O melhor modelo para um trabalho quase nunca é o melhor modelo no ranking.
No mundo da IA, o Natal acontece mais ou menos uma vez por semana. Um novo modelo é lançado, todo mundo fica olhando para os mesmos gráficos de benchmark com falsa precisão, e todos concordamos que é a melhor coisa desde o pão de forma, até a semana seguinte, quando fazemos tudo de novo.
Mas nenhum desses gráficos responde à única pergunta que importa. O modelo consegue, de fato, executar seu briefing diário ou enviar um orçamento para um cliente? Na Hyperagent, damos a você acesso a todos esses modelos com um agente de primeira linha. Então, nós mesmos os testamos. Quatorze modelos, quarenta e duas execuções, no trabalho de conhecimento real que nossos clientes entregam aos agentes todos os dias. Três coisas se destacaram.
- A conta variou 50x no mesmo trabalho. A mesma bateria de testes custou US$ 1,48 no Qwen 3.7 Plus e US$ 75,16 no Fable 5.
- O vencedor do benchmark não foi o vencedor no trabalho. O GPT 5.6 Sol liderou nossos testes de base, mas não ficou entre os três primeiros quando estava executando tarefas reais dentro da Hyperagent. O Grok 4.5 ficou no meio do pelotão nos testes de base e saiu em primeiro lugar em trabalho finalizado, velocidade e custo.
- E nenhum modelo venceu em tudo. A escolha certa mudava de acordo com a tarefa.
A conclusão não é um novo modelo favorito. É uma maneira de decidir, tarefa por tarefa, qual deles vale o seu custo.
O mapa de modelos de IA para o trabalho de conhecimento
Cada tarefa que você entregaria a um agente se resume a duas perguntas: quanto julgamento ela exige e com que frequência ela é executada? Trace esses dois eixos, e o trabalho de conhecimento se divide em quatro territórios, cada um querendo um tipo diferente de modelo.
Trabalho de volume (canto superior esquerdo). Triagem, monitoramento, roteamento, sincronização de dados. Procedimento claro, execução constante, e um erro é barato de corrigir. Este trabalho quer algo rápido e barato.
O ofício diário (canto superior direito). Redação, relatórios, pesquisa, comunicação com clientes. O trabalho de conhecimento recorrente que preenche a maior parte da semana – precisa de síntese real e uma boa voz de escrita, feito de forma confiável e frequente.
Alto risco (canto inferior direito). Revisão de contratos, decisões de preços, análises aprofundadas. Raro, mas uma resposta errada custa um cliente, um contrato ou a margem de um trimestre. É aqui que o lado negativo supera a conta do modelo, e onde os modelos mais caros ganham sua taxa.
Não otimize (canto inferior esquerdo). A solicitação ocasional e simples onde qualquer modelo capaz supera a barreira e a diferença de preço é pequena demais para merecer uma decisão. É o único quadrado no mapa onde dizemos às pessoas para não pensar.
As três classes de modelos
Três classes de trabalho emergem do mapa. Elas descrevem a economia e o perfil de julgamento do trabalho, em vez de classificar um modelo como bom ou ruim.
Velocistas são construídos para trabalho de volume – rápidos, baratos e consistentes quando o procedimento é claro e um erro é fácil de corrigir. Haiku 4.5, Gemini 3.5 Flash e DeepSeek V4 Pro.
Pesos-médios executam o ofício diário. Eles sintetizam fontes, seguem um plano de várias etapas e escrevem bem sem cobrar taxas de primeira linha por cada relatório. Sonnet 5, GPT 5.6 Terra, Grok 4.5 e GLM 5.2 – onde a maior parte do trabalho de conhecimento pertence.
Pesos-pesados assumem as chamadas de alto risco, trazendo julgamento mais forte e mais tempo de raciocínio para trabalhos onde uma resposta errada custa muito mais do que a conta do modelo. Opus 4.8, GPT 5.6 Sol e Fable 5.
