Evolução dos modelos de IA em 2025: Guia do tomador de decisões

2025 foi o ano em que a IA se tornou um kit de ferramentas especializado. Este guia aborda os principais lançamentos, benchmarks e recomendações para você escolher o modelo certo.

Entendendo as avaliações de IA

Antes de mergulhar nas comparações de modelos, é útil entender o que esses benchmarks realmente medem. Clique em cada avaliação para saber mais:

Resumo executivo

Principais conclusões para os tomadores de decisão:

• Melhor para tarefas de codificação: Claude Opus 4.5 lidera com 80,9% no SWE-bench Verified
• Melhor para raciocínio matemático: GPT-5.2 atinge 100% de perfeição no AIME 2025
• Melhor para aplicativos multimodais: O Gemini 3 Pro se destaca com 87,6% no Video-MMMU
• Melhor custo-benefício: Os modelos DeepSeek oferecem desempenho comparável a um custo 80-90% menor
• Melhor para implementação de código aberto: O Llama 4 Scout oferece janela de contexto de 10 milhões de tokens, peso aberto sob Licença Llama (gratuito com condições)

A era do "um modelo serve para todos" acabou. Em 2025, a estratégia vencedora será combinar casos de uso específicos com modelos especializados.

Linha do tempo do modelo de IA 2025

Veja o que foi lançado e quando:

Month	Company	Model	Key Innovation
Janeiro	DeepSeek	R1	Modelo de raciocínio de código aberto correspondente ao OpenAI o1
Fevereiro	OpenAI	GPT-4.5	Prévia da pesquisa com EQ aprimorado
Fevereiro	xAI	Grok 3	IA de busca da verdade com raciocínio avançado
Março	Google	Gemini 2.5 Pro	Contexto de 1 milhão de tokens, multimodalidade nativa
Abril	Meta	Llama 4	Arquitetura de peso aberto e mistura de especialistas
Abril	OpenAI	GPT-4.1	Especializado em codificação, acompanhamento de instruções
Maio	DeepSeek	R1-0528	Grande atualização de raciocínio, 87,5% de pontuação AIME
Julho	xAI	Grok 4	Índice de IA nº 1 (73), 88,9% GPQA, 91,7% AIME
Agosto	OpenAI	GPT-5	80% menos alucinações, modelo unificado
Agosto	DeepSeek	V3.1	Raciocínio híbrido + recursos básicos
Setembro	Anthropic	Claude Sonnet 4.5	Codificação eficiente, 77,2% SWE-bench
Outubro	Anthropic	Claude Haiku 4.5	Opção rápida e econômica
Novembro	Anthropic	Claude Opus 4.5	Melhor modelo de codificação, 80,9% SWE-bench
Novembro	Google	Gemini 3 Pro	95% AIME, líder multimodal
Novembro	OpenAI	GPT-5.1	Raciocínio adaptativo, Codex-Max
Dezembro	OpenAI	GPT-5.2	100% AIME, janela de contexto de 400K
Dezembro	Mistral	Large 3 / Devstral 2	Desafiador de peso aberto, 72,2% SWE-bench

Os concorrentes: Análise aprofundada

Família Anthropic Claude

A Anthropic se concentrou na IA que prioriza o código em 2025. A família Claude 4 apresenta respostas híbridas: geração instantânea para consultas simples e pensamento estendido para consultas complexas.

O Claude Opus 4.5 (novembro de 2025) lidera os benchmarks de codificação. No SWE-bench Verified - o padrão do setor para geração de código e correção de bugs - o Opus 4.5 obteve 80,9% de pontuação, superando o GPT-5 (74,9%) e o Gemini 2.5 Pro (63,8%).

O que torna isso impressionante não é apenas a pontuação do benchmark. De acordo com a Anthropic, o Opus 4.5 alcança o melhor desempenho do SWE-bench do Sonnet ao usar 76% menos tokens de saída. Para implementações corporativas em que os custos com tokens aumentam, essa eficiência se traduz diretamente em economia de custos.

