No dia 13 de agosto de 2026 a OpenAI liberou o preview do Ultrafast, um novo nível de serviço que roda o GPT-5.6 Sol a até 750 tokens de saída por segundo, algo em torno de 14 vezes mais rápido que o processamento Standard. Em percentual, é o tal aumento de 1.300%.

A manchete está circulando errada em quase todo lugar: não é um modelo novo. É a mesma inteligência do GPT-5.6 Sol servida de outro jeito, em hardware da Cerebras. E entender essa diferença é o que separa quem vai aproveitar disso de quem vai só repostar o número.

• O que é: um service tier na API da OpenAI, não um modelo. Roda o GPT-5.6 Sol existente, com a mesma inteligência do Standard, segundo os dois fornecedores.

• O número: até 750 tokens de saída por segundo, até 14 vezes o Standard. O "até" está no material oficial e importa.

• Quem faz rodar: a arquitetura Wafer-Scale Engine da Cerebras, com 44 GB de SRAM em cada chip do tamanho de um wafer, mantendo os pesos dentro do chip.

• A letra miúda: preview limitado com lista de espera, sem preço publicado, sem data de disponibilidade geral e sem identificador de modelo separado.

• Onde muda o jogo de verdade: não no chat, mas em agente com muitos passos e em voz, onde a latência se acumula a cada etapa.

• O que fazer hoje: medir onde está a sua latência real antes de sonhar com 750 tokens por segundo. Na maioria das aplicações, o gargalo não é a geração.

O que a OpenAI anunciou, exatamente

Segundo o anúncio oficial da OpenAI, o Ultrafast roda o GPT-5.6 Sol até 14 vezes mais rápido que o processamento Standard, gerando até 750 tokens de saída por segundo, e estreia primeiro na API. A empresa posiciona o serviço como um passo em outra direção: mais trabalho útil por segundo, em vez de só mais capacidade.

O argumento central é o que mais me interessa como quem constrói: até agora, ter velocidade de tempo real significava trocar por um modelo menor ou mais especializado. Você escolhia entre resposta boa e resposta rápida. O Ultrafast propõe eliminar essa escolha.

A disponibilidade é restrita. O preview está liberado para um grupo selecionado de clientes, com expansão conforme a capacidade cresce. Entre os que já estão testando em produção aparecem Jane Street, Podium, Basis e Rogo, cobrindo programação, pesquisa financeira, comércio e suporte.

Ultrafast não é um modelo mais inteligente. É o mesmo modelo entregue rápido o suficiente para caber em lugares onde ele antes não cabia.

Por que a Cerebras consegue e a GPU tem dificuldade

Essa é a parte técnica que explica tudo, e ela é mais simples do que parece.

Inferência rápida em modelo grande não é problema de poder de cálculo, é problema de movimentação de dados. Para gerar cada token, o hardware precisa passar pelos pesos do modelo. Em GPU, esses pesos não cabem na memória rápida do chip, então eles são transferidos repetidamente entre a memória interna e a memória externa. O gargalo vira largura de banda de memória, não capacidade de processamento.

A abordagem da Cerebras é contrária: empacotar 44 GB de SRAM em cada chip do tamanho de um wafer. Os pesos ficam dentro do chip e os tokens fluem sem interrupção pelas camadas do modelo, distribuídas em pipeline entre os wafers. Sem ida e volta constante à memória externa, o custo por token despenca em tempo.

O detalhe estratégico está na consequência: a Cerebras afirma que essa abordagem escala de forma suave conforme o modelo cresce. Se isso se confirmar, a vantagem de velocidade não é um truque pontual deste modelo, é uma vantagem que se mantém nos modelos seguintes.

O recado para o mercado de chips

Vale registrar o que esse anúncio significa fora da parte técnica. A empresa mais visível de IA do mundo colocou o seu modelo mais capaz para rodar em hardware que não é o padrão dominante do setor, e transformou isso em produto pago. Para uma fabricante que abriu capital, essa é a validação comercial mais forte que existe.

Há mais no radar: a integração da Cerebras com a AMD para inferência desagregada é esperada em produção no quarto trimestre de 2026, e a disponibilidade via AWS Bedrock é esperada no primeiro trimestre de 2027. Isso amplia a base de infraestrutura de inferência rápida para além de um único acordo.

O que 750 tokens por segundo significa na prática

Número solto não diz nada. Vamos traduzir.

Para leitura humana, é excesso

Uma pessoa lê entre 200 e 300 palavras por minuto, ou seja, cerca de 4 palavras por segundo. O modelo gerando 750 tokens por segundo produz texto dezenas de vezes mais rápido do que você consegue ler. Passado um certo ponto, mais velocidade no chat não melhora nada, porque o gargalo virou você.

Por isso o marketing de velocidade em chat é enganoso. Se o seu uso é conversar, digitar prompt e ler resposta, o Ultrafast não muda sua vida.

Para voz, muda tudo

A fala humana confortável fica em torno de 150 palavras por minuto, o que dá algo perto de 3 a 4 tokens por segundo. A 750 tokens por segundo, a geração deixa completamente de ser o gargalo de um sistema de voz. O que sobra como problema é reconhecimento de fala, síntese e rede.

