Em 2 de setembro de 2026, a Multiverse Computing, empresa sediada em San Sebastián, Espanha, lançou o Quasar 438B, seu primeiro grande modelo de inteligência artificial, com 438 bilhões de parâmetros. O produto foi desenhado para tarefas de raciocínio, uso de ferramentas e codificação, aproximando o modelo de fluxos em que a IA precisa interpretar uma demanda, trabalhar com informações e executar etapas conectadas. A pergunta que o lançamento coloca para quem acompanha tecnologia é direta: o que esse volume anunciado significa para uma solução acessada por API, e quais limites aparecem quando a promessa precisa sair da demonstração e entrar no trabalho cotidiano? Este texto separa escala, integração e métricas para responder sem transformar o anúncio em uma conclusão maior do que os dados permitem.
O tamanho anunciado e a proposta do Quasar
Para começar pela escala, os 438 bilhões de parâmetros funcionam como a principal referência numérica do Quasar 438B. O termo descreve a dimensão anunciada do modelo, mas não transforma, sozinho, esse número em garantia de qualidade para qualquer tarefa. A própria proposta da Multiverse Computing concentra o produto em três frentes: raciocínio, uso de ferramentas e codificação. Em linguagem mais simples, a empresa quer que o sistema lide com problemas que exigem encadeamento de etapas, interação com recursos externos e produção ou análise de código, em vez de limitar a experiência a respostas isoladas. Essa escolha de uso prepara a discussão sobre como o modelo conversa com serviços empresariais.
A partir dessa proposta, o Quasar aparece como um modelo proprietário, ou seja, uma solução controlada pela própria empresa, e não como um sistema apresentado nas fontes com implantação local confirmada. A Multiverse Computing o posiciona para agentes corporativos, que são sistemas capazes de dividir uma tarefa em ações e utilizar ferramentas ao longo do processo. A analogia mais simples é pensar em uma equipe: o modelo interpreta o pedido, consulta uma ferramenta autorizada e devolve uma etapa para o fluxo seguinte. O valor prático, portanto, depende tanto da capacidade de raciocínio quanto da forma como essa peça se conecta ao restante do serviço.
A API como ponte para os fluxos de trabalho
Essa conexão acontece pela API CompactifAI, o canal anunciado para acessar o Quasar 438B. Uma API funciona como uma ponte de comunicação: um sistema envia uma solicitação por uma interface definida, o modelo processa o pedido e a resposta retorna para o software que iniciou a conversa. A [API CompactifAI](https://www.globenewswire.com/news-release/2026/09/02/3355465/0/en/multiverse-computing-launches-quasar-438b-the-highest-scoring-european-model-on-artificial-analysis-intelligence-index.html) é apresentada como o caminho de integração do produto, enquanto o modelo suporta inglês e espanhol. Para uma empresa, essa arquitetura reduz a necessidade de criar uma aplicação de IA do zero, mas mantém a dependência do serviço que fornece o acesso.
Dentro dessa mesma ponte, o Quasar oferece uma janela de contexto de 1 milhão de tokens. Tokens são unidades usadas para representar o texto processado por um modelo, e a janela indica quanto conteúdo pode ser considerado em uma interação. O número anunciado permite que a solução trabalhe com entradas extensas, como documentos ou históricos longos, sem que o leitor precise tratar cada trecho como uma conversa totalmente separada. Ainda assim, a janela ampla não informa, por si só, como o modelo se comportará em cada tarefa. Ela define espaço de entrada e continuidade, enquanto a utilidade depende do raciocínio, da resposta e da integração com as ferramentas.
Raciocínio, ferramentas e tarefas empresariais
Além do tamanho da janela, a Multiverse Computing descreve o produto para fluxos empresariais complexos, incluindo planejamento de tarefas e diagnóstico de erros em ambientes de terminal. Um terminal é uma interface baseada em comandos, usada para interagir com sistemas e executar operações técnicas. Nesse tipo de trabalho, uma resposta precisa manter o objetivo em vista, interpretar o retorno de uma ferramenta e decidir qual etapa vem depois. É justamente aí que a ideia de agente ganha sentido: o modelo não fica restrito a uma única mensagem, pois participa de uma sequência de ações conectadas. A integração, então, deixa de ser detalhe de implementação e passa a definir a experiência final.
Essa proposta também explica por que o Quasar foi associado à codificação e ao uso de ferramentas. Um sistema conectado por API pode receber uma tarefa, produzir uma saída estruturada ou solicitar uma ação externa, desde que o serviço integrado permita esse fluxo. A página técnica do modelo informa que a API oferece chamadas de ferramentas, saídas estruturadas e modos de raciocínio chamados high e max, sendo este último o padrão. Esses recursos aproximam o produto de aplicações que precisam trocar mensagens com outras plataformas, mas a fonte não apresenta a integração como prova de que todos os processos empresariais serão automatizados com a mesma eficiência.