O instinto que a maioria das pessoas tem é começar pelo alto e descer – executar tudo em um Fable 5 ou Opus 4.8, obter a saída desejada, depois tentar modelos mais baratos até que a qualidade caia. Funciona, mas descobrimos que a maioria dos trabalhos não precisa disso. Depois que você consegue nomear o trabalho e colocá-lo no mapa, geralmente pode começar na classe certa desde o início. Para o ofício diário, que é a maior parte do que você faz, isso significa começar com um peso-médio sólido como o Sonnet 5. Você só recorre à busca de cima para baixo quando um trabalho está genuinamente no extremo de alto risco.
O campo é mais amplo que Claude, GPT e Gemini
A maioria das equipes usa como padrão o punhado de nomes de modelos que já conhecem. É um ponto de partida razoável, mas deixa grande parte do elenco intocada – e alguns dos modelos que fazem o trabalho mais útil na Hyperagent não são nomes conhecidos. Estas são nossas impressões operacionais da bateria de testes e do uso diário, além do trabalho que vimos os clientes executarem.
Grok 4.5 é pesquisa rápida em tempo real. Ele se move rapidamente por pesquisas com muitas ferramentas e teve um desempenho especialmente bom quando combinado com a Exa Search nativa da Hyperagent. Ele também tem uma linha direta nativa para o X, então uma pergunta sobre sentimento ao vivo pode retornar com as postagens reais por trás da resposta. Liderou nossa pontuação de trabalho finalizado a US$ 9,71 para a execução completa.
Muse Spark 1.1 escreve de forma limpa e se verifica. Terminou em segundo lugar no teste, e nossa impressão inicial é de uma prosa concisa e bem estruturada, com um hábito útil de auditar seu próprio trabalho antes de entregá-lo. Ainda é novo, então começaríamos com tarefas diárias supervisionadas antes das longas não supervisionadas.
Kimi K2.6 é pesquisa aprofundada a um preço de modelo aberto. Ele executa pesquisas em paralelo e traz as evidências de volta para uma única resposta sem cobrar taxas de modelo principal, o que o torna um especialista em pesquisa forte. Seu único limite real é o tamanho do documento, com uma janela de contexto que chega a 256.000 tokens.
GLM 5.2 é a escolha de valor. Ele chegou surpreendentemente perto dos pesos-médios fechados em pesquisa de rotina, redação e trabalho com documentos longos por cerca de um terço do preço, e sua prosa está entre as mais fortes fora do Sonnet e Opus. Tornou-se um motor diário para grande parte da equipe Hyperagent.
Qwen 3.7 Plus é o trabalhador de tela. É particularmente bom em encontrar botões, campos e menus em páginas renderizadas, e é barato para extração estruturada – produziu a execução completa de menor custo em nossa bateria de testes. Recorra a ele quando o trabalho for lidar com uma interface ou mover dados, não quando a voz for importante.
DeepSeek V4 Pro é análise estruturada a um custo muito baixo. É mais forte em reconciliação, limpeza de dados, trabalho numérico programado e tarefas estruturadas semelhantes. Sua escrita é literal e concisa, o que serve bem para explicações internas e mal para prosa voltada para o cliente. Um especialista, e muito econômico.
Alocando seus agentes sempre ativos ao preço certo
Steve Juba dirige uma empresa de viagens com seis pessoas. Ele construiu um agente de briefing conectado a oito fontes de dados ao vivo que é executado várias vezes ao dia, e reduziu sua coleta de contexto matinal de mais de três horas em oito abas para quinze minutos.
Um agente como este lê muito mais do que escreve e faz o mesmo trabalho centenas de vezes por ano, então uma pequena diferença de preço por execução deixa de ser um erro de arredondamento e se torna uma linha de orçamento real. Considere um briefing que lê 100.000 tokens e escreve 2.000 todos os dias. Aos preços de tabela de julho de 2026, esse formato de trabalho custa aproximadamente:
- US$ 16 por ano no Qwen 3.7 Plus (velocista)
- US$ 38 por ano no Kimi K2.6 (peso-médio)
- US$ 40 por ano no Haiku 4.5 (velocista)
- US$ 80 por ano no Sonnet 5 (peso-médio)
As opções de peso aberto mudam a matemática para trabalhos com muita leitura como este. O Kimi K2.6 faz pesquisa e síntese de qualidade de peso-médio por US$ 38 neste trabalho – menos da metade do Sonnet 5, e aproximadamente o mesmo que executar o velocista Haiku. Você não está trocando julgamento por custo; está recebendo trabalho de peso-médio por dinheiro de velocista. Se o trabalho fosse pura extração sem julgamento, o Qwen o executaria por US$ 16 – mas no momento em que precisa de síntese real, o Kimi oferece isso por um preço próximo.
