Interfaze supera GPT e Gemini em tarefas determinísticas

O problema de usar LLMs para tarefas determinísticas

Você já tentou extrair dados de um PDF de 50 páginas com um modelo de linguagem? O custo em tokens é alto, a latência incomoda, e a acurácia muitas vezes deixa a desejar. Transformers são ótimos para nuances e raciocínio complexo, mas para tarefas como OCR, detecção de objetos ou tradução bit a bit, eles são ineficientes. Erram como humanos — e isso é caro em escala.

Interfaze é uma nova arquitetura que promete resolver isso. Ela não substitui LLMs, mas os complementa em tarefas onde precisão e custo baixo são prioridade.

O que a Interfaze fez

A Interfaze lançou um modelo que combina redes neurais convolucionais (CNN) com transformers em um espaço vetorial compartilhado. O resultado: supera Gemini-3-Flash, Claude-Sonnet-4.6, GPT-5.4-Mini e Grok-4.3 em nove benchmarks head-to-head, incluindo OCRBench V2, RefCOCO, VoxPopuli (STT) e SOB (saída estruturada). Os testes cobrem OCR, visão, fala e extração estruturada — exatamente o tipo de tarefa onde LLMs genéricos sofrem.

O modelo é otimizado para velocidade e baixo custo, com preço de $1,50 por milhão de tokens de entrada e $3,50 por milhão de saída — similar ao Gemini-3-Flash. O caso de uso principal, segundo os criadores, é OCR em imagens e PDFs longos e complexos.

Como funciona: arquitetura híbrida sob o capô

A Interfaze não é um Transformer puro nem uma DNN pura. Ela usa um encoder CNN especializado para tarefas visuais e de extração — como OCR, detecção de objetos — e conecta isso a camadas de transformer que lidam com contexto e tradução. O truque está no espaço vetorial compartilhado: a saída do encoder CNN (bounding boxes, scores de confiança, features) alimenta diretamente o transformer, que pode então raciocinar sobre esses dados estruturados.

Na prática, isso significa que o modelo consegue, por exemplo, extrair uma data de nascimento de um passaporte com bounding box e confiança, e também calcular a idade da pessoa — algo que uma CNN pura não faria. O custo de servir é baixo porque as partes determinísticas são eficientes (CNNs são mais leves que transformers enormes), e o transformer só entra quando necessário para contexto ou transformação.

Do ponto de vista de API, você manda uma requisição padrão com imagem ou áudio, e recebe JSON estruturado com bounding boxes, texto extraído e confiança. A latência prometida é baixa, mas ainda não vi números oficiais em produção.

O que isso muda na prática

Se você trabalha com automação de documentos, extração de dados de faturas, legendagem de vídeos ou qualquer tarefa que exija acurácia em escala, a Interfaze pode ser um upgrade real. Você não precisa mais escolher entre um modelo especializado (barato, mas inflexível) e um LLM genérico (caro e sujeito a alucinações).

Quem ganha? Equipes de engenharia que precisam orquestrar pipelines de dados. Quem perde? Provedores de OCR tradicionais e empresas que vendiam soluções proprietárias caras. Uma ação prática: se você usa Gemini Flash ou GPT Mini para extração estruturada, teste a Interfaze no SOB (Structured Output Benchmark) — eles liberaram o benchmark publicamente.

Mas isso escala? O custo compensa?

Aqui vem a tensão. A Interfaze é boa nos benchmarks, mas benchmarks são ambientes controlados. Em produção, com PDFs escaneados de baixa qualidade, áudio com ruído, ou documentos com layouts inesperados, a acurácia pode cair. Além disso, o modelo é novo — ecossistema pequeno, documentação limitada, e integração com ferramentas como LangChain ou processamento em lote ainda é imatura.

Outro ponto: o custo de manter modelos híbridos. CNNs precisam de dados de treino muito específicos. Se a Interfaze for retreinada para novas tarefas, o custo de engenharia pode ser alto. A empresa afirma que o modelo é flexível, mas ainda não vi casos de uso fora de OCR.

No fim, a pergunta real: isso resolve o gargalo ou só move o problema para outra camada? Para tarefas determinísticas, parece promissor. Mas para qualquer coisa que exija nuance — entender sarcasmo, gerar código criativo — os LLMs continuam reinando.

Conclusão

Interfaze não é um substituto para GPT ou Claude. É uma ferramenta especializada que preenche um espaço ignorado: alta acurácia em tarefas determinísticas com custo baixo. Se você está cansado de pagar caro por extração de dados com LLMs, vale o teste. Mas antes de jogar toda a sua pipeline nela, lembre-se: benchmarks são só o começo.