Jonas Ferreira

@jferreira

Unicorn appreciator, aspiring freelance astronaut 📚PhD degree - #icUFF - 💻 MSc - #cinUFPE

Rio Branco - Acre - Brazil

Joined January 2009

509 Following

151 Followers

1.6K Posts

jferreira retweeted

Product Guru’s

@product_gurus

about 2 months ago

Rio-3.5-Open-397B é um modelo de IA de fronteira (frontier-class) de código aberto lançado em 13 de junho de 2026 pela IplanRIO (Empresa Municipal de Informática e Planejamento S.A.), a empresa de tecnologia da Prefeitura do Rio de Janeiro. Ele está disponível no Hugging Face: https://t.co/EA55mAP4pa Principais características técnicas •Base: Post-trained a partir do Qwen 3.5 397B (especificamente Qwen/Qwen3.5-397B-A17B). •Arquitetura: Mixture-of-Experts (MoE) Transformer. •Parâmetros: ~397 bilhões totais / ~17 bilhões ativos. •Contexto: 1.010.000 tokens (1 milhão de tokens). •Licença: MIT (totalmente aberto, uso comercial e pesquisa permitido). •Tamanho dos pesos: ~807 GB. •Multimodal: Suporte a visão + texto (Image-Text-to-Text). •Idiomas fortes: Inglês, Português, Chinês e dezenas de outros (en, pt, zh, ja, ko, fr, de, es, ar etc.). Inovações principais: SwiReasoning A grande novidade é a integração nativa de SwiReasoning (baseado no paper de Shi et al., 2025 — arXiv:2510.05069, apresentado no ICLR 2026). É um framework de inferência sem treinamento (training-free) que alterna dinamicamente entre dois modos de raciocínio: •Raciocínio explícito → Chain-of-Thought tradicional (gera tokens em linguagem natural). •Raciocínio latente → Raciocínio contínuo no espaço oculto (hidden space), explorando múltiplos caminhos implicitamente sem emitir tokens. A troca é guiada por sinais de confiança baseados em entropia da distribuição de próximos tokens: •Baixa confiança (entropia subindo) → entra em modo latente. •Alta confiança → volta ao modo explícito. Vantagens: •Maior precisão. •Muito melhor eficiência de tokens (especialmente em orçamentos limitados). •O modelo foi especificamente post-trained para maximizar os ganhos do SwiReasoning. Existe repositório oficial: https://t.co/TJLywv0rzE Desempenho (benchmarks auto-reportados) O modelo supera significativamente a base Qwen 3.5 397B e compete ou vence o Qwen 3.7 Plus em vários benchmarks, especialmente em coding agentic. Principais destaques (comparação com base e concorrentes): Agentic Coding & Software Engineering •Terminal-Bench 2.1: 70.8% (Qwen 3.5 base: 52.5% | Qwen 3.7 Plus: 70.3%) •SWE-Bench Verified: 80.2% •SWE-Bench Multilingual: 77.0% (melhor da tabela) •DeepSWE: 23.0% Conhecimento & Raciocínio •GPQA Diamond: 90.9% •SuperGPQA: 72.3% (melhor) •HLE: 36.5% Matemática •HMMT 2026 Feb: 93.9% •IMOAnswerBench: 89.5% Multilingual •MMMLU: 89.8% (melhor) •MMLU-ProX: 85.6% (melhor) Multimodal •MMMU-Pro: 78.4% •MathVision: 89.1% Ele é especialmente forte em tarefas de coding agentic, raciocínio complexo e multilíngue (incluindo português). Contexto e história A IplanRIO já havia lançado em abril de 2026 a plataforma Rio 3 Open, uma família de 6 LLMs baseados em Qwen (licença MIT, gratuitos). O custo total do desenvolvimento foi de apenas R$ 500 mil (cerca de 30x mais barato que soluções proprietárias equivalentes). O Rio-3.5-Open-397B é o modelo mais avançado dessa linha até o momento. A equipe (que inclui pesquisadores da própria IplanRIO) afirma que treina modelos desde a era do o1 da OpenAI, com objetivo de fazer algo parecido com a DeepSeek, mas com orçamento muito menor — por isso o desenvolvimento incremental. Eles planejam lançar dezenas de modelos open source nos próximos meses e trabalham em parceria com universidades locais para validar benchmarks de forma independente (evitando “benchmaxxing”). Filosofia declarada: “É dever do governo avançar e democratizar a ciência” e tornar a IA acessível publicamente. Onde usar •Hugging Face: link direto acima. •Inferência recomendada: vLLM (suporte oficial). •Também funciona com Transformers, llama.cpp (com quantização), etc. •Requer hardware potente (múltiplas GPUs de alto desempenho), mas o MoE ajuda bastante na inferência (só ativa ~17B parâmetros por token).

