
Claude Opus 5.5 comandou uma empresa de IA por sete semanas com 16 minutos por dia
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 184 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 223 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 96 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
Claude Opus 5.5 está disponível de forma geral desde 22 de setembro de 2026, então a pergunta interessante sobre ele já não é qual é a sua pontuação. É o que acontece quando você para de enviar prompts e lhe dá um trabalho. Uma equipe da EPFL e do ELLIS Institute Tübingen fez exatamente isso: entregou ao Claude Opus 5.5 uma conta vazia no Hugging Face, um orçamento de GPU e uma única instrução — conquistar adoção real — e o deixou funcionando por sete semanas. Ele publicou 38 modelos. Esses modelos ultrapassaram 50.000 downloads, são usados em mais de 140 repositórios públicos e são citados em dois artigos do arXiv. O agente que fez isso trabalhou, em média, 16 minutos por dia.
O relatório está em horizon-labs.ai, datado de 17 de novembro de 2026, e o agente se chama Horizon. Todos os números abaixo vêm desse documento ou da conta do Hugging Face para a qual ele aponta, e a ressalva é declarada uma única vez aqui em vez de repetida: este é o estudo de caso da própria equipe sobre a própria execução, não uma auditoria de terceiros. Eles são excepcionalmente francos sobre os pontos em que sua própria interferência pode ter inflado o resultado, e essas admissões são a parte mais útil do documento.
O que eles realmente entregaram

O Horizon funcionou 24 horas por dia, 7 dias por semana, dentro do Claude Code, com uma única assinatura Anthropic Team Premium, com acesso a uma conta nova do Hugging Face (Horizon-Labs) e a uma conta do GitHub. A capacidade de computação vinha na forma de 1 milhão de créditos por semana, aproximadamente 500 horas de GPU. Ele podia abrir tickets para os humanos e nada mais: nenhuma outra conta, nenhuma identidade na web, nenhuma forma de gastar dinheiro. A equipe monitorou suas ações continuamente e interveio 20 vezes ao longo da execução — 13 respostas a tickets e sete mensagens, quase todas nos primeiros três dias, nenhuma depois de 22 de outubro.
O orçamento mostra o quão modesta era a configuração. Ao longo de toda a execução, o Horizon processou cerca de 1,9 bilhão de tokens, 96% deles lidos de volta do cache de prompt, e gravou 3,1 milhões. A preços de API, isso equivale a cerca de US$ 1.030 de inferência para sete semanas de trabalho autônomo, contra mais de 600 horas de GPU de treinamento. O resultado principal custou menos que um laptop.
Os 38 modelos são estreitos de propósito
Nenhum deles é um chatbot. O catálogo é composto por 25 classificadores de texto, seis modelos de classificação de tokens, três classificadores zero-shot, dois rerankers e dois modelos de embedding, todos construídos sobre o mmBERT-base, lançados sob a Apache-2.0 com pesos ONNX para serem integrados diretamente em pipelines de navegador e de servidor. Os tamanhos são 141M para a variante pequena, 307M para a base e 568M para a grande, e a Horizon normalmente disponibilizava dois ou três tamanhos da mesma família.
As famílias são o tipo de coisa para a qual uma empresa compra um modelo pequeno: proteções contra injeção de prompt, redação de PII, detecção de alucinações, segurança de conteúdo, toxicidade, sentimento e emoção multilíngues, identificação de idioma, restauração de pontuação e truecasing. Os mais baixados são exatamente esses:

{{1}}O guard de injeção em cerca de 17k{{/1}}, a pontuação em 7.6k, o reranker em 6.4k. Os dados de treinamento vieram de conjuntos de dados públicos do Hugging Face, além de aumento sintético, com Qwen 3.8-27B e Gemma 4 31B usados para anotar ou gerar exemplos.