Principais especificações:

• Janela de contexto: 200.000 tokens
• Limite de saída: 64.000 tokens
• Preço: US$ 5 de entrada / US$ 25 de saída por milhão de tokens
• Pontos fortes: Codificação complexa, fluxos de trabalho agênticos, controle de computador

O Claude Sonnet 4.5 (setembro de 2025) continua sendo o ponto ideal para a maioria das cargas de trabalho de produção. A US$ 3/US$ 15 por milhão de tokens, ele oferece 77,2% no SWE-bench, superando o GPT-5 para tarefas de codificação a um preço mais baixo.

Melhor para: Equipes de desenvolvimento de software, automação de revisão de código, sistemas de agentes complexos.

Família GPT da OpenAI

O ano de 2025 da OpenAI foi um ano de iteração rápida. Começando com o GPT-4.5 em fevereiro, eles lançaram cinco modelos principais, culminando no GPT-5.2 em dezembro.

O GPT-5.2 (dezembro de 2025) representa a resposta da OpenAI à pressão competitiva do Gemini 3 e do Claude Opus 4.5. Disponível em três variantes:

• Instant: Velocidade otimizada para consultas de rotina
• Thinking: Raciocínio, codificação e análise complexos
• Pro: Máxima precisão para problemas difíceis

A conquista de destaque: 100% no AIME 2025 - o primeiro modelo a obter uma pontuação perfeita nesse desafiador benchmark de matemática. Ele também pontuou 54,2% no ARC-AGI-2, superando significativamente o Claude Opus 4.5 (37,6%) em tarefas genuínas de raciocínio.

O GPT-5.1 (novembro de 2025) introduziu o raciocínio adaptativo - o modelo ajusta dinamicamente o tempo de raciocínio com base na complexidade da tarefa. A variante Codex-Max visa especificamente à engenharia de software, com 77,9% no SWE-bench.

O GPT-5 (agosto de 2025) continua sendo a base, com 80% menos alucinações que o o3 e 45% menos que o GPT-4o.

Principais especificações (GPT-5.2):

• Janela de contexto: 400.000 tokens
• Limite de saída: 128.000 tokens
• Limite de conhecimento: Agosto de 2025
• Preço: $1,75/$14 (Thinking), $21/$168 (Pro) por milhão de tokens
• Pontos fortes: Matemática, raciocínio, contexto massivo

Melhor para: Análise complexa, modelagem financeira, pesquisa que requer ingestão de grandes documentos.

Google Gemini

A família Gemini do Google dominou as manchetes no final de 2025. O Gemini 3 Pro (novembro de 2025) alcançou classificações de destaque em múltiplos benchmarks—liderando em tarefas multimodais como Video-MMMU enquanto competia de perto com o GPT-5.2 pela liderança em raciocínio.

O Gemini 3 Pro representa um salto nos recursos multimodais e de raciocínio:

• 95% no AIME 2025 sem ferramentas (100% com execução de código)
• 91,9% no GPQA Diamond - acima dos 86,4% do Gemini 2.5
• 81% no MMMU-Pro para compreensão multimodal
• 87,6% no Video-MMMU - líder em compreensão de vídeo

O modelo usa uma arquitetura esparsa de mistura de especialistas (MoE), roteando tokens para sub-redes especializadas para maior eficiência. O modo Deep Think permite raciocínio estendido, elevando as pontuações do ARC-AGI-2 para 45,1%.

O Gemini 2.5 Pro (março de 2025) continua excelente para aplicativos econômicos com sua janela de contexto de 1 milhão de tokens a um preço mais baixo.

Principais especificações (Gemini 3 Pro):

• Janela de contexto: 1 milhão de tokens
• Limite de saída: 64.000 tokens
• Limite de conhecimento: Janeiro de 2025
• Preços: $2 de entrada / $12 de saída por milhão de tokens
• Pontos fortes: Multimodal, raciocínio, fluxos de trabalho agênticos

Melhor para: Análise de documentos, processamento de vídeo/áudio, raciocínio científico, integrações com o Google Workspace.

Meta Llama 4

O lançamento do Meta Llama 4 em abril de 2025 deu continuidade ao compromisso da empresa com modelos de peso aberto. A série inclui duas variantes lançadas—Scout e Maverick—enquanto o planejado Behemoth (2 trilhões de parâmetros) permanece em indefinição após múltiplos atrasos e relatos de "desempenho interno insatisfatório."

