Entendendo os modelos · Capítulo 8 de 8
Escolher um modelo para um agente
Escolher um modelo é descartar os que falham em um limite rígido e depois pesar capacidade, velocidade, preço por tarefa, contexto e confiabilidade com ferramentas para o trabalho de um agente.
Objetivos
- Escolha um agente para o qual escolher um modelo.A fazer
- Aplique os limites rígidos dele e veja quais modelos saem.A fazer
- Pese o que sobrou, ordene e calcule o preço de um mês de trabalho.A fazer
- Passe na verificação.A fazer
Passo 1 de 4: A leitura
O que serve, não o melhor
Não existe o melhor modelo, só o que melhor serve ao trabalho de um agente. Escolher leva duas passadas. Primeiro vêm os limites rígidos: necessidades sem as quais o agente não funciona. Um modelo que falha em um deles sai, por mais forte ou barato que seja. Depois você pesa o que sobrou: decide quanto cada qualidade importa para esse trabalho e ordena os modelos por isso.
Limites rígidos
Modalidade: os tipos de entrada e saída que um modelo trata, como texto, imagens ou som. Janela de contexto: quantos tokens ele lê de uma vez, como no capítulo 2. Política de dados: se o provedor pode treinar os modelos dele com o que você envia, e a retenção, por quanto tempo ele guarda isso. Região: onde os seus dados são processados; algumas regras, como as da UE, se importam com o lugar. Licença e acesso: o que você pode fazer com um modelo e quem pode usá-lo. Pesos abertos também podem rodar na sua própria máquina, até sem internet.
O que você pesa
Capacidade: quão bem ele faz o trabalho. Benchmarks, como no capítulo 7, ajudam quando as tarefas deles são parecidas com as suas, mas a sua própria avaliação diz mais: algumas dezenas de tarefas reais do trabalho, pontuadas por você. Latência: quanto você espera por uma resposta; pensar mais costuma dar respostas melhores e esperas mais longas.
Preço por tarefa: quanto custa uma tarefa concluída. Um agente chama o modelo várias vezes por tarefa, e cada chamada é um turno, cobrado pelos tokens de entrada e de saída. Um preço por token baixo ainda pode dar uma tarefa cara. Confiabilidade nas chamadas de ferramenta: com que frequência o modelo chama ferramentas corretamente, com as entradas certas. Limites de requisições: quantas requisições e tokens um provedor aceita por minuto.
No visual
Você escolhe um de quatro agentes. Os limites rígidos dele removem modelos, as suas prioridades ordenam o resto e uma calculadora transforma preços de tabela reais em uma conta mensal. Depois, uma resposta comentada mostra do que a escolha dela abre mão. Os agentes e o tamanho das tarefas deles são inventados. Os modelos, preços, janelas de contexto, entradas, licenças e pontuações são reais, de um levantamento de 2026-11-03. O levantamento não tem regiões e só alguns termos de dados, então alguns limites dizem “Verificar”; ele não tem velocidades nem limites de requisições, então isso você testa por conta própria.
Passo 2 de 4: Experimente: Escolha um modelo para este agente
Escolha um modelo para este agente
Escolha um agente, aplique os limites rígidos dele um por um, pese o que sobrou e calcule o preço de um mês de trabalho; depois compare com uma resposta comentada.
Modo:RealSimuladoReal: os modelos e os preços de tabela, janelas de contexto, entradas, tamanhos, uso de ferramentas e licenças deles, os termos de dados do Google e da Meta por plano e as pontuações da Artificial Analysis, em um levantamento de 2026-11-03; os preços por tarefa e a ordem são calculados a partir deles nesta página. Simulado: os quatro agentes, os limites e o tamanho das tarefas deles e as respostas comentadas são inventados para este capítulo, e nenhum modelo roda nesta página.
Passo 3 de 4: Verificação
Verificação
Próximo: Pergunta 2 de 3
Passo 4 de 4: O que você já sabe fazer
O que você já sabe fazer
- Separar os limites rígidos que removem um modelo das qualidades que você pesa.
- Calcular um preço por tarefa e por mês a partir de tokens, turnos e preços de tabela.
- Ordenar uma lista curta pelo que importa para um agente e dizer do que a escolha abre mão.
- Apontar o que a página de um modelo não consegue dizer e testar isso na sua própria avaliação.