrambi, la differenza sta tra zero e quattro punti. Questo contraddice la mia ipotesi di partenza — mi aspettavo che la valutazione indipendente abbattesse i voti ufficiali — e il risultato viene pubblicato comunque.

Ciò che non regge è il blocco oro. L'"80,6%" che circola è del DeepSeek-V4-Pro Preview, pubblicato il 22 aprile; la scheda è stata aggiornata l'ultima volta il 22 giugno. Il 13 agosto la DeepSeek ha lanciato la versione definitiva, DeepSeek-V4-Pro-0813, in un repository separato — e la scheda nuova non pubblica alcun voto di SWE-bench Verified (usa DeepSWE, Cybergym e altri). Chi misura lo 0813 è la Vals: 96,4%, secondo posto tra 86 modelli, dietro solo all'Opus 5 (97,0%) e davanti al GPT-5.6 Sol, al Grok 4.6 e allo stesso Fable 5. La frase "il DeepSeek resta 8 punti dietro all'Opus 4.8" confronta il voto di aprile di uno con il voto di maggio dell'altro; con le versioni di agosto, il DeepSeek è 8 punti avanti. Nessuno dei due numeri è falso. Il confronto lo è.

Il terzo motivo è il più banale: la leadership in un benchmark ha una scadenza di settimane. La pagina tedesca è del 23 agosto e dice che il Fable 5 "guida con 95,0%". Nello stesso System Card che porta il 95,0%, il Mythos 5 fa 95,5%. Nella Vals, del 19 agosto, l'Opus 5 fa 97,0%. E l'"82,6% sul Vals-AI-Harness" della stessa pagina è l'unico voto che viene da un valutatore indipendente — con il nome sbagliato ("Vals-AI-Harness" non è un benchmark, è la Vals che fa girare il SWE-bench Verified con l'impalcatura mini-swe-agent, con la sola riga di comando bash) e senza il contesto: nella stessa tabella, 82,6% è a 14,4 punti dal leader. Ho già raccontato qui come la DeepSeek ha pubblicato la tabella in cui è lei stessa a perdere 9 a 0 e come la Z.ai ha rinviato i pesi del GLM-5.3 e ha pubblicato ciò che il modello ha pensato: i laboratori sono stati più onesti nelle schede che la copertura che li riassume.

Il metro di questa sezione, in una riga: il voto di un benchmark si confronta solo quando quattro campi coincidono — stesso test, stessa impalcatura, stessa versione, stessa data. La copertura mediatica di solito azzecca il primo e ignora gli altri tre.

Quanto costa: lo stesso test, con la colonna che nessuno pubblica

Se il voto isolato non decide niente, cosa decide? Nella tabella della Vals c'è una colonna che nessuna raccolta copia: il costo per compito, in dollari, per lo stesso test eseguito sulla stessa impalcatura. È l'unico confronto di prezzo che attraversa i fornitori senza dipendere da quanti token (i pezzi di testo che il modello legge e produce, l'unità di fatturazione) ognuno spende per pensare — perché misura la spesa vera, alla fine del compito.

Guardate i due punti più alti: l'Opus 5 risolve il 97,0% dei compiti a US$ 1,29 ciascuno; il DeepSeek-V4-Pro-0813 risolve il 96,4% a US$ 0,10. Sei decimi di punto costano dodici volte e mezzo il prezzo. E guardate il punto più a destra: il Fable 5, a US$ 2,05 per compito, risolve meno dell'Opus 5 e costa di più — il System Card spiega che il voto del Fable "riflette le sue salvaguardie di produzione", cioè il modello più caro dell'Anthropic non è quello che azzecca di più questo test. Dal lato economico, il GPT-5.6 Luna fa 93,0% a quattro centesimi, e il DeepSeek V4 Flash, 88,8% a un centesimo — lo stesso voto dell'Opus 4.8, che costa US$ 1,92 per compito. Ho già mostrato qui, misurando 43 mila chiamate, che il prezzo per token non è il costo per compito; questa tabella è la stessa lezione con un altro valutatore.

Questo spiega perché il "più caro" e il "più economico" delle raccolte quasi mai coincidono con il catalogo. La pagina tedesca dice che i prezzi vanno da US$ 0,05 (GPT-5 nano) a US$ 30 (GPT-5.5 Pro) per milione di token in ingresso — "un fattore di 600". Nella tabella ufficiale della OpenAI, letta il 26 agosto, l'o1-pro resta in vendita a US$ 150 in ingresso e US$ 600 in uscita; il gpt-5.4-pro costa gli stessi US$ 30 del 5.5 Pro. Il fattore reale tra il più economico e il più caro del catalogo è 3.000. E il prezzo di listino non è nemmeno il prezzo: la DeepSeek fa pagare il V4-Pro-0813 US$ 1,32 per milione di token in ingresso nell'ora di punta e US$ 0,66 fuori da essa, e scende a US$ 0,044 quando la richiesta ripete testo già elaborato (cache hit, la corrispondenza in cache). Il Kimi K3 costa US$ 3 di listino e US$ 0,30 con cache. Un unico numero di prezzo per modello è una scelta editoriale, mai un fatto.