O Llama 4 Scout oferece uma janela de contexto de 10 milhões de tokens sem precedentes, cerca de 8 vezes maior do que qualquer alternativa comercial. Para instituições de pesquisa ou empresas que precisam processar grandes conjuntos de dados sem custos de API, isso é transformador.

A arquitetura de mistura de especialistas significa que apenas 17 bilhões de parâmetros estão ativos por inferência, apesar de o modelo ter 109 bilhões de parâmetros totais. Isso torna a auto-hospedagem mais eficiente do que a contagem bruta de parâmetros sugere.

Principais especificações:

• Janela de contexto: Até 10 milhões de tokens (Scout)
• Preço: Gratuito (peso aberto, Licença Llama com condições)
• Pontos fortes: Implementação de código aberto, contexto massivo, sem dependência de fornecedores

Melhor para: Organizações com recursos de auto-hospedagem, instituições de pesquisa, aplicativos sensíveis à privacidade.

DeepSeek: O disruptor

O R1 da DeepSeek em janeiro correspondeu ao raciocínio da OpenAI o1 por uma fração do custo. Esse modelo chinês de código aberto desafiou as suposições sobre a economia da IA.

O DeepSeek R1-0528 (atualização de maio de 2025) aumentou ainda mais o desempenho:

• AIME 2025: 87,5% (acima de 70,0%)
• Classificação do Codeforces: ~1930 (acima de ~1530)
• MMLU: 90,8%

O preço é a verdadeira história. A US$ 0,55 de entrada / US$ 1,68 de saída por milhão de tokens, o DeepSeek R1 custa cerca de 90% menos do que o Claude Opus 4.5 para tarefas de raciocínio comparáveis.

O DeepSeek V3.1 (agosto de 2025) combina o melhor de seus modelos de raciocínio e de base. No SWE-bench Verified, a V3.1 obteve uma pontuação de 66,0% - competitiva com o Gemini 2.5 Pro - a US$ 0,27/US$ 1,10 por milhão de tokens.

Principais especificações:

• Janela de contexto: 128.000 tokens
• Preço: US$ 0,27 a US$ 0,55 de entrada / US$ 1,10 a US$ 1,68 de saída por milhão de tokens
• Pontos fortes: Eficiência de custo, código aberto, desempenho competitivo

Melhor para: Implantações conscientes do custo, aplicativos de alto volume, organizações que exploram alternativas aos provedores ocidentais.

xAI Grok

A xAI de Elon Musk teve um ano de 2025 de ruptura, avançando do Grok 3 em fevereiro para o Grok 4 em julho, subindo para a posição nº 1 no AI Index com uma pontuação de 73.

O Grok 4 (julho de 2025) representa um grande salto. Construído no supercomputador Colossus da xAI—o maior cluster de treinamento de IA do mundo com 200.000 GPUs NVIDIA—ele atinge:

• 91,7% no AIME 2025 (o Grok 4 Heavy atinge 100%)
• 87,5% no GPQA Diamond (Grok 4 Heavy: 88,9%) - raciocínio científico de alto nível
• 73 pontos no AI Index - o modelo mais bem avaliado globalmente

O modelo oferece três modos: Mini para respostas rápidas, Standard para desempenho equilibrado e Heavy para profundidade máxima de raciocínio. Todos os modos se integram profundamente ao X (Twitter) para obter informações em tempo real.

O Grok 3 (fevereiro de 2025) continua disponível como uma opção mais econômica com recursos de raciocínio avançados.

Principais especificações (Grok 4):

• Janela de contexto: 256.000 tokens
• Preço: US$ 3 de entrada / US$ 15 de saída por milhão de tokens
• Pontos fortes: Raciocínio, integração com o X em tempo real, barreiras mínimas

Melhor para: Aplicativos de pesquisa, análise de mídia, análise de notícias em tempo real, organizações que desejam resultados menos filtrados.

Mistral AI

A empresa francesa de IA encerrou o ano de 2025 com uma forte exibição. O Mistral Large 3 (dezembro de 2025) traz recursos multimodais e escala maciça para o ecossistema de peso aberto.