Não é coincidência que um dos clientes do preview relate ganho justamente na pilha de voz. Atendimento por telefone com modelo de fronteira, sem aquela pausa constrangedora antes de cada resposta, passa a ser viável.

Para agentes, é onde o jogo vira

Aqui está a leitura que quase ninguém fez, e é a mais importante. Latência em agente não soma, ela se acumula em cadeia.

Pegue um agente que executa 10 passos, cada um gerando 500 tokens de saída:

• A 50 tokens por segundo: 10 segundos por passo, 100 segundos de espera total. Ninguém fica olhando uma tela por um minuto e quarenta.

• A 750 tokens por segundo: menos de 0,7 segundo por passo, algo em torno de 7 segundos no total.

É a diferença entre um fluxo que roda em segundo plano e você confere depois, e um fluxo que roda enquanto a pessoa espera na tela. São dois produtos completamente diferentes construídos com o mesmo modelo.

Some a isso o efeito na arquitetura: quando cada chamada custa fração de segundo, passa a valer a pena chamar o modelo mais vezes. Verificar a própria resposta, tentar três caminhos e escolher o melhor, revalidar antes de agir. Padrões que hoje são caros em tempo viram triviais. É por aí que a qualidade do resultado sobe sem o modelo ficar mais inteligente.

A letra miúda que você precisa ler antes de planejar

Sou entusiasta da notícia e vou ser chato com ela na mesma medida, porque planejamento feito em cima de número de anúncio custa caro.

• Não existe preço publicado. Velocidade dessa ordem quase sempre vem com prêmio no preço por token. Sem número, não dá para calcular retorno.

• Não existe data de disponibilidade geral nem identificador de modelo separado. Você não pode escrever código apontando para isso hoje.

• É preview com lista de espera e grupo restrito de clientes. Provavelmente não é para você agora.

• O "até" faz trabalho pesado. Pico de 750 tokens por segundo em condição otimizada é diferente de vazão sustentada sob carga real de produção. É exatamente isso que o preview existe para descobrir.

• Todo múltiplo comparativo veio dos próprios fornecedores. Os 14 vezes contra o Standard e as comparações que circulam contra modelos concorrentes, incluindo as que citam o Claude Fable 5, são números divulgados por quem vende, não medição independente. Espere as medições de terceiros antes de usar isso em apresentação para cliente.

O detalhe brasileiro que ninguém está comentando

Aqui é onde a euforia encontra a física. Se você chama a API a partir do Brasil, existe uma parcela de latência que nenhum chip resolve: a ida e volta do pacote até o data center.

Um round trip entre São Paulo e a costa leste dos Estados Unidos fica tipicamente na casa de 110 a 160 milissegundos, antes de qualquer processamento. Some a isso o tempo até o primeiro token, o handshake de conexão e cada chamada de ferramenta do seu agente.

Traduzindo: se o seu fluxo gasta 400 milissegundos em rede e chamadas de ferramenta e 800 milissegundos gerando texto, cortar a geração em 14 vezes leva o total de 1,2 segundo para cerca de 460 milissegundos. É um ganho ótimo, mas está longe dos 1.300% da manchete, porque a manchete descreve uma parte do problema, não o problema inteiro.

Antes de qualquer coisa, instrumente o seu sistema e separe três números: tempo até o primeiro token, tempo de geração e overhead de ferramentas e rede. Só depois disso você sabe se velocidade de inferência é o seu gargalo ou se você está prestes a pagar caro para otimizar os 20% errados.

Quem deveria se importar agora

Se importa muito

• Atendimento por voz. É o caso de uso mais claro. A geração deixa de ser gargalo e o produto passa a soar natural.

• Agente com muitos passos. Automação de várias etapas, orquestração e fluxos que hoje rodam em segundo plano por serem lentos demais para a tela.

• Programação assistida. Sugestão que chega antes de você mudar de contexto mental é outra experiência.

• Decisão sob pressão de tempo, como pesquisa financeira, resposta a incidente e checkout.

Não importa quase nada

• Geração de conteúdo em lote. Se o resultado é lido daqui a uma hora, ninguém liga se levou 8 ou 80 segundos.

• Chat com pessoa lendo. Como mostrei acima, você já é o gargalo.

• Processamento em fila e tarefas noturnas. Aqui o que importa é custo por token, não latência.

Se você está no segundo grupo, essa notícia não muda o seu roteiro. E está tudo bem: reconhecer que uma novidade não é para você é a decisão técnica mais lucrativa que existe.

A leitura de fundo

Durante três anos o setor inteiro competiu numa variável só: capacidade do modelo. Esse anúncio muda o eixo. A frase que resume a mudança é a da própria OpenAI: mais trabalho útil por segundo.

Isso importa porque latência é o que separa demonstração de produto. Todo mundo que construiu agente sabe: o fluxo funciona lindamente no vídeo de apresentação e morre no uso real porque ninguém aguenta esperar. Quando o tempo de resposta acompanha a interação humana, a IA sai da aba do navegador e entra no meio dos processos que não podem parar.

