A corrida pela inteligência artificial está entrando em uma nova fase: além de desenvolver modelos mais capazes, empresas começam a disputar quem consegue executá-los com menor latência. A Cerebras e a OpenAI apresentaram uma prévia do Ultrafast, nova modalidade de processamento para o GPT-5.6 Sol capaz de gerar até 750 tokens de saída por segundo.
Segundo a OpenAI, a nova infraestrutura pode executar o modelo até 14 vezes mais rápido que o processamento Standard. O serviço estreia inicialmente na API e está em limited preview, disponível para um grupo selecionado de clientes enquanto a capacidade é ampliada.
A novidade é relevante porque mantém o mesmo GPT-5.6 Sol, mas muda radicalmente a infraestrutura responsável pela inferência. Em vez de depender exclusivamente da arquitetura convencional de GPUs, o Ultrafast utiliza o Wafer-Scale Engine (WSE) desenvolvido pela Cerebras.
GPT-5.6 Sol chega a 750 tokens por segundo
Tokens são pequenas unidades utilizadas pelos modelos para representar e produzir informações. A quantidade processada por segundo é uma das métricas utilizadas para avaliar a velocidade de geração.
No Ultrafast, o GPT-5.6 Sol chega a até 750 tokens de saída por segundo.
Para o usuário, isso significa respostas sendo produzidas muito mais rapidamente, especialmente em tarefas extensas.
Segundo a OpenAI, o novo modo pode atingir até 14 vezes a velocidade do processamento Standard. A Cerebras afirma ainda que, em comparações baseadas em velocidades reportadas pela Artificial Analysis, a configuração chegou a ser 11 vezes mais rápida que o Fable 5 e cinco vezes mais rápida que o Opus 4.8 em Fast Mode.
É importante observar que essas comparações foram divulgadas pela própria Cerebras e dependem das condições específicas utilizadas nos testes.
O segredo está em um chip do tamanho de um wafer
A arquitetura utilizada pela Cerebras é bastante diferente das GPUs que dominam atualmente grande parte da infraestrutura de IA.
O Wafer-Scale Engine utiliza praticamente um wafer inteiro de silício como processador.
Segundo a Cerebras, seus sistemas mantêm grandes quantidades de memória extremamente próximas aos núcleos responsáveis pelos cálculos. A arquitetura utilizada no Ultrafast possui 44 GB de SRAM no próprio chip.
Essa característica tenta atacar um dos principais gargalos da inferência de grandes modelos: movimentar os pesos do modelo entre memória e unidades de processamento.
Em arquiteturas tradicionais, parte significativa do tempo pode ser consumida justamente transportando dados.
A estratégia da Cerebras é manter mais informações próximas ao processamento e distribuir as camadas do modelo através de múltiplos sistemas em escala de wafer.
O resultado pretendido é reduzir drasticamente a latência entre a geração de um token e o próximo.
Teste com 2.500 perguntas mostra diferença de velocidade
A Cerebras também realizou uma comparação utilizando o Humanity’s Last Exam (HLE), benchmark composto por aproximadamente 2.500 questões complexas de diferentes áreas do conhecimento.
Segundo a empresa, o GPT-5.6 Sol Ultrafast concluiu todas as questões em 11 horas e 11 minutos.
Na comparação apresentada pela companhia, o Claude Fable 5 precisou de 78 horas e 27 minutos para completar o mesmo conjunto, com resultado de precisão comparável, o que representaria uma diferença próxima de sete vezes no tempo total.
Os testes foram realizados pela própria Cerebras em julho e, portanto, devem ser interpretados como benchmarks divulgados pelo fornecedor, e não como uma avaliação independente.
Ainda assim, os números mostram o tamanho da mudança que uma infraestrutura de inferência mais rápida pode produzir mesmo sem trocar o modelo utilizado.
Velocidade começa a importar tanto quanto inteligência
Durante os últimos anos, a indústria concentrou grande parte da competição em benchmarks de inteligência.
Qual modelo programa melhor?
Qual resolve mais problemas matemáticos?
Qual possui melhor raciocínio?
Com agentes de IA, entretanto, outra variável começa a ganhar importância: quanto tempo o modelo leva para chegar à resposta.
Imagine um agente encarregado de investigar uma falha em produção.
Ele pode precisar analisar logs, consultar documentação, executar código, revisar resultados, realizar novas pesquisas e repetir esse processo dezenas de vezes.
Uma diferença de segundos em cada etapa pode se transformar em minutos — ou até horas — ao final de uma tarefa complexa.