O Mistral Large 3 usa uma arquitetura de mistura de especialistas com 41 bilhões de parâmetros ativos por inferência e uma janela de contexto de 256K. O modelo aceita texto, imagens e documentos nativamente.

O Devstral 2 é a variante focada em codificação do Mistral, alcançando 72,2% no SWE-bench Verified - competitivo com o GPT-5 e se aproximando do desempenho da família Claude.

Principal diferencial: O Mistral Large 3 é totalmente open-weight sob licença Apache 2.0, disponível para download no Hugging Face. Isso permite que empresas hospedem, ajustem e implantem comercialmente sem restrições.

Principais especificações (Mistral Large 3):

• Arquitetura: 41B parâmetros ativos (MoE)
• Janela de contexto: 256.000 tokens
• Preço: US$ 2 de entrada / US$ 6 de saída por milhão de tokens (API), gratuito (auto-hospedado)
• Pontos fortes: Peso aberto, soberania de dados europeus, multimodal

Melhor para: Empresas europeias com requisitos de residência de dados, organizações que desejam modelos multimodais de peso aberto, assistência de codificação.

Comparação de Benchmark

Comparação completa do modelo 2025

Esta tabela mostra todos os principais modelos lançados em 2025 nos principais benchmarks de avaliação:

Model	Company	SWE-bench	AIME 2025	MMLU-Pro	GPQA	Context
GPT-5.2 Pro	OpenAI	55.6%*	100%	~93%	93.2%	400K
Claude Opus 4.5	Anthropic	80.9%	~83%	~90%	~85%	200K
GPT-5.1 Codex-Max	OpenAI	77.9%	94%	~92%	88.1%	128K
Claude Sonnet 4.5	Anthropic	77.2%	~78%	86.5%	83.4%	200K
Gemini 3 Pro	Google	76.2%	95%	~91%	91.9%	1M
GPT-5	OpenAI	74.9%	94.6%	~92%	~86%	128K
Devstral 2	Mistral	72.2%	~80%	~88%	~80%	256K
Grok 4	xAI	~70%	91.7%	~90%	87.5%	256K
DeepSeek V3.1	DeepSeek	66.0%	~85%	~89%	~82%	128K
Grok 3	xAI	65.0%	82%	~88%	~80%	128K
Gemini 2.5 Pro	Google	63.8%	86.7%	~90%	84%	1M
DeepSeek R1-0528	DeepSeek	57.6%	87.5%	90.8%	81.0%	128K
Llama 4 Scout	Meta	~55%	~75%	~85%	~75%	10M
GPT-4.1	OpenAI	54.6%	~80%	~88%	~78%	128K

*O GPT-5.2 usa a variante SWE-Bench Pro. Negrito indica o líder da categoria.

Humanity's Last Exam

Humanity's Last Exam (HLE) representa a tentativa mais ambiciosa de medir o raciocínio de IA contra o conhecimento humano especializado. Criado pela Scale AI em colaboração com mais de 1.000 colaboradores em todo o mundo, o benchmark contém 2.500 perguntas abrangendo matemática, física, química, biologia, humanidades e ciências sociais.

O que torna o HLE único: as perguntas foram especificamente projetadas para serem impossíveis de resolver através de simples recuperação de informação ou reconhecimento de padrões. Cada problema requer raciocínio genuíno, expertise no domínio e o tipo de pensamento em múltiplas etapas que distingue a verdadeira compreensão da correlação estatística.

Nota importante sobre metodologia: As pontuações do HLE variam significativamente dependendo se os modelos usam ferramentas externas (execução de código, busca na web). As pontuações abaixo são relatadas sem ferramentas, a menos que indicado de outra forma. Com ferramentas habilitadas, alguns modelos alcançam pontuações substancialmente mais altas — por exemplo, Grok 4 supostamente atinge 50,7% com ferramentas versus 26,9% sem.

