Se um modelo pode raciocinar em tempo de pensamento em vez de tamanho de cérebro, todo o jogo de escalonamento muda. Essa é a aposta silenciosa escondida nos vazamentos sobre o Astra, o próximo modelo da OpenAI: uma arquitetura de “profundidade recorrente” que reutiliza a mesma camada de rede várias vezes antes de emitir o próximo token.
Não é um Transformer maior. É um Transformer que faz loops. Em vez de montar 100 estações separadas em uma linha de produção, dizem que o Astra coloca um mestre de ofício em uma única bancada e o deixa retrabalhar os dados no lugar, até que estejam prontos.
O que a profundidade recorrente realmente faz
LLMs padrão processam um prompt em uma passagem linear fixa: os tokens fluem por uma pilha fixa de camadas, aproximadamente uma vez, e então o modelo gera a próxima palavra. A profundidade recorrente quebra isso. A entrada passa em loop por um bloco de componentes matemáticos fundidos várias vezes, e só então produz um token.
O resultado é um mecanismo de reutilização de parâmetros: você troca computação (tempo) por parâmetros (espaço). Um modelo pequeno pode se comportar como um muito maior no momento da inferência, com custos de memória e largura de banda muito mais baixos.
A comunidade técnica já conectou os pontos a uma linha aberta de pesquisa. Um artigo de 2025 (Scaling up Test-Time Compute with Latent Reasoning: A Recurrent Depth Approach) treinou um modelo de 3,5 bilhões de parâmetros e, ao aumentar a contagem de loops internos no momento do teste, efetivamente deslocou seu orçamento de computação para o de um modelo próximo de 50 bilhões de parâmetros. O modelo não cresceu; sua profundidade de pensamento cresceu.
Essa troca tem um limite nítido: quando rodadas extras compoundam erros em vez de compensar, mais pensamento pode deixar um modelo recorrente pior. Os dois lados do loop importam.
A leitura: o pensamento está voltando para dentro do modelo
A parte mais interessante não é o ajuste no Transformer. É a direção que ele compartilha com trabalhos de raciocínio latente da Meta, Microsoft e outros.
Por dois anos, a indústria forçou os modelos a expor o Chain-of-Thought em linguagem humana legível. A nova onda é o oposto: deixar o modelo raciocinar em sua própria representação matemática contínua e pular a tradução de cada etapa intermediária em palavras. O LOTUS da Microsoft, por exemplo, combinou transformers com loops e raciocínio latente e igualou o CoT explícito na escala de 3B, enquanto comprimia a latência da fase de pensamento em 2,5–6,9×.
A mensagem é estrutural: estamos migrando de um raciocínio que o modelo narra para um raciocínio que o modelo executa. Melhor não é o único motivo. Não narrar também é mais rápido e mais barato.
Por que isso é uma inflexão da indústria, não um lançamento de modelo
Três forças tornam isso relevante além de um único produto.
O capital precisa de uma justificativa. Neste ano, Amazon, Microsoft e Alphabet estão comprometendo cerca de US$ 600 bilhões em capex de datacenters, a ponta afiada de uma concentração mais ampla de computação de IA. Esse gasto exige uma narrativa em que a qualidade dos modelos continue saltando exponencialmente. A profundidade computacional oferece exatamente essa narrativa: qualidade que escala com tempo e eletricidade, não apenas com a quantidade de GPUs.
A competição é real. A Anthropic teria superado a OpenAI em receita no 2º trimestre (≈US$ 11,6 bilhões vs ≈US$ 6,7 bilhões). A OpenAI precisa de uma prova de que o “próximo modelo” vale a queima de caixa, e sua iniciativa de silício próprio faz parte da mesma equação de custos. A primeira vitória divulgada do Astra é forte: dizem que sua versão interna resolveu dez problemas de matemática/CS sem solução há mais de uma década — incluindo a primeira construção explícita de um grupo não-Sofic — com provas formalizadas como certificados Lean, a um custo de computação de aproximadamente US$ 2.000 nas tarifas atuais de API.
A segurança é o contrapeso. A profundidade recorrente pode ocultar grande parte ou todo o processo de raciocínio. A cadeia de pensamento da qual reguladores e pesquisadores dependem para auditar um modelo se torna ilegível. Esse é o ponto crucial: o mesmo mecanismo que torna os modelos mais baratos e inteligentes os torna mais difíceis de inspecionar, e isso acontece justamente quando o próprio CEO da OpenAI pisa no freio publicamente por considerar o Astra “capacitado demais”.
Como ler isso como uma decisão
Isto ainda não é uma arquitetura oficial — é o reportagem do The Information baseada em relatos de internos. Trate os detalhes como indicativos de direção, não como definitivos.
- Para equipes que compram inferência: acompanhe isso como um sinal de custo. Se a profundidade computacional se generalizar, a heurística de procurement “maior é melhor” enfraquece; fornecedores de eficiência e apostas em APIs de modelos de fundação pequenos ganham mais credibilidade.
- Para quem avalia a segurança de modelos: espere que a lacuna de auditoria seja o próximo ponto de atrito regulatório. “Raciocínio em caixa-preta” se tornará uma preocupação de primeira classe para os consumidores, e os orçamentos de interpretabilidade precisarão se adaptar a loops internos opacos.
- Para o seu modelo mental de escalonamento: pare de enquadrar o progresso como “mais parâmetros”. A fronteira ativa agora atravessa arquitetura e computação no tempo de inferência. A pergunta útil não é quão grande é um modelo, mas quanto ele consegue pensar antes de responder.
A profundidade recorrente é a ilustração mais clara até agora de que a era da pura curva de parâmetros pode estar terminando — e a era da computação-tempo trocada está começando.
