8 modelos, arquiteturas e técnicas que estão redefinindo a tecnologia

Entenda as diferenças entre LLM, LCM, LAM, MoE, VLM, SLM, MLM e SAM — e descubra onde cada abordagem se encaixa.

Falar em inteligência artificial no singular pode transmitir uma ideia enganosa. Os sistemas que hoje chamamos genericamente de “IA” não pertencem a uma única família nem funcionam da mesma maneira.

Alguns modelos são treinados para produzir linguagem. Outros relacionam texto e imagens, identificam regiões dentro de uma fotografia, distribuem o processamento entre especialistas ou tentam transformar uma intenção em uma sequência de ações executáveis.

O problema é que siglas como LLM, LCM, LAM, MoE, VLM, SLM, MLM e SAM costumam aparecer lado a lado, como se representassem categorias equivalentes ou etapas sucessivas da evolução da IA.

Não representam.

Algumas dessas siglas identificam famílias de modelos. Outras descrevem objetivos de treinamento, mecanismos arquiteturais, modelos específicos ou conceitos emergentes de automação. Um sistema real pode, inclusive, combinar várias delas ao mesmo tempo.

Por isso, entender as diferenças é mais útil do que simplesmente memorizar oito acrônimos.

Antes da lista: as siglas não representam a mesma coisa

As oito expressões podem ser organizadas de acordo com aquilo que descrevem:

Essa classificação não cria fronteiras rígidas. Um VLM pode conter um LLM; um LLM pode utilizar MoE; um agente pode empregar um SLM e um SAM; e um LAM pode fazer parte de uma arquitetura agêntica maior.

Representação visual do ecossistema

Atenção à sigla LCM

Neste artigo, LCM significa Large Concept Model, em conformidade com o infográfico que utiliza sentenças, embeddings SONAR, difusão e quantização. Latent Consistency Model é uma tecnologia diferente, utilizada para reduzir o número de etapas de amostragem em modelos generativos de difusão. (arXiv)

Modelos voltados à linguagem e à representação

1. LLM: modelos de linguagem em grande escala

O que é

LLM é a sigla para Large Language Model, ou modelo de linguagem em grande escala. Esses modelos são treinados com grandes volumes de texto e parâmetros suficientes para aprender regularidades estatísticas, estruturas linguísticas e padrões presentes nos dados.

Nos LLMs generativos autoregressivos mais difundidos, o modelo recebe uma sequência de tokens e calcula qual token possui maior probabilidade de aparecer em seguida. O texto é construído repetindo esse processo sucessivamente.

O GPT-3 ajudou a demonstrar como o aumento de escala poderia produzir capacidades de adaptação por instruções e por poucos exemplos, ainda que o próprio estudo também tenha identificado tarefas nas quais o modelo permanecia inconsistente ou apresentava limitações metodológicas. [F1] (arXiv)

Como funciona

Uma entrada textual é dividida em unidades menores chamadas tokens. Esses tokens são convertidos em representações numéricas e processados por camadas de uma rede Transformer.

O mecanismo de atenção permite que o modelo relacione diferentes partes do contexto. O resultado é uma distribuição de probabilidades sobre os próximos tokens possíveis.

Isso não significa que o modelo consulte internamente uma base de fatos organizada como uma enciclopédia. Ele produz respostas com base nos padrões aprendidos durante o treinamento, no contexto recebido e, quando disponíveis, em ferramentas ou fontes externas.

Onde costuma ser aplicado

LLMs são utilizados em conversação, resumo, tradução, classificação, geração de código, extração de informações, redação assistida, análise documental e interfaces em linguagem natural.

Quando combinados com recuperação de documentos, ferramentas ou bancos de dados, também podem participar de sistemas mais amplos de suporte à decisão e automação.

Limites

Fluência não é sinônimo de exatidão. Um LLM pode gerar informações incorretas, preencher lacunas com conteúdo plausível, interpretar mal uma instrução ou reproduzir vieses presentes nos dados.