O benchmark foi lançado no final de 2024 sem nenhum modelo excedendo 10%. Em dezembro de 2025, a pontuação mais alta sem ferramentas é 37,5% (Gemini 3 Pro), com Gemini 3 Deep Think alcançando 41,0% — um lembrete claro de que mesmo os sistemas de IA mais avançados têm dificuldades com raciocínio de nível especializado em domínios diversos.

Por que isso importa: O HLE serve como um benchmark de teto — ele mostra onde as capacidades atuais da IA terminam. Diferentemente do AIME ou GPQA, onde os melhores modelos se aproximam ou excedem o desempenho de especialistas humanos, o HLE revela lacunas fundamentais na capacidade de raciocínio. Para organizações que avaliam IA para tarefas complexas de pesquisa ou análise, o desempenho no HLE é um melhor preditor de capacidade no mundo real do que benchmarks saturados.

Fontes: Scale AI HLE Leaderboard, Artificial Analysis HLE

Evolução do desempenho ao longo de 2025

Use essa comparação interativa para explorar modelos por caso de uso:

Comparação de preços

Custo por milhão de tokens (USD):

Model	Input	Output	Notes
DeepSeek V3.1	$0.28	$0.42	Lowest cost
Devstral 2	$0.40	$2.00	Budget coding
DeepSeek R1	$0.55	$1.68	Best reasoning value
GPT-5	$1.25	$10.00	Solid all-rounder
Gemini 2.5 Pro	$1.25	$10.00	Budget multimodal
GPT-5.2	$1.75	$14.00	400K context
Gemini 3 Pro	$2.00	$12.00	Premium multimodal
Mistral Large 3	$2.00	$6.00	Open-weight multimodal
GPT-4.1	$2.00	$8.00	Budget coding
Claude Sonnet 4.5	$3.00	$15.00	Coding sweet spot
Grok 4	$3.00	$15.00	Top-tier reasoning
Claude Opus 4.5	$5.00	$25.00	Premium coding
GPT-5.2 Pro	$21.00	$168.00	Maximum accuracy
Llama 4	Free	Free	Self-hosted
Mistral (self-hosted)	Free	Free	Open-weight

Análise de valor: O DeepSeek V3.1 oferece o melhor desempenho por dólar para tarefas gerais. Para codificação, o Claude Sonnet 4.5 equilibra desempenho e custo. Para raciocínio máximo em escala, o GPT-5.2 Thinking fornece 400 mil de contexto a preços competitivos.

Recomendações estratégicas

Para equipes de desenvolvimento de software

Primário: Claude Sonnet 4.5 ou Claude Opus 4.5

• Use o Sonnet 4.5 para assistência diária à codificação
• Use o Opus 4.5 para decisões arquitetônicas ou refatoração de vários arquivos
• A eficiência do token do Opus 4.5 compensa seu preço mais alto por token

Para aplicativos voltados para o cliente

Primário: GPT-5.2 Thinking ou GPT-5.2 Instant

• O GPT-5.2 continua o foco da OpenAI na redução de alucinações
• Use o Instant para necessidades de alto volume e baixa latência
• Use o Thinking quando a precisão em consultas complexas justificar o custo de computação

Para análise de documentos e mídia

Primário: Gemini 3 Pro ou GPT-5.2 Thinking

• O Gemini 3 Pro é líder em compreensão multimodal (87,6% Video-MMMU) com 1M de contexto
• O contexto de 400 mil e o raciocínio sólido do GPT-5.2 o tornam excelente para fluxos de trabalho com muitos documentos
• Escolha o Gemini para análise de vídeo/imagem e o GPT-5.2 para documentos com muito texto

Para aplicativos de alto volume e sensíveis ao custo

Primário: DeepSeek V3.1 ou R1

• Os modelos DeepSeek oferecem 80-90% de economia em comparação com as alternativas ocidentais
• Desempenho competitivo para casos de uso de alto volume onde os custos de API dominam
• Considere os requisitos de conformidade e de residência de dados antes da adoção

Para implementação sensível à privacidade ou auto-hospedada

Primário: Llama 4

• Principal opção de peso aberto para organizações que não podem enviar dados para APIs externas
• O contexto de token de 10 milhões do Scout permite casos de uso impossíveis com outros modelos abertos
• Sem taxas de licenciamento e controle total sobre a implantação

Além do texto: Geração de vídeo e imagem

O ano de 2025 também registrou grandes avanços nos modelos de IA que vão além do texto - gerando vídeo, imagens e áudio.