O que os benchmarks dizem e o que ainda não dizem
Os números divulgados ajudam a organizar a conversa. O Quasar 438B registrou 43 pontos no Artificial Analysis Intelligence Index v4.1.1, alcançou 75,0 no Artificial Analysis Long Context Reasoning e marcou 69,3 no Terminal-Bench v2.1. Cada métrica observa uma dimensão diferente, portanto não existe uma única nota capaz de resumir toda a experiência de uso. O primeiro índice é usado pela empresa para posicionar o modelo, enquanto os outros resultados se relacionam à capacidade de trabalhar com contexto extenso e tarefas em terminal. Para o leitor, a melhor leitura é tratar os valores como sinais de avaliação, não como substitutos de testes no fluxo real.
Na comparação apresentada por uma análise sobre a disputa europeia de inteligência artificial, o Quasar ficou acima do Mistral Medium 3.5, com 30 pontos, e do NVIDIA Nemotron 3 Ultra, com 38 pontos, no mesmo Artificial Analysis Intelligence Index v4.1.1. O comunicado da Multiverse Computing também descreve o produto como o modelo europeu de maior pontuação nesse índice. Essa é uma afirmação vinculada a uma métrica específica, e não uma conclusão geral sobre todas as capacidades do sistema. A diferença entre uma pontuação de referência e um resultado operacional aparece quando se observa velocidade, estabilidade e custo em tarefas longas, que são justamente os próximos pontos da análise.
Velocidade, preço e dependência da nuvem
Na dimensão de tempo de resposta, o valor reportado para o Quasar é de 15,3 segundos para 500 tokens, incluindo o raciocínio. Essa medida oferece uma referência para uma resposta específica, mas não resolve sozinha a dúvida sobre agentes que fazem várias chamadas em sequência. Reportagens reunidas nas fontes levantaram questionamentos sobre a consistência da velocidade em fluxos de agentes de longo prazo. A diferença é prática: uma única resposta pode parecer aceitável, enquanto uma cadeia de solicitações, consultas e ações pode acumular esperas. Por isso, a interoperabilidade entre o modelo e as ferramentas precisa ser avaliada junto com o tempo de cada etapa.
O custo informado pela página de monitoramento é de US$ 0,60 por entrada e US$ 1,80 por saída na API CompactifAI. A separação entre entrada e saída ajuda a entender que o preço depende tanto do material enviado ao modelo quanto do conteúdo produzido por ele. Para uma aplicação que consulta poucos documentos e retorna respostas curtas, a conta será diferente daquela de um agente que recebe grandes volumes de contexto e gera saídas extensas. A mesma página informa compatibilidade com a interface da OpenAI, chamadas de ferramentas e saídas estruturadas, elementos que podem facilitar a adaptação de aplicações existentes, embora não eliminem a necessidade de validar custos e latência.
Essa dependência da API também define um limite de implantação. O Quasar 438B é classificado nas fontes como uma solução proprietária, sem opções de instalação local, ou on-premises, confirmadas. Em outras palavras, o acesso descrito está concentrado na nuvem, e a empresa que pretende usá-lo precisa considerar a relação com o provedor do serviço, o caminho dos dados e a disponibilidade da interface. A proposta de soberania europeia mencionada pela Multiverse Computing está ligada à origem e ao posicionamento estratégico do modelo, mas não deve ser confundida com autonomia completa de infraestrutura. Essa distinção fecha a ponte entre o discurso de independência e a forma efetiva de consumo do produto.
Como interpretar o lançamento na prática
O principal próximo passo para avaliar o Quasar é observar o comportamento da solução em tarefas que reproduzam o uso pretendido: raciocínio com contexto longo, codificação e interação com ferramentas. A página técnica mantém o resultado do Terminal-Bench 2.1 como uma exibição até que mais dados independentes sejam verificados. Essa ressalva não apaga a pontuação publicada, mas muda a forma de interpretá-la, porque separa o resultado informado da confirmação por avaliações externas. Para equipes que estudam uma integração, a pergunta deixa de ser apenas quantos parâmetros o modelo tem e passa a incluir como ele responde quando precisa sustentar uma sequência inteira de ações.
Em síntese, o Quasar 438B chega com uma escala anunciada de 438 bilhões de parâmetros, uma janela de contexto de 1 milhão de tokens e uma interface de acesso pela API CompactifAI. O modelo foi projetado para raciocínio, codificação, uso de ferramentas e fluxos empresariais, enquanto seus benchmarks fornecem referências específicas de desempenho. O lançamento também deixa duas verificações para quem pretende adotá-lo: medir a velocidade em processos longos e confirmar se os resultados se mantêm em avaliações independentes. A ferramenta está disponível para integração por API, mas o controle sobre implantação local continua sem confirmação nas fontes, tornando essa informação parte central da decisão técnica.