Space Bunny: A Página de Referência para o Modelo Stealth, Também Listado como Space Bunny Alpha

Space Bunny e Space Bunny Alpha são o mesmo modelo. Resolva isso primeiro, porque os dois nomes puxam em direções diferentes: o nome puro é o que a maioria das pessoas digita, e o nome com versão é o que todas as listagens e todos os textos usam. Não existe um segundo Space Bunny — nenhum irmão menor, nenhum lançamento anterior que o Alpha substitua. O nome puro é a forma curta; Alpha é o marcador de estágio de pré-visualização que esta família de listagens anônimas carrega enquanto o operador permanece sem nome. Space Bunny é uma pré-visualização furtiva servida em uma plataforma de terceiros: um milhão de tokens de contexto, um teto de saída de 524.288 tokens, entrada de texto, imagem e vídeo, e um preço listado de zero dólares por milhão de tokens, com a identidade do provedor não divulgada. Esta página é a referência para ele — o destino para alguém que pesquisou o próprio nome do modelo, não um segundo anúncio de que ele existe.

Duas coisas sobre como ler o que se segue. Tudo o que está sob o cabeçalho do envelope são metadados de listagem fornecidos pelo operador: os próprios números do fornecedor anónimo, publicados na plataforma que aloja a pré-visualização e relidos hoje, 28 de setembro de 2026. Nada disso é verificado de forma independente, e volto a dizê-lo onde os números aparecem. A secção de benchmark é separada e integralmente baseada em terceiros. A outra nota explica porque é que esta página existe sequer. A listagem é de 23 de setembro de 2026, há cinco dias, por isso não há qualquer problema de idade para contornar — mas o fundamento aqui não é essa data. É a procura de pesquisa própria que medimos nós próprios: 1.668 impressões e 238 cliques na consulta "space bunny" nos 28 dias até 25 de setembro, na posição 4,8. Isso é um facto sobre o que as pessoas escrevem, não sobre o modelo. Os leitores já estavam a clicar para qualquer página que, por acaso, posicionávamos; simplesmente não havia nenhuma página sobre o próprio modelo onde pudessem aterrar. Preencher essa lacuna é a cláusula em que este artigo assenta — procura contínua medida em 28 de setembro de 2026, com a data da listagem usada para datar o modelo e não como um acontecimento a noticiar.

O nome, devidamente fixado

A evidência para "mesmo modelo" é uma ausência, portanto vale a pena ser preciso sobre o que foi verificado. A plataforma que hospeda a prévia lista exatamente uma entrada para a família, sob o identificador stealth/space-bunny-alpha/ e o nome de exibição "Space Bunny Alpha"; não há nenhum space-bunny/ como entrada isolada ao lado dela. O guia de campo do próprio modelo — um site de terceiros que declara claramente não ser afiliado à plataforma nem ao desenvolvedor — apresenta-o como "Space Bunny Alpha, também escrito space-bunny-alpha" e data sua listagem como 23 de setembro de 2026. A organização Hugging Face que hospeda repositórios complementares para esta série mantém um repositório de bunny, nomeado em referência ao alfa. Procurar por um "Space Bunny" isolado como um modelo separado não retorna nada além do mesmo modelo sob seu nome mais curto.

Na prática: trate as duas strings como aliases. "Space Bunny" é o termo principal e o que tem melhor comportamento de clique; space-bunny-alpha/ é o identificador que você coloca em uma requisição. A única coisa que o nome puro não implica é uma versão — não existe um 1.0 documentado, nem uma variante menor, nem um lançamento fora de pré-visualização. Um anúncio ou uma publicação que sugira o contrário está inventando uma família que o registro não mostra.

O sufixo de fato carrega informação real: o modelo está em pré-visualização, operado por um fornecedor que optou por não ser nomeado durante esse período, e o aviso de discrição da plataforma diz que prompts e conclusões podem ser retidos por esse fornecedor, mas não são usados para treinamento. Leia essa cláusula com atenção, pois é uma declaração de retenção, e não de retenção zero. Se você leu nossa cobertura pré-lançamento deste registro — a página de vazamento do Space Bunny Alpha — a função dessa página está cumprida: o que ela antecipava agora é simplesmente o estado do modelo, e as questões atuais passaram da identidade para o envelope, o custo e a vazão.

