Tecnologia além do código.
Régys Borges da Silveira
Início / Acervo

Tag: tokens

3 resultado(s)

Ilustração de quatro módulos de software e dois controles de ajuste sobre mesa clara, representando modelos Claude e esforço de raciocínio.

Modelos da Anthropic para programação: preços, raciocínio e quando usar cada Claude

Uma inteligência artificial pode explicar uma função rapidamente e, na solicitação seguinte, precisar investigar vários módulos para encontrar um erro intermitente. Tratar esses dois trabalhos como iguais costuma levar a uma escolha ruim: pagar capacidade que não será aproveitada ou economizar na chamada e gastar mais tempo corrigindo a resposta.

Ver resumo completo

Uma inteligência artificial pode explicar uma função rapidamente e, na solicitação seguinte, precisar investigar vários módulos para encontrar um erro intermitente. Tratar esses dois trabalhos como iguais costuma levar a uma escolha ruim: pagar capacidade que não será aproveitada ou economizar na chamada e gastar mais tempo corrigindo a resposta. Para quem mantém sistemas empresariais, interessa o custo da alteração confiável, não apenas o preço da resposta.

A proposta deste artigo é comparar os modelos Claude da Anthropic pela perspectiva do desenvolvimento cotidiano. O recorte, consultado em 2 de outubro de 2026, reúne Haiku 4.5, Sonnet 5.5, Opus 5.5 e Fable 5.1, com preços da API, controles de raciocínio, critérios de avaliação e prazos de migração. As sugestões de uso são pontos de partida para testes, não resultados de uma competição executada neste projeto.

Se a dificuldade não é obter outra resposta, mas definir o que uma alteração deve preservar, SDD em Delphi aprofunda especificações, contratos, casos de fronteira e critérios de aceite ligados à implementação e aos testes. Conheça a proposta e leia a degustação gratuita para avaliar como orientar sua próxima demanda com apoio de IA. Para estudar contexto, ferramentas, permissões e avaliação da solução que utiliza o modelo, a leitura complementar é IA Além da Conversa.

Publicado em · Régys Borges da Silveira
Ler artigo →
Mesa clara de desenvolvimento com notebook mostrando um fluxo de decisão e computador com código desfocado, representando a escolha de modelos de IA para programar.

Modelos da OpenAI para programação: comparação, preços e quando usar cada um

Escolher um modelo de inteligência artificial para programar parece simples até aparecer a conta — ou até o modelo mais barato errar uma alteração delicada. O nome mais novo nem sempre é o melhor para toda tarefa, assim como o maior preço por token não garante o menor custo por solução concluída.

Ver resumo completo

Escolher um modelo de inteligência artificial para programar parece simples até aparecer a conta — ou até o modelo mais barato errar uma alteração delicada. O nome mais novo nem sempre é o melhor para toda tarefa, assim como o maior preço por token não garante o menor custo por solução concluída. E há uma confusão comum: assinatura do ChatGPT ou do Codex não é a mesma coisa que cobrança pela API.

Neste guia, comparo os modelos gerais que a OpenAI apresenta como opções atuais de referência — GPT-6 Astra, GPT-6.1 Sol e GPT-6 Luna — pela perspectiva de quem escreve, revisa, explica e automatiza software. Também explico o que fazer com o GPT-5.3-Codex, que aparece em conversas e artigos recentes, mas foi descontinuado. Os preços são os publicados para a API em 2 de outubro de 2026; confira a página oficial antes de adotar um orçamento, pois modelos e tarifas mudam.

Escolher o modelo é apenas uma parte do trabalho. Para estudar como contexto, dados, ferramentas, permissões, avaliação e custos se combinam em uma solução operável, conheça IA Além da Conversa e leia a degustação gratuita na página do livro. Se o desafio é orientar as alterações de código com requisitos e critérios de aceite, SDD em Delphi oferece um percurso complementar. Essas leituras aprofundam o método, não indicam um fornecedor vencedor.

Publicado em · Régys Borges da Silveira
Ler artigo →

RadIA 2.3.0: como compactar o contexto da IA pode mudar a forma de programar no Delphi

Se você acompanha o RadIA, já sabe que a proposta do projeto não é colocar apenas mais uma janela de chat dentro do Delphi. O objetivo é permitir que a inteligência artificial participe de fluxos reais de desenvolvimento: inspecionar o projeto aberto, localizar símbolos, alterar arquivos, compilar, executar testes, analisar diffs e apresentar evidências verificáveis.

Ver resumo completo

Se você acompanha o RadIA, já sabe que a proposta do projeto não é colocar apenas mais uma janela de chat dentro do Delphi. O objetivo é permitir que a inteligência artificial participe de fluxos reais de desenvolvimento: inspecionar o projeto aberto, localizar símbolos, alterar arquivos, compilar, executar testes, analisar diffs e apresentar evidências verificáveis.

Esse tipo de experiência tem um desafio que normalmente aparece somente quando o agente começa a executar tarefas longas: o volume de contexto cresce muito rápido.

Uma compilação pode produzir centenas de hints. Uma suíte de testes pode repetir milhares de linhas de sucesso. Um diff pode ter centenas de kilobytes. Uma busca na base de conhecimento pode retornar trechos extensos. Se todo esse conteúdo continuar sendo reenviado integralmente ao modelo a cada nova decisão, a IA passa a gastar contexto, tempo e possivelmente dinheiro relendo informações que já foram processadas.

O RadIA 2.3.0 enfrenta esse problema com um RTK interno, escrito em Delphi e integrado diretamente ao Agent Runtime.

RTK, neste contexto, é uma camada de compactação de resultados de ferramentas. Em vez de entregar ao modelo todo o payload bruto em cada passo, o RadIA cria uma projeção menor, determinística e orientada às evidências que realmente importam. O resultado original não é apagado: ele permanece armazenado e pode ser recuperado por resumo ou por faixa sem executar a ferramenta novamente.

O efeito esperado é simples de explicar: menos ruído no contexto, mais espaço para raciocínio, menos repetição e maior capacidade de sustentar tarefas longas.

A versão 2.3.0 do RadIA reduz o volume de resultados reenviado aos modelos sem descartar a evidência original. Em dez execuções Release, o benchmark controlado mediu 96,71% de redução no corpus completo e 75,65% quando removemos o stress test de 1 MiB. Este artigo explica o que esses números realmente demonstram, o que eles não demonstram e por que tratar contexto como recurso pode ser uma evolução importante na programação assistida por IA.

Mas antes de falar em economia, precisamos responder à pergunta mais importante: os benchmarks são reais e confiáveis?

Publicado em · Régys Borges da Silveira
Ler artigo →