Una parentesi sul metodo, perché cambia ciò di cui dovete fidarvi. Nella raccolta di materiale per questo articolo, una prima estrazione automatica della pagina dei prezzi della xAI ha restituito una tabella completa, plausibile, con modelli e valori — e inventata: la pagina reale aveva un modello (Grok 4.6, US$ 2 / US$ 6) e lo strumento ha riempito il resto. È stata scartata e rifatta a mano. Per questo il prezzo entra qui solo da pagina ufficiale letta da una persona, con data; qualsiasi raccolta che non dica da dove ha preso il prezzo è a un passo dallo stesso errore.

Parametri e contesto: il numero gigante è sempre di un modello aperto

Dopo "chi guida" viene "chi è più grande". Qui lo schema si inverte: i numeri più grandi pubblicati sono tutti di laboratori che aprono i pesi (i miliardi di numeri che compongono il modello, pubblicati per il download), e i modelli di punta chiusi non hanno nessun numero.

Guardate il blocco in basso: quattro barre vuote. Non è assenza di dato nella mia raccolta; è il dato che non esiste. Il rapporto tecnico del GPT-4 dice, nel testo: "this report contains no further details about the architecture (including model size)" ("questo rapporto non contiene ulteriori dettagli sull'architettura, incluse le dimensioni del modello"), per "panorama competitivo" e "implicazioni di sicurezza". L'"1,76 trilioni" che ogni raccolta ripete è nato nel giugno 2023, da una speculazione di George Hotz (fondatore della Comma.ai) — otto modelli da 220 miliardi — e da un rapporto della SemiAnalysis, azienda di analisi dei semiconduttori. La OpenAI non ha mai confermato né smentito. La pagina tedesca segna il numero come stima, il che è corretto; e rimanda, come fonte, a Wikipedia — che è dove la voce di corridoio è stata compilata.

Nel blocco in alto, i numeri sono reali e verificati scheda per scheda, con una sfumatura che le raccolte omettono: quasi tutti sono MoE (mixture of experts, mescolanza di esperti — il modello ha molti blocchi e ne usa pochi alla volta). Il Kimi K3 ha 2,8 trilioni di parametri totali, ma attiva 16 di 896 esperti per token: 104 miliardi al lavoro per volta, il 3,7% del totale. Il DeepSeek-V4-Pro: 1,6 trilioni totali, 49 miliardi attivi. Confrontare "2,8 trilioni" con i 175 miliardi del GPT-3 del 2020 — che li usava tutti in una volta — è come confrontare la dimensione del palazzo con il numero di stanze accese.

La finestra di contesto (quanto testo il modello riesce a leggere in una volta) ha la stessa trappola. La pagina dice che Llama 4 Scout e Qwen-Long "guidano con 10 milioni di token" — circa trenta volumi di Harry Potter. I due numeri stanno nelle fonti ufficiali. La Meta dice anche che lo Scout è stato addestrato con 256 mila token di contesto e arriva a 10 milioni per generalizzazione di lunghezza (una tecnica di estrapolazione, non il regime di addestramento). La Alibaba dice che il Qwen-Long arriva a 10 milioni solo per upload di file con riferimento per identificativo; testo incollato direttamente nel messaggio si ferma a 1 milione. E il Kimi K3, con il maggior numero di parametri, ha un contesto di 1.048.576 token — un milione, non dieci. Ho già spiegato qui quanto costa in memoria la finestra di contesto quando il modello gira sulla tua macchina; la lezione è la stessa: il numero di copertina è il tetto teorico, e la scheda porta le condizioni.

Parametri e contesto sono le due statistiche in cui il numero ufficiale è sempre il più grande possibile — e la nota a piè di pagina è sempre più piccola.

Brasile: l'unico confronto di costo in reais

Nessuna raccolta internazionale di statistiche di LLM ha una riga sul Brasile — la pagina tedesca ne ha zero. Sono andato a cercare cosa esiste in fonte ufficiale e ho trovato più di quanto mi aspettassi, con una negativa in mezzo.

