Apsara 2026 da Alibaba: modelos gigantes, realidade de modelos pequenos

A maior conferência de IA da China, todo mês de setembro, é a Apsara Conference da Alibaba Cloud, em Hangzhou. O keynote deste ano trouxe duas histórias. Uma era sobre escala: um modelo várias vezes maior do que qualquer coisa que a Alibaba já treinou. A outra, quase de passagem, era sobre um pequeno modelo aberto que os desenvolvedores realmente usam. Para o marketing na Ásia, a segunda história pode importar mais.

O que aconteceu

Segundo a Reuters, via The Standard, o CEO da Alibaba, Eddie Wu, disse em 22 de setembro que a equipe do Qwen planeja treinar um novo modelo com 5 a 10 trilhões de parâmetros, voltado a tarefas mais complexas e de horizonte mais longo. O atual carro-chefe da Alibaba, o Qwen 3.8 Max, tem 2,4 trilhões de parâmetros. Wu também disse que a equipe fez “progressos significativos” em autoaperfeiçoamento recursivo, apresentou o chip de IA Zhenwu V900, da unidade T-Head da Alibaba, com três vezes o desempenho do antecessor, e fixou a meta de a capacidade global de data centers da Alibaba Cloud superar 20 gigawatts até 2032. Ele afirmou: “A demanda de médio a longo prazo do setor supera em muito nossa capacidade de oferta.”

No texto do keynote publicado no Alizila, Wu chamou o Qwen-27B, de código aberto, de “o modelo mais popular entre desenvolvedores no mundo todo” e disse que a Alibaba continuará refinando modelos para implantação local. Ele também disse esperar que os agentes se tornem “residentes” de longo prazo da nuvem, executando tarefas de longo horizonte e consumindo capacidade computacional continuamente.

Por que isso importa

Para um profissional de marketing regional, a corrida dos trilhões de parâmetros é em grande parte um esporte para espectadores. Você vai usar esses modelos via API, se é que vai usá-los. O modelo aberto e implantável localmente é diferente. É algo que sua empresa ou seu fornecedor pode rodar na própria infraestrutura, na jurisdição que escolher, com fine-tuning nos próprios dados.

Isso importa na Ásia por razões práticas. As regras de residência de dados variam pela região. Muitas empresas não se sentem à vontade para enviar dados de clientes a uma API estrangeira. E os idiomas e as referências culturais do Sudeste e do Leste Asiático são mal atendidos por modelos ajustados principalmente em inglês. Um modelo aberto de porte médio e capaz, que possa ser adaptado localmente, resolve os três pontos.

O comentário de Wu sobre os agentes como “residentes” da nuvem é o outro sinal. Se os agentes rodam continuamente, o custo por tarefa se torna uma variável estratégica. Modelos eficientes vão executar a maior parte desse trabalho.

O que minha pesquisa diz

Defendi na Forbes que, no marketing, a técnica importa mais do que o tamanho do modelo. Um modelo menor, bem adaptado ao seu público, ao seu idioma e à sua tarefa, geralmente supera um modelo geral gigante usado sem cuidado.

Minha pesquisa também mostra por que a adaptação local importa. Em I Know Where You Are Coming From (AAAI 2020), constatamos que a rede social com a qual um modelo aprende altera sua precisão. Em Do we behave differently on Twitter and Facebook? (Frontiers in Big Data, 2022), mostramos que as pessoas expressam a personalidade de forma diferente em cada plataforma. O ponto mais amplo: o comportamento é contextual, e os modelos precisam de dados específicos do contexto para interpretá-lo corretamente. As plataformas, os idiomas e as culturas da Ásia são um contexto que um modelo treinado em outro lugar não tem automaticamente.

E modelos eficientes tornam a explicabilidade viável em escala. Em Fusing Predictive and Large Language Models (ACM TOIS 2025), combinamos a previsão de desempenho com explicações geradas por LLMs. Rodar a camada de explicação em cada criativo, todos os dias, só é realista quando o modelo de linguagem é barato o suficiente para rodar em tudo.

O que as equipes de marketing na Ásia devem fazer agora

• Teste um modelo aberto de porte médio em uma tarefa regional, como classificar posts sociais em bahasa indonésio ou tailandês, e compare-o com seu modelo atual via API em precisão e custo.
• Decida para onde seus dados podem ir. Mapeie quais dados de clientes podem ser enviados a APIs externas e quais precisam de processamento local.
• Faça fine-tuning no seu próprio contexto. Mesmo uma pequena quantidade de dados locais rotulados pode melhorar sensivelmente o tom e a precisão.
• Planeje-se para agentes sempre ativos. Estime o custo computacional de monitoramento e relatórios contínuos e escolha os modelos de acordo.
• Acompanhe a fronteira sem depender dela. Use os maiores modelos onde eles claramente agregam valor e os eficientes em todo o resto.

A manchete de Hangzhou foi um número com doze zeros. A notícia prática para o marketing foi que bons modelos pequenos continuam melhorando e podem ficar mais perto dos seus clientes.

Perguntas frequentes