product_gurus's tweet photo. Rio-3.5-Open-397B é um modelo de IA de fronteira (frontier-class) de código aberto lançado em 13 de junho de 2026 pela IplanRIO (Empresa Municipal de Informática e Planejamento S.A.), a empresa de tecnologia da Prefeitura do Rio de Janeiro.
Ele está disponível no Hugging Face: https://t.co/EA55mAP4pa
Principais características técnicas
•Base: Post-trained a partir do Qwen 3.5 397B (especificamente Qwen/Qwen3.5-397B-A17B).
•Arquitetura: Mixture-of-Experts (MoE) Transformer.
•Parâmetros: ~397 bilhões totais / ~17 bilhões ativos.
•Contexto: 1.010.000 tokens (1 milhão de tokens).
•Licença: MIT (totalmente aberto, uso comercial e pesquisa permitido).
•Tamanho dos pesos: ~807 GB.
•Multimodal: Suporte a visão + texto (Image-Text-to-Text).
•Idiomas fortes: Inglês, Português, Chinês e dezenas de outros (en, pt, zh, ja, ko, fr, de, es, ar etc.).
Inovações principais: SwiReasoning
A grande novidade é a integração nativa de SwiReasoning (baseado no paper de Shi et al., 2025 — arXiv:2510.05069, apresentado no ICLR 2026).
É um framework de inferência sem treinamento (training-free) que alterna dinamicamente entre dois modos de raciocínio:
•Raciocínio explícito → Chain-of-Thought tradicional (gera tokens em linguagem natural).
•Raciocínio latente → Raciocínio contínuo no espaço oculto (hidden space), explorando múltiplos caminhos implicitamente sem emitir tokens.
A troca é guiada por sinais de confiança baseados em entropia da distribuição de próximos tokens:
•Baixa confiança (entropia subindo) → entra em modo latente.
•Alta confiança → volta ao modo explícito.
Vantagens:
•Maior precisão.
•Muito melhor eficiência de tokens (especialmente em orçamentos limitados).
•O modelo foi especificamente post-trained para maximizar os ganhos do SwiReasoning.
Existe repositório oficial: https://t.co/TJLywv0rzE
Desempenho (benchmarks auto-reportados)
O modelo supera significativamente a base Qwen 3.5 397B e compete ou vence o Qwen 3.7 Plus em vários benchmarks, especialmente em coding agentic.
Principais destaques (comparação com base e concorrentes):
Agentic Coding & Software Engineering
•Terminal-Bench 2.1: 70.8% (Qwen 3.5 base: 52.5% | Qwen 3.7 Plus: 70.3%)
•SWE-Bench Verified: 80.2%
•SWE-Bench Multilingual: 77.0% (melhor da tabela)
•DeepSWE: 23.0%
Conhecimento & Raciocínio
•GPQA Diamond: 90.9%
•SuperGPQA: 72.3% (melhor)
•HLE: 36.5%
Matemática
•HMMT 2026 Feb: 93.9%
•IMOAnswerBench: 89.5%
Multilingual
•MMMLU: 89.8% (melhor)
•MMLU-ProX: 85.6% (melhor)
Multimodal
•MMMU-Pro: 78.4%
•MathVision: 89.1%
Ele é especialmente forte em tarefas de coding agentic, raciocínio complexo e multilíngue (incluindo português).
Contexto e história
A IplanRIO já havia lançado em abril de 2026 a plataforma Rio 3 Open, uma família de 6 LLMs baseados em Qwen (licença MIT, gratuitos). O custo total do desenvolvimento foi de apenas R$ 500 mil (cerca de 30x mais barato que soluções proprietárias equivalentes).
O Rio-3.5-Open-397B é o modelo mais avançado dessa linha até o momento. A equipe (que inclui pesquisadores da própria IplanRIO) afirma que treina modelos desde a era do o1 da OpenAI, com objetivo de fazer algo parecido com a DeepSeek, mas com orçamento muito menor — por isso o desenvolvimento incremental.
Eles planejam lançar dezenas de modelos open source nos próximos meses e trabalham em parceria com universidades locais para validar benchmarks de forma independente (evitando “benchmaxxing”).
Filosofia declarada: “É dever do governo avançar e democratizar a ciência” e tornar a IA acessível publicamente.
Onde usar
•Hugging Face: link direto acima.
•Inferência recomendada: vLLM (suporte oficial).
•Também funciona com Transformers, llama.cpp (com quantização), etc.
•Requer hardware potente (múltiplas GPUs de alto desempenho), mas o MoE ajuda bastante na inferência (só ativa ~17B parâmetros por token).

390

124

25K

Jonas Ferreira

@jferreira

Who to follow

Last Seen Users on Sotwe

Trends for you

Most Popular Users