O desempenho também depende do contexto fornecido, da qualidade dos dados, do processo de alinhamento, das ferramentas conectadas e dos mecanismos de verificação.

Em uma frase: um LLM é uma família de modelos de linguagem de grande escala, não uma fonte automática de verdade.

2. SLM: modelos menores para aplicações mais restritas

O que é

SLM significa Small Language Model, ou modelo de linguagem de menor porte.

Não existe uma fronteira universal que determine exatamente quantos parâmetros separam um SLM de um LLM. O termo é relativo ao contexto tecnológico, à tarefa e à infraestrutura disponível.

A família Phi-3, por exemplo, demonstrou a execução de um modelo de 3,8 bilhões de parâmetros em um telefone. Já o MobileLLM investigou arquiteturas com menos de um bilhão de parâmetros para aplicações em dispositivos móveis. Isso mostra que “pequeno” descreve mais um perfil de implantação do que uma arquitetura única. [F2][F3] (arXiv)

Como funciona

Um SLM pode utilizar praticamente os mesmos princípios de um modelo maior: tokenização, embeddings, Transformers, atenção e geração autoregressiva.

A diferença pode estar no número de parâmetros, na profundidade da rede, no vocabulário, na quantidade de dados, na especialização e nas técnicas de compressão, quantização ou destilação.

Modelos menores também podem ser treinados para um domínio mais delimitado, reduzindo a necessidade de capacidade generalista.

Onde costuma ser aplicado

SLMs são especialmente úteis quando existem restrições de:

• latência;
• custo computacional;
• conectividade;
• memória;
• consumo energético;
• necessidade de execução local.

Podem ser utilizados em dispositivos móveis, sistemas embarcados, aplicações offline, classificação, extração estruturada, comandos locais e assistentes especializados.

Limites

O tamanho reduzido normalmente limita a capacidade de lidar com tarefas muito abertas, raciocínios extensos ou grandes variações de domínio.

A execução local pode melhorar o controle sobre os dados, mas não garante privacidade automaticamente. A aplicação ainda pode enviar telemetria, registrar entradas ou consultar serviços externos.

Em uma frase: SLMs trocam parte da capacidade geral por menor custo, menor latência e maior facilidade de implantação.

3. MLM: aprendizado pela reconstrução de partes ocultas

O que é

MLM pode significar Masked Language Modeling, o objetivo de treinamento, ou Masked Language Model, o modelo treinado a partir desse objetivo.

Ele não é diretamente equivalente a LLM ou SLM.

Enquanto muitos modelos generativos preveem o próximo token utilizando apenas o contexto anterior, o MLM oculta determinadas partes de uma sequência e tenta reconstruí-las utilizando informações dos dois lados.

O BERT popularizou essa abordagem ao pré-treinar representações bidirecionais sobre textos não rotulados. [F4] (arXiv)

Como funciona

Considere a frase:

“A inteligência artificial está transformando a [MÁSCARA].”

Durante o treinamento, o modelo tenta identificar a palavra ocultada com base no contexto à esquerda e à direita.

Esse processo incentiva a construção de representações úteis para compreender relações semânticas e sintáticas.

Onde costuma ser aplicado

Modelos treinados com mascaramento podem ser adaptados para:

• classificação de textos;
• análise de sentimentos;
• reconhecimento de entidades;
• resposta a perguntas;
• comparação semântica;
• recuperação e organização de informações.

Entretanto, não é correto afirmar que todo sistema de busca semântica ou todo modelo de embeddings utilize MLM. Existem diferentes arquiteturas e objetivos de treinamento para produzir representações vetoriais.

Limites

O objetivo de reconstruir tokens mascarados não é naturalmente idêntico à geração livre de textos longos. Por isso, modelos como o BERT costumam ser associados a tarefas de representação e compreensão, enquanto modelos autoregressivos são mais utilizados para geração.

