Edição em Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Boris Power diz que a pesquisa da OpenAI se concentra sobretudo em gerações futuras do GPT

> No Fellows Forum, Boris Power estimou que 80% a 90% da pesquisa da OpenAI se volta a gerações futuras do GPT. O número é uma avaliação pessoal, sem uma divisão de recursos publicada ou um roteiro para o GPT-7/8.

By BIG CHANGE Editorial

Published: 2026-09-27T16:28:31.971Z
Updated: 2026-09-27T16:28:31.971Z
Canonical: https://bigchange.ai/blog/boris-power-openai-research-later-gpt-generations

![Conceptual charcoal illustration of an empty chair and a floor microphone on an unbranded stage before rows of seats.](https://bigchange.ai/api/media/file/openai-forum-remarks-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE.

No [Fellows Forum, em 23 de setembro](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5568s), Boris Power, chefe de pesquisa aplicada da OpenAI, estimou que 80% a 90% da pesquisa na empresa se concentra em “GPT-7, GPT-8 e além”. Ele apresentou o número ao explicar como a OpenAI equilibra o trabalho em produtos atuais com a pesquisa de modelos mais capazes. É uma estimativa pessoal feita em uma conversa pública; a OpenAI não publicou uma divisão de sua pesquisa que permita verificá-la.

## A grande mudança

- **O que mudou:** Power descreveu duas frentes conectadas: melhorias nos modelos usados atualmente pelas pessoas e pesquisas voltadas a gerações futuras. Ele estimou que essa segunda frente responde pela maior parte da pesquisa da OpenAI.
- **Por que isso importa:** Um modelo grande mais forte pode fornecer exemplos de treinamento para um modelo menor e mais barato em uma tarefa definida. Isso dá aos desenvolvedores motivos para acompanhar a pesquisa de ponta, mesmo quando usam modelos menores em seus produtos.
- **O que acompanhar:** Lançamentos futuros de modelos e divulgações técnicas poderão mostrar se avanços em modelos grandes chegam aos menores. A entrevista não forneceu datas de lançamento, especificações ou resultados do GPT-7 ou GPT-8.

## O contexto da estimativa

Power respondia a uma pergunta de Zachary Lipton sobre como solicitações de clientes alimentam a pesquisa. Ele disse que a OpenAI consegue melhorar um comportamento específico, como o uso de ferramentas, com dados de treinamento especializados e pesquisa aplicada. Segundo seu relato, atualizações incrementais dentro de uma geração de modelos muitas vezes atendem a essas necessidades. Ele argumentou que uma nova geração de modelos maiores pode mudar quais ajustes especializados continuam necessários. Descreveu alguns investimentos atuais como formas de aprender e melhorar mais rápido no presente, mesmo quando não fazem parte da estratégia de longo prazo.

Essa distinção levou ao comentário sobre os 80% a 90% em [1:32:52 da gravação do Fellows Forum](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5572s). Power se referiu à pesquisa **na OpenAI**, não apenas à pesquisa de sua própria equipe. Nem a gravação nem os materiais publicados pela OpenAI definem que pesquisa está sendo contabilizada, o período, o orçamento, o número de funcionários ou o método usado para chegar à estimativa. Portanto, o número deve ser lido como a descrição que Power faz das prioridades, não como uma medida auditada dos gastos ou da equipe da empresa.

Power citou GPT-7 e GPT-8 como exemplos de gerações futuras. Não anunciou nenhum dos modelos, não divulgou uma etapa de desenvolvimento nem forneceu um calendário de lançamento. O [catálogo atual de modelos da OpenAI](https://developers.openai.com/api/docs/models) lista GPT-6 Astra, Sol e Luna; oferece contexto público para os nomes usados por Power, mas não traz evidências sobre o estágio de desenvolvimento de gerações futuras.

## Por que ele falou sobre destilação

Logo após a estimativa, Power descreveu um modelo grande GPT-6 Astra ensinando um modelo menor GPT Luna. Seu argumento era que um modelo grande e forte pode fornecer exemplos para treinar um modelo menor. Ele explicava uma abordagem de pesquisa, não documentava que um modelo Luna lançado especificamente tivesse sido treinado com o Astra.

