Edição Markdown

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

# Boris Power afirma que a investigação da OpenAI visa sobretudo futuras gerações do GPT

> No Fellows Forum, Boris Power estimou que 80% a 90% da investigação da OpenAI se destina a futuras gerações do GPT. O número é uma avaliação pessoal, sem uma distribuição de recursos publicada nem um roteiro para o GPT-7 ou o GPT-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, diretor de investigação aplicada da OpenAI, estimou que 80% a 90% da investigação da empresa se centra no «GPT-7, GPT-8 e seguintes». Apresentou este número ao explicar como a OpenAI equilibra o trabalho em produtos atuais com a investigação de modelos mais capazes. É uma estimativa pessoal feita numa conversa pública; a OpenAI não publicou uma distribuição da sua investigação que permita verificá-la.

## A grande mudança

- **O que mudou:** Power descreveu duas frentes interligadas: melhorias nos modelos que as pessoas usam atualmente e investigação orientada para futuras gerações. Estimou que esta segunda frente representa a maior parte da investigação da OpenAI.
- **Porque é importante:** Um modelo grande mais potente pode fornecer exemplos de treino para um modelo menor e menos dispendioso numa tarefa definida. Isso dá aos programadores motivos para acompanhar a investigação de ponta, mesmo quando usam modelos menores nos seus produtos.
- **O que acompanhar:**Futuros lançamentos de modelos e divulgações técnicas poderão mostrar se os avanços nos modelos maiores chegam aos mais pequenos. A entrevista não indicou datas de lançamento, especificações ou resultados do GPT-7 ou do GPT-8.

## O contexto da estimativa

Power respondia a uma pergunta de Zachary Lipton sobre a forma como os pedidos dos clientes alimentam a investigação. Disse que a OpenAI consegue melhorar um comportamento específico, como a utilização de ferramentas, com dados de treino especializados e investigação aplicada. Segundo o seu relato, as atualizações incrementais dentro de uma geração de modelos muitas vezes respondem a estas necessidades. Argumentou que uma nova geração de modelos maiores pode alterar os ajustes especializados que continuam a ser necessários. Descreveu alguns investimentos atuais como formas de aprender e melhorar mais rapidamente no presente, mesmo quando não fazem parte da estratégia de longo prazo.

Esta distinção levou ao comentário sobre os 80% a 90%, aos [1:32:52 da gravação do Fellows Forum](https://www.youtube.com/watch?v=Xzsg-rLGzas&t=5572s). Power referia-se à investigação **na OpenAI**, não apenas à investigação da sua própria equipa. Nem a gravação nem os materiais publicados pela OpenAI definem que investigação é contabilizada, o período, o orçamento, o número de funcionários ou o método usado para chegar à estimativa. Por isso, o número deve ser entendido como a descrição que Power faz das prioridades, não como uma medição auditada das despesas ou da equipa da empresa.

Power citou o GPT-7 e o GPT-8 como exemplos de futuras gerações. Não anunciou nenhum dos modelos, não divulgou uma fase de desenvolvimento nem indicou 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; fornece contexto público para os nomes usados por Power, mas não apresenta provas sobre a fase de desenvolvimento das futuras gerações.

## Porque falou de destilação

Logo após a estimativa, Power descreveu um modelo grande, o GPT-6 Astra, a ensinar um modelo menor, o GPT Luna. O seu argumento era que um modelo grande e potente pode fornecer exemplos para treinar um modelo menor. Explicava uma abordagem de investigação, não documentava que um modelo Luna já lançado tivesse sido especificamente 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 programador verifica se um modelo maior tem bom desempenho numa tarefa definida, seleciona os resultados adequados, usa-os como exemplos de treino para um modelo menor e avalia este último na mesma tarefa. A OpenAI afirma que isto pode aproximar o desempenho do modelo menor ao do modelo maior **numa tarefa específica**. Isso não significa que o modelo menor herde todas as capacidades do modelo 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. Num [artigo de investigação 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 implementar. Esse trabalho explica o conceito de professor e aluno; não informa como a OpenAI distribui atualmente a sua investigação.

Isto explica a relação que Power estabeleceu entre a investigação de ponta e os modelos práticos. Um modelo professor mais capaz pode criar material de treino útil para sistemas especializados e menos dispendiosos. 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 a atenção porque exprime a sua visão sobre onde a OpenAI espera obter o maior valor da investigação. As provas públicas confirmam o comentário e a técnica geral que mencionou. Não mostram como os recursos da OpenAI estão efetivamente distribuídos nem o que uma futura geração do GPT irá oferecer.

## 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, a sua explicação sobre modelos professores grandes e modelos alunos pequenos. A pergunta de Lipton e a discussão de Power sobre o trabalho incremental e entre gerações dão contexto. A gravação confirma o que ele disse, não uma distribuição 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 de 23 de setembro e apresenta Boris Power como diretor de investigação aplicada da OpenAI, ao lado de Zachary Lipton, na sessão «Where Models Meet Reality». Isto confirma o contexto do fórum e os oradores, 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 recolha de respostas bem-sucedidas de um modelo maior, a sua utilização no ajuste fino de um modelo menor e a verificação do desempenho numa 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 da OpenAI para programadores 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 programadores, não a distribuição interna da investigação da OpenAI.
- [API da OpenAI: modelos](https://developers.openai.com/api/docs/models) — O catálogo atual lista GPT-6 Astra, Sol e Luna. Fornece contexto para os nomes públicos dos modelos; não estabelece a disponibilidade, o calendário ou as especificações do GPT-7 ou do GPT-8.
- [Hinton, Vinyals e Dean: Distilling the Knowledge in a Neural Network](https://arxiv.org/abs/1503.02531) — O artigo de investigação original oferece contexto histórico sobre a transferência de conhecimento para um modelo menor e mais fácil de implementar. Não verifica a afirmação de Power sobre a distribuição atual da investigação da OpenAI nem o histórico de treino dos seus modelos GPT-6.