123 modelos com ficha. A classificação descreve capacidades, não uma ordem de qualidade.
Modelo proprietário da OpenAI publicado em 26 de outubro de 2026 para interpretar imagens, utilizar aplicações e redigir textos. Recebe texto e imagens e devolve texto; gerar imagens através de uma ferramenta não é uma modalidade de saída nativa. Está disponível na API como gpt-6.1-terra e no ChatGPT Work e Codex conforme o plano. Não é publicado como checkpoint descarregável.
Texto e raciocínio · Proprietário pago↗ TencentCheckpoint da Tencent Hunyuan para tradução simultânea de voz entre chinês e inglês, incluído no anúncio de 26 de outubro de 2026. Recebe áudio incremental e produz texto traduzido. A variante Interleave conserva também o texto original; é uma saída diferente, não uma quantização. A criação dos repositórios em 22 de outubro não é apresentada como data de lançamento.
Voz e áudio · Pesos abertos↗ TencentCheckpoint da Tencent Hunyuan para tradução simultânea de voz entre chinês e inglês, incluído no anúncio de 26 de outubro de 2026. Recebe áudio incremental e produz texto traduzido. A variante Interleave conserva também o texto original; é uma saída diferente, não uma quantização. A criação dos repositórios em 22 de outubro não é apresentada como data de lançamento.
Voz e áudio · Pesos abertos↗ inclusionAIModelo visual da inclusionAI baseado em Qwen3.8-27b. Aprende a localizar elementos de interfaces e a examinar regiões de imagens através de recortes, transferindo essa estratégia para perguntas visuais gerais. A publicação utilizável de 26 de outubro inclui doze fragmentos de pesos e uma ficha completa; o repositório vazio dessa manhã não foi considerado um lançamento. A saída consiste em texto e ações de recorte, não em imagens geradas.
Visão e documentos · Pesos abertos↗ inclusionAISonda treinada da inclusionAI que reutiliza estados internos do modelo base para classificar intenção, insegurança da resposta e risco de alucinação durante a geração. Publica o seu próprio checkpoint em 27 de outubro de 2026. Não é um assistente autónomo nem uma nova versão do modelo base. As dez saídas correspondem a oito categorias de intenção e dois sinais de risco.
Classificação de texto · Pesos abertos↗ inclusionAISonda treinada da inclusionAI que reutiliza estados internos do modelo base para classificar intenção, insegurança da resposta e risco de alucinação durante a geração. Publica o seu próprio checkpoint em 27 de outubro de 2026. Não é um assistente autónomo nem uma nova versão do modelo base. As dez saídas correspondem a oito categorias de intenção e dois sinais de risco.
Classificação de texto · Pesos abertos↗ BaiduModelo da Baidu para extrair conteúdo de documentos com muitas páginas, anunciado em 27 de outubro de 2026. SR-SWA conserva referências de trabalho numa janela finita para reduzir o crescimento do custo da atenção. A entrada consiste em imagens de páginas ordenadas e a saída é texto estruturado. Um PDF exige conversão prévia em imagens. A criação do repositório no dia anterior não substitui a data do anúncio.
Visão e documentos · Pesos abertos↗ NVIDIAModelo compacto da NVIDIA publicado em 23 de outubro de 2026, pós-treinado a partir do Gemma-4-E4B-it. Tem cerca de 8 mil milhões de parâmetros totais e 4 mil milhões efetivos; E4B não significa um MoE com quatro mil milhões de parâmetros ativos. Agrupamos BF16 e GGUF Q4_K_M numa ficha, com resultados separados por precisão. A modalidade documentada é texto para texto: destinar-se a assistentes de voz não o transforma num sistema de reconhecimento ou síntese de áudio.
Texto e raciocínio · API e pesos abertos↗ RecursiveModelo da Recursive lançado em 21 de outubro de 2026 para investigar repositórios, corrigir erros, desenvolver funcionalidades e escrever testes com agentes locais. É um Transformer de mistura de especialistas com 39,8 mil milhões de parâmetros totais e cerca de 2,5 mil milhões ativos por token, incluindo a cabeça de saída. Aceita e gera texto; não processa imagens nem áudio. Esta ficha agrupa o checkpoint BF16 e as distribuições oficiais INT4 e NVFP4 sem os contar como modelos independentes.
Código · API e pesos abertos↗ NVIDIACheckpoint de pesquisa publicado em 20 de outubro de 2026 para robótica cirúrgica. Um mesmo modelo oferece três modos: dinâmica direta de ações para vídeo, dinâmica inversa de vídeo para ações e política condicionada por imagem, texto e histórico. Deriva do Cosmos3-Nano, com torre de raciocínio Qwen3-VL e ajuste da torre generativa. Não são três modelos independentes nem um dispositivo médico autorizado.
Robótica · Pesos abertos↗ NVIDIAVariante causal destilada de Cosmos3-Nano-Transfer-Auto, publicada pela NVIDIA em 20 de outubro de 2026 para simulação de condução em laço fechado. Produz vídeo multiview e LiDAR sincronizados a partir de controles e texto. Suporta até onze câmeras. A capacidade de responder a controles durante uma sequência a distingue do gerador bidirecional, mas não constitui uma política de condução autônoma.
Robótica · Pesos abertos↗ NVIDIAModelo causal da NVIDIA para simular visualmente manipulação bimanual e navegação de câmera, publicado em 20 de outubro de 2026. Recebe uma imagem inicial, ações do robô, trajetória de câmera e texto opcional. Sua saída é vídeo, não ações: não deve ser confundido com uma política de controle. O checkpoint declara um corpo AgiBot; outras morfologias requerem validação específica.