Em uma frase: MLM descreve principalmente uma estratégia de aprendizagem, e não uma classe de modelos definida apenas pelo tamanho ou pela aplicação.

4. LCM: modelos que operam no nível de conceitos

O que é

Neste artigo, LCM significa Large Concept Model.

A proposta apresentada pela equipe de pesquisa da Meta tenta deslocar parte do processamento do nível de tokens para um espaço semântico de maior abstração.

Em vez de representar cada palavra ou subpalavra como a unidade fundamental, o trabalho utiliza, como prova de conceito, uma sentença como representação aproximada de um conceito. [F5] (Meta AI)

Como funciona

O fluxo experimental possui quatro etapas principais:

1. o texto é dividido em sentenças;
2. cada sentença é convertida em um embedding pelo sistema SONAR;
3. o LCM processa uma sequência de embeddings conceituais;
4. os conceitos gerados são novamente convertidos em texto.

O modelo é treinado para prever a próxima representação conceitual em vez de prever diretamente o próximo token.

Os pesquisadores exploraram regressão, quantização e variantes de difusão para modelar essas representações contínuas. O sistema é apresentado como prova de viabilidade, não como substituto consolidado para os LLMs. (arXiv)

Onde pode ser aplicado

A pesquisa avaliou principalmente tarefas como resumo e expansão de resumos. A abordagem também busca explorar:

• geração de textos longos com estrutura mais explícita;
• operações em diferentes idiomas;
• planejamento em níveis de abstração superiores;
• reutilização de representações semânticas entre modalidades.

Limites

O significado de “conceito” ainda é uma escolha de projeto. No estudo inicial, ele é aproximado por uma sentença, mas sentenças podem conter vários conceitos ou apenas fragmentos de uma ideia.

O desempenho também depende da qualidade do espaço de embeddings e dos codificadores e decodificadores utilizados.

Além disso, o LCM ainda é uma linha experimental recente. Seus resultados não demonstram que a modelagem por conceitos substituirá o processamento por tokens em aplicações gerais.

Em uma frase: o Large Concept Model tenta raciocinar sobre representações semânticas maiores que tokens, mas ainda é uma arquitetura de pesquisa em desenvolvimento.

Modelos que conectam linguagem e visão

5. VLM: quando texto e imagem entram no mesmo sistema

O que é

VLM significa Vision-Language Model. É uma família ampla de modelos capazes de relacionar informações visuais e linguísticas.

Nem todos os VLMs possuem a mesma arquitetura.

O CLIP, por exemplo, foi treinado para aproximar representações de imagens e suas descrições textuais em um espaço compartilhado. Já o LLaVA conecta um codificador visual a um modelo de linguagem e utiliza ajuste por instruções para permitir interações sobre imagens. [F6][F7] (arXiv)

Como funciona

Em uma arquitetura comum, a imagem passa por um codificador visual que transforma seus elementos em representações numéricas.

Essas representações são projetadas para um espaço compreendido pelo componente linguístico. O modelo pode então produzir uma resposta textual condicionada tanto pela imagem quanto pela pergunta do usuário.

Outras arquiteturas treinam texto e imagem de forma contrastiva, buscando aproximar pares correspondentes e afastar pares incompatíveis.

Onde costuma ser aplicado

VLMs podem participar de tarefas como:

• descrição de imagens;
• perguntas e respostas visuais;
• leitura assistida de documentos;
• interpretação de interfaces;
• análise preliminar de tabelas e gráficos;
• busca multimodal;
• suporte a pessoas com deficiência visual.

Limites

Reconhecer padrões visuais não equivale a compreender uma situação de forma garantida.

Um VLM pode interpretar incorretamente textos pequenos, posições espaciais, quantidades, gráficos ou elementos parcialmente ocultos. Também pode produzir uma resposta linguisticamente convincente para uma leitura visual equivocada.

