TokenRhythm lança NeoHorse-1.5-Flash e pressiona mercado de agentes de IA — startups brasileiras de software precisam reavaliar stack

A TokenRhythm, plataforma chinesa multimodelo de agentes de IA, lançou em 5 de novembro o NeoHorse-1.5-Flash Preview, modelo nativo de Agent treinado sobre o Qwen3.8-Flash, com 180 bilhões de parâmetros totais e 6 bilhões ativados. Segundo a empresa, o modelo superou a base em 9,23 pontos no benchmark Agents' Last Exam e em 5,92 pontos no Natural Language to Repository, com ganhos acima de 20 pontos em tarefas de ciências físicas. O acesso está restrito a testes internos via canal oficial no WeChat. O lançamento é a segunda rodada do mecanismo que a empresa chama de RSI (melhoria recursiva de si mesmo), no qual o modelo anterior é recolocado no pool para coletar feedback real e orientar o treinamento seguinte.

O NeoHorse-1.5-Flash Preview foi treinado com base no Qwen3.8-Flash e tem 180 bilhões de parâmetros totais, dos quais 6 bilhões são ativados por inferência — arquitetura típica de modelos esparsos que buscam equilibrar custo e desempenho. O foco declarado é execução de tarefas de Agent e engenharia de software. A empresa divulgou comparativo contra o modelo base: +9,23 pontos no Agents' Last Exam e +5,92 pontos no Natural Language to Repository, com destaque para tarefas de ciências físicas (melhoria superior a 20 pontos) e avanços em ferramentas de desenvolvimento, testes, desenvolvimento Web, autenticação de segurança e criptografia. O acesso está aberto apenas para testes internos limitados, mediante solicitação pelo canal oficial da TokenRhythm no WeChat.

O lançamento é a segunda rodada do que a TokenRhythm chama de RSI, ou melhoria recursiva de si mesmo. Após o NeoHorse-1, de setembro, a empresa recolocou o modelo da geração anterior no pool de modelos, coletou feedback de execução em tarefas reais e usou essas experiências para treinamentos subsequentes. A escala de treinamento também subiu: do primeiro ciclo, com modelos de 4B e 9B parâmetros, para o nível Flash. A trajetória se apoia na plataforma multimodelo TokenRhythm e no produto de Agent de código aberto OpenSquilla. O sistema de roteamento fornece sinais de demanda de capacidade, e a fusão multimodelo permite que vários modelos de ponta processem a mesma tarefa, gerando resultados comparáveis. As diferenças entre o NeoHorse e esses resultados são usadas para identificar deficiências, definir a direção do treinamento e convertê-las em sinais de aprendizado.

No dia seguinte ao lançamento do modelo, a TokenRhythm atualizou o OpenSquilla. A nova versão seleciona o nível do modelo conforme a intenção da tarefa, mantém o nível original ao continuar a tarefa e eleva o nível gradualmente ao refazê-la. Também passou a suportar atualização independente das soluções recomendadas do TokenRhythm e do OpenRouter, permitindo que usuários vejam diferenças e confirmem a aplicação sem atualizar o cliente. A configuração recomendada foi ajustada com base no ranking de modelos de novembro, de modo que a seleção no lado da execução acompanhe continuamente os resultados das avaliações.

Em torno do treinamento RSI, a equipe propôs três tecnologias: diagnóstico diferencial multimodelo, evolução adversarial de ambiente e aprendizado online de inteligência coletiva, correspondendo respectivamente a diagnóstico de capacidade, colapso de distribuição e eficiência de iteração. O motor de evolução de ambiente gera e filtra continuamente novas tarefas; o aprendizado online de inteligência coletiva usa as diferenças entre as saídas do modelo e os resultados de fusão para treinamento, aproveitando informações comparativas geradas no framework de execução para otimização subsequente. A demonstração pública mostrou diferenças em tarefas específicas: em uma página web de tabelas, algumas células de cálculo geradas pelo modelo base apresentaram erros de fórmula, enquanto o novo modelo exibiu entrada de fórmulas, resultados de cálculo e mais funções interativas. O material de lançamento também listou casos de geração de gráficos, cálculos de física quântica e solução de parâmetros de montagem de robôs, examinando a conclusão do modelo nas etapas de cálculo, verificação e entrega.

Para o leitor brasileiro, o impacto direto é indireto, via custo e disponibilidade de ferramentas de agentes de IA para desenvolvimento de software. O Brasil tem um ecossistema relevante de startups SaaS, integradoras e empresas de automação corporativa que dependem de APIs de modelos estrangeiros — principalmente OpenAI, Anthropic e Google — e de modelos abertos como Qwen e Llama. Um modelo chinês com foco em engenharia de software, preço competitivo e licenciamento aberto tende a pressionar para baixo o custo de agentes de código no mercado global, incluindo o brasileiro. Setores como fintechs, healthtechs e empresas de logística que automatizam back-office com agentes de IA serão os primeiros a sentir a mudança de preço. O regulador brasileiro com papel aqui é a ANPD (Autoridade Nacional de Proteção de Dados): empresas que adotarem modelos chineses precisam avaliar transferência internacional de dados e conformidade com a LGPD, especialmente se o processamento ocorrer fora do Brasil.

Os dados mostram que a TokenRhythm está seguindo um roteiro de iteração rápida, com ciclos de lançamento de cerca de dois meses e uso do próprio produto em produção para gerar dados de treinamento. Na leitura do CBI, isso indica que a competição no segmento de agentes de código deve se intensificar no primeiro semestre de 2026, com modelos chineses ganhando espaço em nichos de engenharia de software e tarefas técnicas. A comparação com o ciclo anterior — NeoHorse-1, de setembro — sugere que a empresa está priorizando escala de treinamento e feedback de execução real, não apenas benchmarks sintéticos. Para startups brasileiras, a janela de diferenciação via custo de inferência deve se estreitar; a vantagem competitiva migra para integração vertical, dados proprietários e conformidade regulatória.

O que acompanhar: primeiro, a data de abertura do acesso público ou via API do NeoHorse-1.5-Flash, que deve definir quando empresas brasileiras poderão testá-lo em produção. Segundo, o comportamento de preço de modelos concorrentes — OpenAI, Anthropic e Google — nas próximas semanas, que indicará se haverá guerra de preços em agentes de código. Terceiro, a evolução do OpenSquilla como produto de código aberto, que pode se tornar alternativa viável para integradoras brasileiras que não querem depender de APIs proprietárias.