O envelope, como a listagem o indica

Relido hoje na listagem ativa. Fornecido pelo operador, não reproduzido.

• Janela de contexto — 1.000.000 de tokens. A mesma classe de 1M das prévias anônimas anteriores desta série.

• Saída máxima — 524.288 tokens. Metade da janela de contexto, o que é um teto muito grande a qualquer preço e que nenhum terceiro testou sob estresse quanto à coerência no limite extremo.

• Entrada e saída — texto, imagem e vídeo como entrada; texto como saída. A entrada de vídeo é o detalhe que mais distingue esta geração de {{1}}listagens anônimas{{/1}} dos lançamentos multimodais comuns.

• Raciocínio — obrigatório e não pode ser desativado, com cinco níveis de esforço: low, medium, high, xhigh e max. A listagem em tempo real de hoje mostra o padrão do provedor como max, e o guia de campo de terceiros registra de forma independente o mesmo padrão. Ocultar o texto de raciocínio por meio da API não desativa a computação; ela ainda consome o orçamento de saída.

• Uso de ferramentas e saída estruturada — tools/ e tool_choice/ são aceitos, portanto a chamada de funções está disponível. response_format/ fornece saída JSON sem imposição de esquema JSON, a mesma ressalva que esta família de prévias carrega desde o início. Se o seu pipeline precisa receber um objeto validado, valide-o você mesmo.

Não divulgado — nome do provedor, número de parâmetros, parâmetros ativos, arquitetura, família de tokenizador (registrada apenas como "Other"), data de corte do conhecimento, quantização, licença, e se sequer existem pesos passíveis de disponibilização. O repositório complementar afirma que arquivos GGUF aparecerão "assim que os pesos do modelo estiverem disponíveis" — uma promessa sobre um arquivo futuro, não uma evidência de que os pesos existem agora.

• Operacional, e notavelmente escassa — a listagem não publica nenhum valor de throughput nem de latência. Ambos os campos estão vazios. Ela informa um único provedor de serviço, marcado como stealth, com quantização desconhecida.

Esse último ponto é a resposta honesta para "quão rápido é": ninguém que publicou um número é dono do endpoint, e o operador do endpoint não publicou nada. Isso não é motivo para evitar o modelo. É motivo para medi-lo na sua primeira chamada, em vez de confiar em um adjetivo em uma descrição.

A tabela de tarifas: zero, e o que zero significa aqui

A listagem define o preço do modelo em US$ 0 por milhão de tokens de entrada e US$ 0 por milhão de saída — uma prévia gratuita, na própria listagem do operador, consultada hoje. Nenhum limite por requisição e nenhuma política de limite de taxa são publicados no registro.

Duas ressalvas. Primeira: esse é o preço listado pelo operador hoje, não um compromisso — um preço de prévia sigilosa é uma característica de uma listagem, e as listagens mudam sem aviso. Segunda: nesta série, uma prévia de US$ 0 tem sido historicamente um instrumento de avaliação, e não um nível permanente — a janela gratuita se fechava quando a prévia terminava. Qualquer pessoa que esteja construindo com base em uma tarifa de zero dólar deve tratar o número como atual, e não como duradouro, e deve saber quanto custa seu fallback por milhão antes de precisar dele.

A superfície do endpoint

O que um chamador realmente obtém, extraído do conjunto de parâmetros suportados da listagem, e não da documentação em prosa.

• Conclusões de chat — mensagens/ com a opção de stream/, portanto, geração em streaming comum.

• Amostragem e limites — max_tokens/, temperature/, top_p/. Os tokens de raciocínio saem do orçamento de max_tokens/, portanto um limite apertado trunca o raciocínio antes de truncar a saída.

• Controles de raciocínio — reasoning/ e reasoning_effort/ ao longo da escada de cinco níveis, além de include_reasoning/ para exibir ou ocultar o texto de raciocínio.