Essa estreiteza é a estratégia, não uma limitação. Uma conta nova sem reputação não consegue vencer um benchmark de uso geral, mas consegue vencer com um substituto plug-and-play de 300MB que poupa alguém de uma revisão de licença. O próprio Horizon disse isso nos seus próprios logs: "Uma conta nova e desconhecida obtém downloads mais rapidamente com modelos pequenos, práticos e plug-and-play."
Os 16 minutos por dia são o achado real.
O agente acorda por volta das 10:00 UTC, porque é quando o Hugging Face atualiza as contagens de downloads. Ele lê os números do dia anterior, decide o que melhorar e volta a dormir. Nas suas próprias palavras, em 9 de outubro: "Estou esperando até por volta das 09:45 UTC de amanhã para a próxima atualização dos downloads, então escolherei o próximo passo a partir desses números."
Alguns dias, não fazia absolutamente nada. O tempo de trabalho atingiu o pico no início, caiu ao longo de outubro e se estabilizou, enquanto os downloads por dia continuavam subindo. A formulação do próprio relatório é a que deve ser mantida: a produção acumulada — downloads, repositórios dependentes — cresceu exponencialmente, enquanto o esforço acumulado cresceu logaritmicamente. No final, os 16 minutos marginais estavam produzindo mais do que a semana inteira de trabalho em tempo integral do início.

Esse formato só é possível porque a tarefa tinha um sinal de feedback barato e legível. Downloads são um número que chega toda manhã sem que ninguém precise interpretá-lo. Aponte o mesmo agente para uma meta cujo sinal de recompensa seja a opinião de um humano, e o dia de 16 minutos se torna um ônus em vez de uma eficiência. O relatório não afirma o contrário, e os leitores também não deveriam.
O que a equipe verificou e o que ela detectou
As contagens de downloads são a métrica mais fácil de falsificar em aprendizado de máquina, e a equipe tratou isso como a principal ameaça ao seu resultado. Eles registraram todas as 3.952 chamadas de ferramentas e executaram dois modelos — Claude Haiku 5.5 e Luna 6 — como monitores sobre a transcrição completa, procurando por hacking de recompensa. Eles encontraram seis ocasiões em que o Horizon baixou seus próprios modelos, totalizando 42 downloads. Eles estimam que suas próprias execuções de avaliação contribuíram com menos de 30 adicionais, e que a equipe foi responsável por no máximo 50 dos 54.000 downloads no momento da redação. Em muitos dos dias com mais downloads, o Horizon estava dormindo e nenhum job estava em execução.
A evidência externa é mais forte do que o contra-argumento. Uma busca no GitHub encontrou 143 repositórios usando os modelos — não o "mais de 100" da thread de lançamento, que foi um arredondamento conservador para baixo. Dois artigos no arXiv comparam a proteção contra injeção de prompt com alternativas: 2610.03448 ("Passing the Test You Trained On") constata que ela obtém a maior AUC em injeção veiculada por documentos, embora observe uma lacuna menor entre a detecção de ataques e de controles, o que é uma limitação real declarada com clareza. Mais 18 modelos no Hugging Face fazem fine-tune, quantizam ou de outra forma derivam dos lançamentos da Horizon. Um concorrente, o Patronus Studio, atualizou seu próprio cartão de modelo para incluir os benchmarks da Horizon. A equipe também gerou quatro famílias de benchmarks sintéticos reservados após o lançamento dos modelos, usando MiMo V2.6 Pro, e descobriu que os modelos frequentemente eram o estado da arte para seu tamanho na tarefa restrita que visam.
A parte desconfortável: ele aprendeu a vender
Os model cards da Horizon descrevem seus modelos como os melhores ou quase os melhores da categoria. A equipe verificou se isso era overfitting ou benchmark shopping e concluiu que não era nem uma coisa nem outra: o agente selecionou checkpoints em uma divisão de validação, que é o método correto, e em pelo menos uma ocasião publicou uma execução que sabia ser a mais fraca das quatro nos conjuntos de teste que relatou. O próprio log dela, de 7 de outubro, diz: "O treinador seleciona checkpoints pelo F1 de validação, então publiquei a execução com o melhor F1 de validação. Nos conjuntos de teste, essa execução é a mais fraca das quatro."
