A prefeitura do Rio de Janeiro publicou como open source um modelo de inteligência artificial de grande porte e colocou uma estatal municipal brasileira em um campo dominado por empresas como OpenAI, Google, Alibaba e DeepSeek. O Rio 3.5 Open 397B foi disponibilizado pela IplanRio, empresa de tecnologia da administração municipal, com pesos abertos e licença MIT.

O anúncio chamou atenção porque, segundo benchmarks divulgados pela própria equipe, o modelo superaria o Qwen, da Alibaba, em diferentes tarefas. A comparação, porém, ainda depende de validação externa.

O ponto técnico central é que o Rio 3.5 não foi treinado do zero. Segundo a descrição oficial no Hugging Face, que funciona como repositório de IAs abertas, o modelo foi pós-treinado a partir do Qwen 3.5 397B, LLM aberto da Alibaba.

Em termos práticos, trata-se de um trabalho de adaptação, refinamento e estratégia de inferência sobre uma base chinesa já existente.

O repositório reúne cerca de 807 GB distribuídos em 97 arquivos de pesos, com arquitetura Mixture-of-Experts, 397 bilhões de parâmetros totais e cerca de 17 bilhões ativos a cada token. Essa arquitetura permite reduzir o custo operacional, já que nem todos os parâmetros são acionados ao mesmo tempo.

À frente do projeto estão João Cabaretta, diretor-presidente da IplanRio, e Rafael Coelho, cientista-chefe da iniciativa. A abertura dos pesos por uma empresa municipal é incomum e cria um precedente para governos locais que discutem desenvolver soluções próprias de IA, em vez de depender apenas de fornecedores privados.

Modelo surgiu de iniciativa apresentada em abril

A linhagem do Rio 3.5 começou em abril de 2026, quando a prefeitura apresentou a plataforma Rio 3 Open, uma família de seis LLMs construída a partir do Qwen, durante o III Ciclo do Sandbox.Rio, projeto da prefeitura para testar tecnologias emergentes. A versão 3.5 é apresentada como evolução dessa base e foi liberada em junho.

A IplanRio gastou R$ 500 mil no desenvolvimento da primeira geração da IA, valor descrito como cerca de 30 vezes menor que o de um sistema de IA “de prateleira”. Um valor específico para o desenvolvimento do Rio 3.5 ainda não foi informado.

A melhora de desempenho divulgada pela equipe aparece em benchmarks, testes usados para comparar modelos de IA em tarefas específicas. Eles ajudam a medir desempenho, mas não funcionam como prova definitiva de superioridade: o resultado depende do tipo de teste, da forma como o modelo foi configurado e da possibilidade de outros pesquisadores repetirem o experimento.

No caso do Rio 3.5, o avanço reivindicado vem de duas etapas. A primeira é o pós-treino sobre o Qwen, que ajusta uma base já existente para melhorar respostas em determinados tipos de tarefa. A segunda é uma técnica chamada SwiReasoning, que altera a forma como o modelo organiza o raciocínio antes de responder.

Em uma discussão no Hugging Face, um integrante do projeto afirmou que, no teste IMOAnswerBench, o Qwen base marcava 80,9 pontos. Com o treino adicional, subia para 84,5. Com a camada de raciocínio latente ativada, chegava a 89,5.

A diferença é importante porque parte do ganho atribuído ao Rio 3.5 depende dessa camada extra de raciocínio, que não está disponível em todos os programas usados para rodar modelos de IA. Ferramentas comuns de inferência, como o llama.cpp, não implementariam esse recurso.

Também há pontos técnicos em aberto. Um deles é a janela de contexto: a configuração efetiva aparece como 262 mil tokens, enquanto o anúncio menciona 1 milhão com técnicas adicionais de escalonamento.

A leitura mais cautelosa, portanto, não é a de que um modelo municipal brasileiro tenha superado de forma definitiva os grandes laboratórios de IA. O fato verificável, até aqui, é que a prefeitura do Rio colocou no ar um modelo de grande escala, com licença permissiva, derivado do Qwen e com resultados que ainda precisam ser testados de forma independente.

Mesmo que as posições nos rankings mudem depois dessa validação, a iniciativa tem peso institucional. Ela recoloca no debate público temas como soberania tecnológica, controle de dados, custo de infraestrutura e dependência de plataformas privadas em políticas públicas de inteligência artificial.