Robótica · Pesos abertos↗ NVIDIAModelo causal destilado da NVIDIA publicado em 20 de outubro de 2026 para converter controles visuais de simulação em vídeo RGB. A geometria, física e verdade de referência continuam pertencendo ao simulador clássico; a rede fornece a aparência visual. Aceita texto e controles de profundidade, segmentação, bordas ou desfoque. Não é uma política que produza ações de robô nem um motor físico certificado.
Robótica · Pesos abertos↗ NVIDIAModelo bidirecional da NVIDIA para gerar cenas de condução com vídeo multiview e LiDAR sincronizados. Publicado em 20 de outubro de 2026, combina texto, controles de mundo WSM e uma imagem inicial opcional. Suporta até onze câmeras padrão ou olho de peixe e até 300 quadros por vista. É geração por lotes, não o modelo causal de simulação Sim-Auto.
Robótica · Pesos abertos↗ MistralVariante de transcrição offline de 4B parâmetros anunciada pela Mistral em 20 de outubro de 2026. Converte áudio em texto e admite diarização e vocabulário contextual. A especificação vigente inclui 50 idiomas. É um modelo distinto de Small e de Mini Realtime, com preço próprio e acesso hospedado em pré-visualização pública. O tamanho declarado não implica que seus pesos estejam disponíveis para download.
Voz e áudio · Proprietário pago↗ MistralTranscritor de áudio em streaming apresentado pela Mistral em 20 de outubro de 2026. O guia atual enumera 45 idiomas e dialetos. Utiliza WebSocket, entrega texto incremental e adiciona detecção de fim de turno, etiquetas de falante e context_bias. Não gera voz nem compartilha automaticamente as capacidades offline de Small. O identificador versionado permite distingui-lo dos aliases que podem mudar de versão.
Voz e áudio · Proprietário pago↗ MistralModelo de síntese de voz apresentado em 20 de outubro de 2026. O guia específico vigente declara 35 idiomas e mais de 50 dialetos; a contagem antiga de nove idiomas da ficha não é utilizada como limite atual. Converte texto em áudio, com referência de voz opcional. As respostas por lotes e em streaming utilizam o mesmo modelo; não são duplicadas como checkpoints distintos.
Voz e áudio · Proprietário pago↗ MistralTranscritor da Mistral apresentado em 20 de outubro de 2026 em pré-visualização pública. Aceita arquivos de áudio e devolve texto, com diarização e viés contextual para vocabulário especializado. O guia de idiomas declara 50 línguas para a transcrição offline. Small e Mini são variantes diferentes com tarifas próprias; esta ficha utiliza o identificador versionado voxtral-small-transcribe-3-0, não um alias que pode mudar.
Voz e áudio · Proprietário pago↗
Análise técnica do modelo da NVIDIA para converter controles de simulação em vídeo RGB. Avaliamos sua arquitetura, benchmarks publicados, requisitos de hardware e as limitações físicas que impedem seu uso como simulador certificado.
22 out 2026 ↗
Avaliação rigorosa do modelo de síntese de voz da Mistral: arquitetura híbrida, métricas de avaliação, preço por caracteres e limitações práticas para equipes de engenharia.
22 out 2026 ↗
Uma análise da variante de transcrição da Mistral: o que está confirmado sobre as suas funções, preço e disponibilidade, o que os benchmarks do fornecedor permitem concluir e o que ainda precisa de validação.
22 out 2026 ↗
A Z.AI apresenta o GLM-5.1 como um modelo para engenharia agêntica, e há uma página do modelo no Hugging Face. Mas as informações disponíveis não bastam para confirmar a licença, os requisitos de execução, o preço oficial nem os resultados de benchmark. Este guia separa o que está documentado do que ainda precisa ser verificado e propõe uma lista de checagem para avaliá-lo.
03 out 2026 ↗
A Cohere atribui ao Embed 5 Pro o melhor resultado médio entre os modelos que testou e destaca a recuperação de documentos financeiros. As informações disponíveis não permitem verificar a pontuação, a metodologia, o preço exato nem todas as condições de uso.
03 out 2026 ↗
A documentação fornecida identifica o Embed 5 Fast como parte da família Embed 5, mas não é suficiente para confirmar as modalidades de entrada, a disponibilidade por canal, o preço aplicável ou os resultados de recuperação. Veja o que é possível afirmar e o que ainda precisa ser verificado.
03 out 2026 ↗
O Google descreve o Gemini 3.8 Live Extended Thinking como um modelo de áudio para áudio da Live API, recomendado quando é necessário mais raciocínio em segundo plano. A documentação disponível, por si só, não demonstra que isso reduza erros ou melhore a latência: essas questões exigem testes com tarefas e condições controladas.
02 out 2026 ↗
O Google descreve o Gemini 3.8 Live como um modelo para diálogo em tempo real, mas as fontes disponíveis não permitem confirmar uma tarifa, resultados quantitativos ou todas as condições de acesso. Este guia separa as afirmações do fornecedor daquilo que uma equipe precisa verificar na própria integração.
02 out 2026 ↗
A ElevenLabs apresenta o v4 Turbo como uma variante de baixa latência e publica uma mediana de inferência próxima de 100 ms. Esse valor não corresponde ao tempo de resposta de um agente completo: faltam detalhes sobre a medição, as condições de acesso, o custo aplicável e evidências específicas de segurança.
02 out 2026 ↗