E tem o efeito de segunda ordem: se velocidade vira commodity de fronteira, a próxima disputa é energia, capacidade de fabricação e custo por token servido. É a mesma conversa que já estava em curso sobre os limites físicos da computação, agora com um competidor novo mostrando que existe mais de um caminho para atacar o problema.

O que eu faria nesta semana

1. Meça antes de desejar. Coloque instrumentação nos seus fluxos de IA e separe tempo até o primeiro token, tempo de geração e overhead de ferramenta e rede. Sem esses três números, qualquer decisão sobre velocidade é chute.

2. Corte o que é gratuito de cortar. Prompt menor, contexto enxuto, cache de contexto, streaming de resposta na interface e chamadas de ferramenta em paralelo em vez de em série. Isso melhora a percepção de velocidade hoje, sem lista de espera e sem preço novo.

3. Abstraia a camada de inferência. Se o nome do fornecedor está espalhado pelo seu código, você não consegue testar um tier novo sem refatorar. Uma interface própria na frente resolve isso em poucas horas e vale para qualquer mudança futura.

4. Liste os fluxos que você não construiu por causa de latência. Esse documento é o seu mapa de oportunidade quando o Ultrafast abrir, e ele é útil mesmo que nunca abra.

5. Não reescreva nada agora. Preview sem preço, sem data e sem identificador de modelo não sustenta decisão de arquitetura.

Se a sua empresa quer entender onde a IA realmente encaixa no processo, com número em vez de manchete, é exatamente o tipo de análise que entrego com escopo, prazo e orçamento fechados num estudo de viabilidade. Sigo publicando aqui no blog as análises com fonte, data e conta feita, e reuni material de estudo na página Aprenda.

Se você acompanha essa transição por outro ângulo, escrevi sobre o que a chegada dos agentes está fazendo com a busca e com os sites em O Google vai acabar com a internet?, com os dados de 2026.

Informações apuradas em 15 de agosto de 2026 a partir dos comunicados oficiais da OpenAI e da Cerebras. O produto está em preview e muda rápido.

Perguntas frequentes

O que é o Ultrafast da OpenAI?

É um novo nível de serviço na API da OpenAI, anunciado em 13 de agosto de 2026, que roda o GPT-5.6 Sol a até 750 tokens de saída por segundo, cerca de 14 vezes mais rápido que o processamento Standard. Não é um modelo novo: é o mesmo GPT-5.6 Sol servido em hardware da Cerebras, com a mesma inteligência da versão padrão, segundo os dois fornecedores.

Como a Cerebras consegue essa velocidade?

Pela arquitetura Wafer-Scale Engine. Inferência em modelo grande é limitada por movimentação de dados, porque em GPU os pesos precisam ir e voltar entre a memória do chip e a memória externa a cada token gerado. A Cerebras empacota 44 GB de SRAM em cada chip do tamanho de um wafer, mantendo os pesos dentro do chip enquanto os tokens fluem pelas camadas distribuídas em pipeline entre wafers.

O Ultrafast já está disponível para qualquer desenvolvedor?

Não. É um preview limitado, com lista de espera, liberado inicialmente para um grupo selecionado de clientes e disponível primeiro pela API. Não há preço publicado, data de disponibilidade geral nem identificador de modelo separado. A OpenAI informou que vai ampliar o acesso conforme a capacidade crescer.

Ele é mesmo 11 vezes mais rápido que os modelos concorrentes?

Esse tipo de comparação está circulando, mas todos os múltiplos divulgados até agora vêm dos próprios fornecedores, não de medição independente. O número mais bem documentado é o de até 14 vezes em relação ao processamento Standard da própria OpenAI, e ele traz um "até" que faz diferença entre pico otimizado e vazão sustentada em produção.

Vale a pena mudar meu sistema por causa disso?

Não agora, e talvez nem depois. Primeiro meça onde está a sua latência real, separando tempo até o primeiro token, tempo de geração e overhead de ferramentas e rede. Se você chama a API do Brasil, existem de 110 a 160 milissegundos de ida e volta que nenhum chip elimina. Em muitos sistemas a geração não é o gargalo principal, e otimizá-la traz ganho menor do que a manchete sugere.

Para que tipo de aplicação essa velocidade realmente importa?

Para atendimento por voz, onde a geração deixa de ser gargalo, e principalmente para agentes com muitos passos, onde a latência se acumula em cadeia: um fluxo de 10 etapas gerando 500 tokens cada sai de cerca de 100 segundos a 50 tokens por segundo para algo perto de 7 segundos a 750. Para geração em lote, processamento em fila e chat lido por uma pessoa, o ganho é irrelevante.

Fontes

• OpenAI, anúncio oficial do preview do Ultrafast

• Cerebras, detalhamento técnico da arquitetura Wafer-Scale Engine aplicada ao Ultrafast

• Comunicado oficial da Cerebras sobre o novo tier

• Help Net Security, sobre os casos de uso testados durante o preview

• Análise da letra miúda do anúncio e da origem dos números divulgados