Um novo estudo da Universidade de Stanford sugere que modelos linguísticos pequenos (SLMs) executados em PCs locais estão igualando ou superando modelos linguísticos grandes (LLMs) na maioria das tarefas. A pesquisa comparou QWEN 3, GEMMA 3, GPT-OSS e GRANITE 4.0 em chips Nvidia e Apple M4 contra ChatGPT 5, Claude Sonnet 4.5 e Gemini 2.5 Pro baseados em nuvem. Em tarefas de bate-papo, o melhor SLM igualou ou superou o desempenho do LLM em 98,6% dos casos.
Para tarefas de raciocínio, os SLMs atingiram 62,5% de paridade. Combinados, os SLMs performaram tão bem ou melhor em 81,2% dos cenários do mundo real. Os SLMs também custam 50-85% a menos em energia e computação.
As taxas de sucesso dos SLMs melhoraram de ~50% em 2023 para 99% em tarefas fáceis em outubro de 2025, embora ainda estejam atrasados no raciocínio complexo de nível 5 (51,5%). O estudo estima o mercado de SLMs nos EUA em 10 trilhões de dólares, ameaçando os investimentos em centros de dados dos hyperscalers e potencialmente reduzindo a demanda por chips avançados.
Fonte: Hacker News · Resumido por HeadlinesBriefing