Opus 4.6, GPT-5.3-Codex, Seedance 2.0: o que muda?

Se você acompanha o ecossistema de IA, sabe que toda semana chega um punhado de novidades. Mas as que saíram no episódio 234 do LWiAI podcast merecem atenção de verdade: Opus 4.6, GPT-5.3-Codex, Seedance 2.0 e GLM-5. Não é barulho de hype: são lançamentos que tocam em pontos sensíveis de quem opera modelos no dia a dia. Vou dissecar cada um pelo viés de quem constrói, testa e paga a conta.

O fato: o que foi anunciado

Opus 4.6 é uma atualização do modelo da Anthropic, com promessa de melhor raciocínio e menor custo por token. GPT-5.3-Codex é a versão focada em código do GPT da OpenAI, com suporte a contexto de 128k tokens e taxas de acerto melhores em tarefas de programação. Seedance 2.0 é uma plataforma de geração de vídeo concorrente da Sora, agora com resolução 4K e controle fino de estilo. GLM-5 é o modelo multimodal da Zhipu AI, focado no mercado chinês, mas com impacto global em custo e abertura.

Como funciona: visão de operador

Vamos por partes. Opus 4.6, segundo benchmarks, reduz custo de inferência em 30% em relação ao Opus 4.5, mantendo qualidade similar. Na prática, se você usa a API da Anthropic para tarefas de análise de documentos longos, isso pode cortar sua conta mensal de US$ 500 para US$ 350. Mas cuidado: o modelo parece usar técnicas de speculative decoding, que podem introduzir latência extra em requisições concorrentes. Teste com carga real antes de migrar.

GPT-5.3-Codex é um modelo especializado. A OpenAI separou a versão para código do GPT-5 generalista, o que indica otimizações na arquitetura (possivelmente MoE com experts dedicados a linguagens de programação). O contexto de 128k tokens permite processar repositórios inteiros de uma vez. O custo por token é mais alto que o GPT-4o, mas se ele reduzir o tempo de debugging, pode valer a pena. Minha sugestão: use para revisão de pull requests e geração de testes unitários; para chatbots, não compensa.

Seedance 2.0 usa um modelo de difusão latente com escalonamento temporal. A promessa é de vídeos consistentes por até 60 segundos, com resolução 4K. Isso exige hardware pesado: estimo que cada segundo de vídeo custe cerca de US$ 0,50 em GPU (A100). A competição com Sora é direta, mas Seedance aposta em controle granular de cena (ângulo de câmera, movimento de objetos). Se você precisa de vídeos publicitários com marca específica, é uma alternativa viável. Mas para uso pessoal, o custo ainda é proibitivo.

GLM-5 é multimodal (texto, imagem, áudio) e vem com uma licença mais permissiva que os modelos americanos. A Zhipu AI treinou em dados predominantemente chineses, o que pode enviesar respostas em português. Mas se seu público é global, pode ser um modelo de backup barato. A API custa metade do GPT-4o, mas a latência é maior (média de 2s contra 0,8s). Útil para tarefas assíncronas.

O que isso muda na prática

• Se você mantém uma esteira de CI/CD com análise de código, troque para GPT-5.3-Codex e ajuste seus prompts para abusar do contexto longo. Isso pode reduzir falsos positivos em revisões.
• Equipes de marketing que produzem vídeo devem testar Seedance 2.0; prepare um orçamento extra de GPU e um processo de validação de consistência visual.
• Quem opera chatbots multilíngues pode usar GLM-5 como fallback para respostas em português, mas precisará de um filtro de toxicidade adicional.
• Se você usa Opus para sumarização, migre para 4.6 com calma: execute uma semana com tráfego espelhado antes de cortar a versão anterior.

Tensão: isso escala?

Opus 4.6 corta custo, mas a Anthropic pode ter sacrificado a confiabilidade em cenários de borda. Vi relatos de inconsistência em respostas de múltiplas etapas. O GPT-5.3-Codex é bom, mas se você depende de modelos abertos para evitar lock-in, ele não resolve seu problema. Seedance 2.0 é impressionante, mas o custo de inferência ainda impede adoção em massa. GLM-5 é barato, mas o viés cultural chinês pode ser um problema em mercados sensíveis. Nenhum desses lançamentos resolve o gargalo fundamental: o custo de computação ainda limita o que podemos fazer com IA generativa. Eles só empurram o limite um pouco mais longe.

Conclusão

Opus 4.6, GPT-5.3-Codex, Seedance 2.0 e GLM-5 mostram que a corrida de modelos está acelerando, mas o custo real ainda é alto. A pergunta que fica: sua stack atual aguenta mais um fork de modelo, ou você vai precisar reavaliar a arquitetura do zero? Enquanto decide, teste um deles em um pipeline não crítico e meça o custo por tarefa concluída. Fonte original: LWiAI Podcast #234.