Notate che la figura è di costo, non di voto — ed è l'unico confronto di costo di suite intera in moneta nazionale che ho trovato in fonte ufficiale. La Maritaca AI, di Campinas, pubblica la famiglia Sabiá 4 con prezzo in reais: R$ 5 per milione di token in ingresso e R$ 20 in uscita nel Sabiá 4 (R$ 40 nella versione Thinking, che ragiona prima di rispondere), R$ 1 e R$ 4 nel Sabiazinho 4, e il 30% in più nelle varianti "BR-SP", con "inferenza ed elaborazione realizzate al 100% in territorio nazionale". La stessa documentazione pubblica i voti del Sabiá 4 nelle prove brasiliane (97,4% in leggi brasiliane; 86,6% nell'aggregato ENEM/USP/OAB; voto 7,49 su 10 nella redazione di un atto giuridico) e il costo di eseguire la suite intera in ogni concorrente: R$ 206 nel Sabiá 4 Thinking, R$ 281 nel Gemini 3.1 Pro, R$ 449 nel GPT-5.4, R$ 590 nell'Opus 4.8. È self-report — è l'azienda che misura i concorrenti con le prove sue — ed entra qui con questa etichetta, secondo lo stesso metro della sezione precedente: il voto vale come dichiarazione del laboratorio finché qualcuno non lo esegue da fuori.

La negativa: non esiste un progetto chiamato "BR-LLM", nonostante il termine circoli. Ciò che esiste, in fonte ufficiale o sulla stampa, sono iniziative con nome proprio — il Sabiá (Maritaca), l'Amazônia IA (WideLabs, con Oracle e NVIDIA, senza benchmark numerico pubblicato) e il programma SoberanIA (MCTI e governo del Piauí, dicembre 2025), la cui pagina ufficiale ha servito solo un CAPTCHA a questa macchina e per questo resta qui come non verificata. E il "ChatPetrobras", a volte citato come LLM nazionale, è un'applicazione per 110 mila lavoratori costruita sopra GPT via Azure — prodotto sopra un modello di terzi, non un modello.

Sul lato dell'uso, il Cetic.br misura ciò che le raccolte solo stimano: il 17% delle aziende brasiliane con più di 10 dipendenti usava l'IA nel 2025 (13% nel 2024; 50% tra le grandi), con la "generazione di linguaggio naturale" che salta dal 20% al 30% — la categoria cresciuta di più, ed è quella degli LLM; tra gli utenti internet, il 32% ha già usato IA generativa, circa 50 milioni di persone. Ho già mostrato qui perché "50 milioni di brasiliani" è l'unico conteggio di persone che conta persone; vale lo stesso avviso.

Il Brasile ha prezzo in reais, prova in portoghese e uso misurato — ciò che non ha è presenza in nessuna raccolta che circola.

Cosa ne farei

Due domande, dieci secondi ciascuna, prima di ripetere qualsiasi statistica di LLM.

1. "Modello secondo chi?" Se il numero è di repository, è misura di attività; se è di "notevoli", è curatela con criterio pubblicato; se è catalogo, è decisione editoriale. I tre sono utili. Nessuno prende il posto dell'altro — e una classifica di "chi ha più modelli" senza la definizione accanto inverte il podio a seconda della definizione.
2. "Voto dato da chi, a quale versione, in un test che ancora misura?" Il self-report del laboratorio ha retto alla verifica di questo articolo — ma si confronta solo con self-report della stessa data, sulla stessa impalcatura, della stessa versione. Due voti di schede diverse fianco a fianco è l'errore più comune e il più invisibile. E il SWE-bench Verified, metro standard del 2026, è stato ritirato dal suo stesso creatore a febbraio: chi lo cita ad agosto deve dirlo.

E una regola di prezzo: mai un solo numero per modello. Ingresso, uscita, cache, orario e versione; o, meglio, costo per compito misurato da qualcuno di fuori.

Se volete verificare la misurazione più facile di questo articolo, sono dieci secondi:

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

Darà più di 403.420 — sono cresciuti 115 repository tra le 04:43 e le 11:55 del 26 agosto. Se ne dà di meno, o se trovate il voto di SWE-bench Verified del DeepSeek-V4-Pro-0813 in qualche scheda ufficiale, mandatemelo: aggiorno l'articolo e do credito alla correzione.

Fonti

• 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

Verifica. Schede tecniche, PDF, paper e pagine di prezzo letti per intero e conservati il 26/08/2026; post della OpenAI tramite copia archiviata; tabella della Vals AI estratta dall'HTML servito (86 di 86 righe); conteggi di Hugging Face misurati dall'autore. Il 94,3% del Gemini 3.1 Pro sul GPQA Diamond e la pagina del SoberanIA non sono stati verificati sulla fonte ufficiale e sono segnalati nel testo. Le citazioni in inglese sono state tradotte da me; le fonti e le misurazioni sono le stesse dell'originale in portoghese. Non ci sono Reddit né X in questo articolo, per indisponibilità delle fonti.