• Estrutura e ferramentas — tools/, tool_choice/ (auto é suportado; forçar uma função específica, não), e response_format/ para JSON sem validação de esquema.

Essa é toda a superfície. Nenhum endpoint de visão separado, nenhuma API de batching, nenhum caminho de fine-tuning, nenhum embedding. A entrada multimodal entra pela mesma chamada de chat, o que é conveniente e também significa que um anexo de vídeo grande compete pelo mesmo orçamento de contexto que todo o resto da conversa.

O que terceiros realmente mediram

É aqui que a maioria dos resultados de busca deixa de ser criteriosa, então, procedência em primeiro lugar. O Artificial Analysis, o ranking independente que normalmente citamos para comparação entre modelos, não tem registro do Space Bunny sob nenhum dos dois nomes — verificado hoje por solicitação direta. As duas medições de terceiros que de fato existem são de natureza distinta, e nenhuma delas é uma estrutura de avaliação pareada com os modelos ao lado dos quais é plotada.

O primeiro é o AI BENCHY, um site de benchmark de terceiros que publica execuções por modelo. Seu registro para o Space Bunny Alpha anota 7,0 de 10 em raciocínio alto, uma taxa de aprovação de 62,1% nas tentativas, confiabilidade de 10,0, um tempo médio de resposta de 27,38 segundos e um custo registrado de US$ 0,000, e o coloca em #161 na tabela do próprio site. Por categoria, seus resultados mais fortes são extração de dados e chamada de ferramentas, ambas 10,0 de 10; os mais fracos são trivia, com 3,0, e inteligência geral, com 4,2. Esses são os números desse site em sua própria suíte. O que vale a pena observar são a taxa de aprovação e a distribuição por categoria, não o ranking global, que é uma posição na ordenação de outra pessoa.

O segundo é o próprio guia de campo do modelo, que publica suas próprias avaliações: 82,0% em um subconjunto de 60 perguntas do GPQA Diamond, 75% no MMLU-Pro e 46,1% em um subconjunto de 300 perguntas do Humanity's Last Exam, com um intervalo de confiança aproximado de 95% de 40,4–51,8%. O site deixa explícito que essas são execuções próprias de subconjuntos e que os modelos mostrados ao lado delas são resultados de referência publicados por seus respectivos fornecedores — contagens de perguntas diferentes, harnesses diferentes, configurações diferentes. Essa ressalva é a parte importante e não deve ser omitida discretamente: essas colunas não são um confronto direto, e ninguém realizou uma comparação com esforço equivalente e harness equivalente do Space Bunny contra qualquer modelo ao lado do qual ele é plotado. Uma página que apresenta esses números como um ranking está fazendo algo que a própria fonte se recusou a fazer.

Vale a pena contar com mais dois resultados de terceiros, porque testam coisas que os benchmarks deixam passar. O guia de campo relata uma verificação de contexto longo na qual três códigos distintos escondidos dentro de uma única entrada de aproximadamente 200.000 tokens foram todos devolvidos na ordem correta numa única tentativa — um teste de capacidade, não uma pontuação de competência, e o tipo de verificação que uma janela de contexto de 1M convida e raramente recebe. Ele também relata uma comparação de eficiência de tokens na qual o Space Bunny consumiu 305.989 tokens de saída, contra 913.989 do Qwen3.8 Flash nos mesmos benchmarks: cerca de dois terços menos, o que importa mais do que parece quando a janela gratuita se fecha.

O fato mais claro de todo o panorama é uma lacuna. Não há registro no Artificial Analysis, nenhuma classificação em arena e nenhum benchmark reproduzido por terceiros. Um 7,0/10 de uma suíte e um 46,1% de um subconjunto publicado pelo próprio autor, sem replicação em lugar nenhum, é um ponto de partida, e não um veredito.

Quem está por trás disso

Não divulgado, e a própria listagem diz isso: o modelo é projetado e operado por um provedor terceirizado que optou por permanecer anônimo durante a prévia, e a plataforma que hospeda a listagem declara que não é o laboratório, o proprietário nem o provedor. O repositório complementar não traz nome de laboratório, nem licença, nem pesos.