Troque o modelo, mantenha o agente
Nada disso importa se trocar de modelos significar reconstruir o agente. Dentro da Hyperagent, isso não acontece, porque o modelo é apenas uma configuração e a função está acima dele. Mude o modelo e o agente mantém tudo o que o torna útil:
- Suas instruções e escopo
- Suas habilidades, scripts e procedimentos de trabalho
- Sua memória de correções
- Seus arquivos de referência e contexto da empresa
- Suas conexões com os sistemas onde o trabalho reside
- Suas rubricas para avaliar a qualidade
Isso transforma a escolha do modelo em um teste, em vez de uma migração. O mesmo agente pode executar o mesmo trabalho em dois modelos sem ser reconstruído, então você pode encontrar o mais barato que atenda ao seu padrão, em vez de adivinhar.
Isso também permite que a parte cara de um fluxo de trabalho difícil se pague uma vez. Quando um trabalho precisa genuinamente disso, use um modelo mais pesado para projetar e depurar o fluxo de trabalho – depois codifique o procedimento como uma habilidade para que um peso-médio ou velocista possa executá-lo todos os dias por uma fração do custo.
Há um custo oculto a ser observado, no entanto. Um modelo mais barato com uma conta baixa não é barato se cada saída precisar de correção – o tempo de revisão humana e o custo de um erro fazem parte do preço real. Chame isso de imposto de revisão. Ele define o piso de quão leve você pode ir. O que é diferente na Hyperagent é que a revisão não é apenas paga, ela se acumula: à medida que o agente aprende com suas correções através da memória, esse esforço de revisão é capturado pelo sistema e produz um agente melhor na próxima execução.
Os clientes já alocam agentes dessa forma. Ankit Das construiu uma operação de marketing com um Orquestrador de Crescimento no Sonnet 5 tomando as decisões de julgamento e oito especialistas de canal no GLM 5.2 produzindo o trabalho de canal recorrente, com agentes de QA separados verificando a conformidade da marca e a qualidade da escrita – todos iniciados a partir de um único tópico. Eli Weiss descreve sua divisão de forma mais simples: aproximadamente 85% Sonnet e 15% Opus em suas habilidades e rotinas. A maior parte do trabalho é executada no motor diário; Opus fica com o conjunto menor de tarefas onde o julgamento extra vale seu custo.
Esse é o valor prático da escolha de modelos dentro da Hyperagent. Gaste deliberadamente em todo o trabalho e reserve os dólares extras para as tarefas onde o julgamento extra muda o resultado.
Escolha o modelo depois de escolher o trabalho
Use esta sequência em um agente que você já executa:
- Nomeie o trabalho. "Preparar o relatório do cliente de segunda-feira" é mais útil do que "ajudar com relatórios".
- Coloque-o no mapa. Decida quanto julgamento ele precisa e com que frequência será executado.
- Comece onde o mapa o coloca. Para a maioria dos trabalhos, isso é um peso-médio capaz – use-o até entender os casos extremos do trabalho e codificar o processo em habilidades.
- Teste uma classe mais leve por cinco execuções reais. Mantenha as instruções, habilidades, memória, fontes e rubrica inalteradas.
- Compare o custo total. Acompanhe a qualidade finalizada, consistência, tempo, erros factuais, conta do modelo e tempo de revisão humana.
- Escalone propositalmente. Traga um peso-pesado quando o fardo da revisão ou o custo de uma resposta errada exceder o prêmio do modelo.
- Use um modelo diferente para revisar trabalhos importantes. O modelo que cometeu o erro é muitas vezes o menos provável a vê-lo.
Mantenha o modelo menos caro que atenda consistentemente ao seu padrão. Depois, gaste a diferença nas chamadas que merecem.