[O guia da OpenAI sobre ajuste fino supervisionado](https://developers.openai.com/api/docs/guides/supervised-fine-tuning#distilling-from-a-larger-model) descreve o mecanismo. Primeiro, o desenvolvedor verifica se um modelo maior tem bom desempenho em uma tarefa definida, seleciona resultados adequados, usa-os como exemplos de treinamento para um modelo menor e avalia o modelo menor nessa tarefa. A OpenAI diz que isso pode aproximar o desempenho do modelo menor ao do modelo maior **em uma tarefa específica**. Isso não significa que o modelo menor herde todas as capacidades do professor. O [anúncio da OpenAI sobre destilação de modelos](https://openai.com/index/api-model-distillation/) também descreve a avaliação, a captura de resultados e o ajuste fino como um processo iterativo.

A ideia tem uma história mais longa. Em um [artigo de pesquisa de 2015](https://arxiv.org/abs/1503.02531), Geoffrey Hinton, Oriol Vinyals e Jeff Dean estudaram a transferência de conhecimento de sistemas maiores para um modelo mais fácil de implantar. Esse trabalho explica o conceito de professor e aluno; não informa como a OpenAI distribui sua pesquisa atualmente.

Isso explica a relação que Power traçou entre a pesquisa de ponta e os modelos práticos. Um professor mais capaz pode criar material de treinamento útil para sistemas focados e de menor custo. O resultado depende da tarefa, dos exemplos selecionados e da avaliação. Power não apresentou resultados de destilação nem medições comparativas para o exemplo Astra–Luna.

A estimativa de Power chama atenção porque expressa sua visão de onde a OpenAI espera obter o maior valor de pesquisa. As evidências públicas confirmam o comentário e a técnica geral que ele mencionou. Não mostram como os recursos da OpenAI estão de fato divididos nem o que uma geração futura do GPT oferecerá.

## Sources

- [Fellows Forum 2026, Dia 1: Onde os modelos encontram a realidade](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5572s) — A gravação completa do organizador situa a estimativa de 80% a 90% de Power em 1:32:52 e, logo depois, sua explicação sobre professor grande e aluno pequeno. A pergunta de Lipton e a discussão de Power sobre trabalho incremental e entre gerações dão contexto. A gravação confirma o que ele disse, não uma divisão auditada de recursos nem um roteiro de produtos.
- [Evento e programação do Fellows Forum 2026](https://www.fellowsforum.com/) — O organizador data o primeiro dia em 23 de setembro e lista Boris Power como chefe de pesquisa aplicada da OpenAI, ao lado de Zachary Lipton, na sessão “Where Models Meet Reality”. Isso confirma o contexto do fórum e os palestrantes, mas não corrobora a estimativa numérica de Power.
- [API da OpenAI: ajuste fino supervisionado, destilação de um modelo maior](https://developers.openai.com/api/docs/guides/supervised-fine-tuning#distilling-from-a-larger-model) — A OpenAI descreve a captura de respostas bem-sucedidas de um modelo maior, seu uso no ajuste fino de um modelo menor e a verificação de desempenho em uma tarefa específica. Explica a técnica, não uma linhagem interna de modelos GPT-6 nem a transferência garantida de capacidades gerais.
- [OpenAI: destilação de modelos na API](https://openai.com/index/api-model-distillation/) — O anúncio para desenvolvedores da OpenAI explica os resultados de modelos armazenados, as avaliações por tarefa e o ajuste fino como um fluxo iterativo de destilação. Descreve uma oferta pública para desenvolvedores, não a distribuição interna de pesquisa da OpenAI.
- [API da OpenAI: modelos](https://developers.openai.com/api/docs/models) — O catálogo atual lista GPT-6 Astra, Sol e Luna. Dá contexto para os nomes públicos dos modelos; não estabelece a disponibilidade, o cronograma ou as especificações do GPT-7 ou GPT-8.
- [Hinton, Vinyals e Dean: Distilling the Knowledge in a Neural Network](https://arxiv.org/abs/1503.02531) — O artigo de pesquisa original oferece contexto histórico sobre a transferência de conhecimento para um modelo menor e mais fácil de implantar. Não verifica a afirmação de Power sobre a distribuição atual da pesquisa da OpenAI nem o histórico de treinamento de seus modelos GPT-6.