Existe um discurso público ativo de especulação — reconstruções de formato de prompt, sondagens da família de tokenizadores, comparações de amostras — e nada disso produziu uma identidade confirmada. Não estamos repetindo as hipóteses, pelo mesmo motivo pelo qual não o fizemos quando as entradas anteriores desta família eram anônimas: uma pontuação de benchmark compartilhada ou uma contagem de tokens correspondente é uma semelhança, não uma identificação, e um palpite da comunidade disfarçado de descoberta é pior para o leitor do que um espaço em branco honesto. O que o registro de fato mostra é que toda prévia anônima desta série até agora acabou sendo reivindicada por um laboratório identificado, geralmente em questão de dias a semanas e frequentemente com uma mudança de preço associada. Essa é uma taxa-base de como essas prévias terminam, não uma previsão sobre esta — e é o motivo para tratar o envelope de hoje como um instantâneo, e não como uma especificação.

Avaliando um modelo desconhecido sem apostar um caminho nele

Um operador não divulgado não impede você de testar o modelo. Isso muda quais perguntas você consegue responder. Três coisas decorrem da própria listagem.

• A cláusula de retenção é a que se deve respeitar. Prompts e completions podem ser retidos por um provedor sem nome. Benchmarks públicos, código aberto e protótipos descartáveis são aceitáveis; dados de clientes, código-fonte proprietário e qualquer coisa sob um regime de conformidade não são, e um preço gratuito não muda essa aritmética.

• Trate toda alegação de capacidade como uma hipótese até ter seus próprios números. Throughput, latência do primeiro token e coerência em saídas longas são os três números que ninguém publicou para este modelo, e também são os três que decidem se ele se adequa a uma carga de trabalho. Medi-los custa uma tarde.

• Não o torne o único modelo em um caminho. Um provedor sem nome, sem página de status e sem via de escalonamento é um provedor cujas falhas você não consegue rastrear.

Essa última regra é onde um roteador conquista seu lugar, e é a parte sobre a qual podemos falar diretamente. A OrcaRouter serve mais de 200 modelos por trás de uma única API sem markup sobre o preço de tabela do provedor — você paga a tarifa publicada pelo próprio provedor, então um corte de preço do fornecedor passa a valer do nosso lado no mesmo dia — além de failover automático entre provedores e uma DSL de roteamento que permite declarar um modelo reconhecidamente bom como fallback por trás de um experimental. Para ser exato, em vez de generoso, quanto à questão da disponibilidade: Space Bunny não está no nosso catálogo hoje. Nossa API de modelos não retorna essa rota sob nenhum dos dois nomes, então não somos uma forma de chamar esse modelo, e esta página não é uma rota para ele. O que somos é uma forma de manter um modelo medido atrás de um não medido enquanto você decide — o que é a única postura sensata diante de uma prévia gratuita de um operador que ninguém consegue nomear.

O que mudaria esta página

Quatro coisas, na ordem em que provavelmente chegarão. Um responsável nomeado, que nesta série tem vindo acompanhado de uma licença, uma contagem de parâmetros e um preço. Uma reprodução de benchmark por uma segunda parte, que seria a primeira evidência de qualidade não vinculada a uma única suíte. Throughput e latência publicados, os dois campos vazios que um comprador mais gostaria de ver preenchidos. E uma alteração à tabela de preços, atualmente a propriedade mais decisiva do modelo.

Até então, o resumo honesto é curto. Space Bunny é uma prévia de raciocínio gratuita, com capacidade de vídeo e um milhão de tokens, com um operador não divulgado: uma execução de terceiros de 7,0/10, um conjunto de avaliações de subconjuntos autopublicadas, nenhuma entrada em ranking independente e nenhum número de throughput. Seu nome puro e seu nome alfa são o mesmo modelo. Todo o resto sobre ele é um instantâneo datado de uma listagem, e esta página é o lugar para verificar qual instantâneo está atual.