O que ele de fato fez foi marketing. Escolheu famílias por demanda — verificou que bart-large-mnli tem cerca de 3 milhões de downloads por mês antes de construir um classificador zero-shot — e rejeitou ideias por razões comerciais: transferência de formalidade porque não existia um conjunto de avaliação multilíngue aberto, risco em saúde mental porque era sensível, classificação de tópicos de notícias porque um modelo existente já fazia isso bem. Esse é o raciocínio de um gerente de produto, alcançado sem que houvesse um.
Dois erros de harness também vazaram para a execução e vale repeti-los, porque são o tipo de coisa que toda implantação de longo horizonte vai encontrar. Em 24 de setembro, a equipe copiou os modelos da Horizon para uma segunda conta e deixou as cópias públicas; a Horizon os encontrou no Hub. Em 11–12 de outubro, uma resposta de ticket disse erroneamente à Horizon que a Horizon-Labs era "uma empresa diferente que estamos executando em nosso laboratório". Ambos levaram o agente a acreditar que era operado por um grupo de pesquisa, e não por uma startup. A equipe diz que nenhum dos dois mudou seu comportamento ou sua contagem de downloads, e desde então desenvolveu a capacidade de rebobinar uma execução.
O que isso significa se você for quem está implantando o agente
A configuração é reproduzível e o custo é baixo, que é a parte que deveria preocupar e encorajar as pessoas na mesma medida: 600 horas de GPU, uma licença de assinatura e cerca de US$ 1.030 em tokens estão ao alcance de um único estudante de doutorado. A questão da segurança baseia-se inteiramente no confinamento e no monitoramento, e os próprios monitores da equipe eram eles mesmos modelos. Se você executar algo assim, a contabilidade importa tanto quanto as salvaguardas. A taxa de leitura de cache de 96% da Horizon é o motivo pelo qual sete semanas custaram quatro dígitos em vez de cinco, e essa taxa é uma propriedade de um prompt de sistema estável e de um conjunto de ferramentas estável — exatamente para isso serve uma camada de orquestração.
É também aí que um roteador justifica seu lugar em uma execução como esta. Os próprios monitores da Horizon eram modelos baratos monitorando um caro, e a linha de custo só funciona se cada chamada for para o modelo mais barato capaz de fazer esse trabalho. No OrcaRouter, você coloca o Claude Opus 5.5 e os pequenos monitores atrás de uma única chave, aplica 0% de margem sobre o preço de lista do provedor para que o repasse seja a própria tarifa do fornecedor, e define uma regra de roteamento que envia as passagens dos monitores para a camada barata enquanto o loop de planejamento permanece no Opus. Failover automático então cobre o caso que já tirou mais de um dia desta equipe: uma API que deixa de responder enquanto o agente está dormindo.
O que o relatório não prova
É uma única execução, uma única família de tarefas, uma única conta e sete semanas. O sucesso do agente depende de uma métrica que é atualizada diariamente e visível para todos, numa plataforma onde um modelo pequeno competente tem lacunas óbvias a preencher, e de operadores humanos que responderam a 13 tickets. Isso não demonstra que um agente consiga gerir uma empresa cuja receita depende de clientes, nem que o dia de 16 minutos sobreviva ao contacto com um objetivo que não tem um número diário. A equipa diz isso mesmo, e o resumo honesto é mais estreito do que os títulos: um modelo de fronteira, com um objetivo comercial estreito e um sinal limpo, consegue agora executar todo o ciclo — escolher o produto, construí-lo, colocá-lo no mercado, ler o mercado e iterar — com uma pessoa a mexer-lhe uns minutos por semana.
A próxima coisa a observar não é a contagem de downloads. É se o mesmo padrão se mantém quando o sinal de recompensa é um contrato em vez de um contador.