Google Veo 3 / 3.1

O Veo 3 do Google (maio de 2025) redefiniu a geração de vídeo ao gerar nativamente áudio sincronizado - diálogo, efeitos sonoros e música - junto com o vídeo. Na I/O 2025, os usuários geraram dezenas de milhões de vídeos em poucas semanas.

O Veo 3.1 (outubro de 2025) adicionou uma geração de áudio mais rica e uma melhor compreensão cinematográfica. Os vídeos podem ter até 8 segundos em alta resolução.

Acesso:

• API Gemini
• Aplicativo Gemini (planos AI Pro/Ultra)
• Vertex AI
• Todas as saídas incluem marcas d'água SynthID para autenticidade do conteúdo

OpenAI Sora 2

O Sora 2 (2025) da OpenAI representa um salto significativo nas capacidades de geração de vídeo. Principais aprimoramentos:

• Precisão física: Permanência de objetos aprimorada e movimentos realistas
• Áudio sincronizado: Geração nativa de diálogo e efeitos sonoros
• Controlabilidade: Instruções de múltiplas cenas com consistência de cenário

Especificações:

• Resolução de até 1080p
• Duração de até 20 segundos
• Múltiplas proporções (widescreen, vertical, quadrado)

Acesso:

• Disponível através das assinaturas ChatGPT Plus e Pro
• Níveis superiores oferecem mais créditos e opções de resolução

Nano Banana / Nano Banana Pro

O misterioso modelo Nano Banana apareceu no LMArena em agosto de 2025, tornando-se viral pelas imagens fotorrealistas de "estatuetas 3D". Mais tarde, o Google o revelou como Gemini 2.5 Flash Image.

O Nano Banana Pro (novembro de 2025) foi desenvolvido com base no Gemini 3 Pro, com renderização de texto e conhecimento do mundo aprimorados. Principais recursos:

• Fusão de várias imagens em resultados perfeitos
• Consistência de assuntos em todas as revisões
• Edição de fotos em linguagem natural
• Resolução de até 4K

Acesso: Aplicativo Gemini, Google AI Studio, Vertex AI.

Principais tendências que moldarão 2026

• Especialização em vez de generalização — A abordagem "um modelo para governar todos" está dando lugar a modelos específicos de tarefas. Espera-se que as empresas implementem vários modelos, encaminhando solicitações com base no tipo de tarefa.

• As janelas de contexto continuam se expandindo — De 128 mil para 10 milhões de tokens em um único ano. Essa tendência continuará, possibilitando novos aplicativos em análise de base de código, revisão de documentos jurídicos e compreensão de vídeo.

• O código aberto reduz a lacuna — O DeepSeek e o Llama 4 demonstraram que os modelos abertos podem competir com os modelos proprietários. Isso pressiona os preços e oferece alternativas às empresas.

• Amadurecimento dos recursos do agente — A ênfase de Claude na IA "agêntica" e no controle do computador indica o rumo que 2026 está tomando: uma IA que não apenas responde a solicitações, mas toma medidas em seu nome.

Conclusão

O cenário do modelo de IA em 2025 recompensa a especificidade. Escolha modelos por tarefa, não por reputação.

Para os líderes empresariais, os itens de ação são claros:

1. Auditar seus casos de uso de IA por tipo de tarefa
2. Combine cada caso de uso com o modelo ideal
3. Considere uma estratégia de vários modelos com roteamento inteligente
4. Avalie as opções de código aberto para cargas de trabalho sensíveis ao custo ou críticas para a privacidade

Os modelos continuarão melhorando. Sua vantagem competitiva vem da implementação estratégica deles.

---

Fontes: Anthropic Claude Opus 4.5, OpenAI GPT-5, OpenAI GPT-5.1, OpenAI GPT-5.2, Google Gemini 3, Google DeepMind Gemini, DeepSeek R1, xAI Grok 4, Mistral Large 3, Artificial Analysis, LLM Leaderboard, VentureBeat GPT-5.2