É justamente nesse cenário que inferência de alta velocidade pode produzir ganhos muito maiores do que simplesmente fazer um chatbot escrever mais rápido.
Agentes de IA estão no centro da estratégia
A Cerebras e a OpenAI apontam agentes como uma das principais aplicações do Ultrafast.
O objetivo é permitir que sistemas autônomos realizem ciclos de raciocínio e execução rapidamente, reduzindo períodos em que o usuário precisa esperar pela conclusão das tarefas.
A infraestrutura também pode beneficiar programação assistida por IA, pesquisa financeira, atendimento, comércio eletrônico e análise de incidentes.
Na área de cibersegurança, por exemplo, segundos podem ser importantes durante uma resposta a incidentes.
Um agente capaz de analisar grandes volumes de informações rapidamente poderia ajudar equipes humanas a investigar atividades suspeitas, correlacionar eventos e buscar possíveis causas de uma invasão.
Isso não significa substituir controles ou profissionais de segurança, mas reduzir a latência entre detecção, análise e tomada de decisão.
Cerebras também testou impacto em tarefas profissionais
A empresa realizou outro experimento utilizando o GDP-Val, benchmark desenvolvido para medir desempenho em tarefas consideradas economicamente relevantes.
De acordo com a Cerebras, o GPT-5.6 Sol Ultrafast apresentou aceleração de 5,6 vezes no tempo total, sem perda de qualidade na avaliação conduzida pela companhia.
O teste foi realizado em 31 de julho utilizando o GPT-5.6 Sol em nível médio de raciocínio dentro do Codex.
Mais uma vez, trata-se de um benchmark divulgado pelo fornecedor, mas ele aponta para uma consequência importante: a velocidade de inferência pode começar a ser medida não apenas em tokens por segundo, mas também em tempo economizado para concluir uma tarefa inteira.
Cerebras desafia domínio das GPUs na IA
O lançamento também possui implicações importantes para o mercado de hardware.
A infraestrutura de inteligência artificial atual é fortemente baseada em GPUs. A Cerebras aposta em uma arquitetura radicalmente diferente para demonstrar que existem outros caminhos para executar grandes modelos.
O GPT-5.6 Sol Ultrafast funciona como uma vitrine dessa estratégia.
A própria Cerebras passou a apresentar a configuração como o “modelo de fronteira mais rápido do mundo”, com base nos resultados de velocidade divulgados pela empresa.
O ponto mais importante, entretanto, não é determinar um vencedor absoluto — benchmarks podem variar conforme modelo, configuração, carga e metodologia.
A relevância está em demonstrar que infraestrutura de inferência tornou-se uma área competitiva independente do desenvolvimento dos modelos.
OpenAI ganha outra alternativa de infraestrutura
A parceria também mostra uma diversificação da infraestrutura utilizada para disponibilizar modelos avançados.
Para a OpenAI, ter diferentes arquiteturas capazes de executar seus modelos pode aumentar opções de desempenho e capacidade.
Para a Cerebras, colocar o GPT-5.6 Sol em sua infraestrutura representa uma demonstração importante de que seus chips conseguem operar modelos de fronteira em velocidades elevadas.
E para desenvolvedores, a consequência pode ser um mercado no qual será possível escolher não apenas qual modelo utilizar, mas também qual nível de velocidade pagar para receber.
Ultrafast começa pela API
Por enquanto, o acesso é limitado.
O GPT-5.6 Sol Ultrafast está sendo disponibilizado inicialmente para um grupo selecionado de clientes através da API da OpenAI, com expansão planejada conforme a capacidade da infraestrutura aumentar.
A Cerebras também mantém um programa para solicitação de acesso antecipado, no qual empresas podem apresentar seus casos de uso e volume esperado de processamento.
Solicitar acesso ao GPT-5.6 Sol Ultrafast
A próxima disputa da IA pode ser pela latência
A evolução dos modelos mostrou que inteligência é apenas uma parte da experiência.
Preço, disponibilidade, contexto e velocidade também determinam onde uma tecnologia pode ser utilizada.
Com agentes executando tarefas cada vez mais longas, a diferença entre gerar dezenas e centenas de tokens por segundo pode mudar completamente a experiência de uso.
Um trabalho que antes obrigava alguém a abrir outra aba enquanto aguardava pode terminar antes que essa pessoa consiga mudar de contexto.
A chegada do GPT-5.6 Sol a até 750 tokens por segundo mostra que a corrida da inteligência artificial começa a avançar para outra fronteira: não basta que o modelo consiga resolver um problema.
Ele também precisa resolvê-lo rápido o suficiente para acompanhar o ritmo das aplicações e das pessoas.
