China e EUA apertam regras sobre IA aberta e mudam o cálculo de qual modelo usar

Duas potências, dois movimentos regulatórios na mesma semana

Segundo o boletim Interconnects, de Nathan Lambert e Florian Brand, publicado em 20 de outubro de 2026, o MOFCOM (Ministério do Comércio da China) divulgou uma proposta de política, ainda não uma lei, que exigiria pré aprovação do governo para compartilhar modelos de IA de fronteira e outras tecnologias com o exterior. O próprio documento prevê aprovação automática para tecnologias open source, o que levou os autores do boletim a considerar o alarde desproporcional.

Ainda assim, círculos geopolíticos tratam a proposta como relevante porque ela cria uma estrutura regulatória que pode ser usada no futuro para controlar a indústria de IA chinesa como um todo. Fontes consultadas por Lambert e Brand sugerem outra leitura: a regra miraria menos nos modelos de fronteira e mais em casos como a venda da startup chinesa Manus para empresas ocidentais, evitando que ativos estratégicos saiam do país por aquisição.

No mesmo período, o Departamento de Segurança Interna dos EUA (DHS) emitiu uma ordem que proíbe a DeepSeek, como empresa e como plataforma de modelos, de atuar como fornecedora em compras do governo federal civil americano. A ordem é específica para a DeepSeek enquanto fornecedora direta.

A zona cinzenta que sobra pra quem já usa modelos derivados

O boletim aponta uma ambiguidade prática: não está claro se a restrição alcança modelos ajustados (finetunes) ou treinados a partir de saídas da DeepSeek. Os modelos Nemotron da Nvidia, por exemplo, há tempos dependem fortemente de dados gerados por modelos DeepSeek em suas receitas de treinamento. Se a leitura da ordem for ampla, isso afeta também quem usa esses derivados em contratos federais.

A Zhipu AI, fabricante da família GLM, já está na Entity List do BIS (Bureau of Industry and Security) americano, o que restringe seu acesso a tecnologia americana (chips, software, componentes de infraestrutura). Ou seja, o controle sobre laboratórios chineses não é só retórica recente: já existe infraestrutura de sanção em funcionamento, e a nova ordem sobre a DeepSeek se soma a ela.

Pra quem monta produto com modelo aberto chinês e vende para o setor público americano (ou pra fornecedores que dependem desses contratos), a pergunta deixou de ser só "esse modelo é bom o suficiente" e passou a incluir "esse modelo sobrevive a uma auditoria de procurement".

A DeepSeek respondeu abrindo a própria infraestrutura de inferência

Dias depois dessas notícias, a DeepSeek liberou publicamente o DeepInfer, sua pilha interna de inferência, provavelmente bem mais eficiente para rodar os modelos da própria DeepSeek do que ferramentas open source já estabelecidas como vLLM e SGLang. Estimativas citadas pelo boletim apontam que a DeepSeek chega a ter até 90% de margem bruta ao vender tokens usando essa pilha própria.

É sabido que os grandes laboratórios guardam ferramentas de inferência internas mais eficientes que o estado da arte público, mas essa é a primeira vez que um laboratório de ponta compartilha essas ferramentas. Provedores de inferência devem adotar o DeepInfer rapidamente, o que tende a empurrar pra baixo o preço do token dos modelos DeepSeek em toda a cadeia (ou, alternativamente, aumentar a margem de quem já oferece esses modelos). Para quem paga por token hoje usando algum endpoint de modelo DeepSeek, vale acompanhar se essa eficiência de fato chega ao preço final nas próximas semanas.

A safra de modelos que chegou no meio da turbulência

Enquanto o campo regulatório se move, a produção de modelos abertos não parou. A própria DeepSeek lançou duas iterações novas desde o boletim anterior: a mais recente, DeepSeek V4.1 Flash 1017, chega num tamanho inédito (552B de parâmetros totais, 16B ativos, arquitetura MoE) e passou a aceitar entrada de imagem. Ela mantém a licença MIT, dando sequência a um padrão de licenciamento permissivo que a própria DeepSeek ajudou a consolidar, num momento em que outros fabricantes caminham para licenças mais específicas e restritivas.

Outros lançamentos recentes de peso, segundo o boletim:

O caso da Reflection chama atenção porque é a primeira vez, segundo o boletim, que um modelo americano aberto sob licença permissiva (Apache 2.0) se posiciona como o mais forte dessa categoria específica. Não é o modelo aberto mais inteligente disponível no geral, mas sua eficiência em tokens indica uma pilha de pós-treinamento madura, e isso tem peso direto em custo operacional.

O que muda na prática pra quem escolhe modelo hoje

Em resumo: a escolha de modelo deixou de ser só uma questão de benchmark e preço por token. Antes de colocar um modelo chinês aberto em produção, especialmente se o cliente final for órgão público americano ou empresa que vende pra ele, vale mapear três coisas: se o modelo (ou algum derivado dele) está na lista de restrição do DHS ou na Entity List do BIS, se o fornecedor de inferência que você usa já adotou mudanças de preço vindas do DeepInfer, e se a licença do modelo (MIT, Apache 2.0 ou algo mais restritivo) é compatível com o uso comercial que você planeja.

Pra quem precisa de uma alternativa americana permissiva por motivo de compliance, Beam 1.0 da Reflection e a família Nemotron da Nvidia são os candidatos mais citados no momento, mesmo sem serem necessariamente os mais fortes em benchmark geral. Pra quem só quer o melhor custo-benefício técnico sem restrição de procurement, DeepSeek V4.1 Flash 1017 segue na frente em tarefas agênticas de engenharia de software, mas carrega o risco regulatório que o boletim descreve.

Vale ainda ficar de olho no Kimi K3.1, da Moonshot AI, que segundo o boletim já tem metadados aparecendo em bibliotecas públicas e pode ser lançado a qualquer momento. A proposta chinesa do MOFCOM, por enquanto, segue sendo só proposta, mas o precedente de criar um mecanismo de controle, mesmo com isenção para open source, é o tipo de coisa que vale monitorar antes de amarrar uma arquitetura inteira a um único fornecedor de modelo.

Fonte: Interconnects (Nathan Lambert)