Em domínios críticos, a saída precisa ser confrontada com dados estruturados, regras e validação humana.

Em uma frase: VLMs aproximam percepção visual e linguagem, mas não transformam automaticamente imagens em conhecimento confiável.

6. SAM: segmentação visual orientada por prompts

O que é

SAM significa Segment Anything Model.

Ao contrário de um VLM voltado à conversação sobre imagens, o SAM foi desenvolvido para uma tarefa específica: identificar e separar regiões visuais, produzindo máscaras de segmentação.

O modelo original foi treinado para receber prompts como pontos, caixas delimitadoras ou máscaras iniciais e transferir essa capacidade para objetos e distribuições não vistos durante o treinamento. [F8] (arXiv)

Como funciona

O sistema possui, em linhas gerais:

• um codificador de imagem;
• um codificador de prompts;
• um decodificador de máscaras.

A imagem é processada para gerar uma representação visual. O prompt indica qual região deve receber atenção. O decodificador combina essas informações e produz uma ou mais máscaras possíveis.

Onde costuma ser aplicado

A segmentação pode auxiliar em:

• edição de imagens;
• rotulagem de dados;
• análise de cenas;
• mapeamento;
• inspeção visual;
• robótica;
• imagens médicas;
• sistemas automotivos.

Entretanto, utilizar o SAM em um protótipo não é o mesmo que validar uma aplicação médica, industrial ou veicular.

Limites

O SAM separa regiões, mas não necessariamente informa corretamente o que cada região representa.

Uma máscara visualmente adequada pode precisar ser combinada com classificadores, regras de domínio ou VLMs. Aplicações críticas também exigem validação sobre dados específicos, análise de falhas e critérios de segurança próprios.

Em uma frase: SAM é uma ferramenta poderosa para separar objetos e regiões, não uma garantia de interpretação semântica ou decisão correta.

Arquiteturas para aumentar capacidade e eficiência

7. MoE: especialistas diferentes dentro do mesmo modelo

O que é

MoE significa Mixture of Experts, ou mistura de especialistas.

É um mecanismo arquitetural no qual diferentes conjuntos de parâmetros funcionam como “especialistas”. Um componente de roteamento decide quais especialistas processarão cada entrada ou token.

O objetivo é aumentar a capacidade total do modelo sem ativar todos os parâmetros em todas as operações. [F9] (arXiv)

Como funciona

Em uma camada MoE, o roteador calcula quais especialistas parecem mais adequados para determinado token.

Apenas um pequeno subconjunto — como o top-1 ou top-2 — é ativado. Os resultados escolhidos são então combinados e enviados à próxima camada.

Essa ativação esparsa permite que o modelo tenha uma quantidade total de parâmetros muito superior à quantidade usada em uma única passagem.

Onde costuma ser aplicado

MoE pode ser utilizado em:

• modelos de linguagem;
• tradução;
• sistemas multimodais;
• modelos de grande capacidade;
• aplicações distribuídas em aceleradores.

É importante observar que MoE não compete necessariamente com LLM, SLM ou VLM. Um modelo dessas famílias pode utilizar MoE internamente.

Limites

Um número maior de parâmetros totais não significa automaticamente menor custo real.

O sistema precisa armazenar os especialistas e movimentar dados entre dispositivos. O desempenho pode ser afetado por comunicação de rede, memória, distribuição desigual de tokens e especialistas sobrecarregados.

O treinamento também pode apresentar instabilidade e exigir mecanismos de balanceamento de carga.

Em uma frase: MoE aumenta a capacidade por meio de ativação seletiva, mas transfere parte da complexidade para a infraestrutura e o roteamento.

Da resposta à execução

8. LAM: modelos que transformam instruções em ações

O que é

LAM significa Large Action Model.

O termo vem sendo utilizado para descrever modelos orientados não apenas à produção de conteúdo, mas à conclusão de tarefas por meio da interação com interfaces, APIs, bancos de dados e ambientes externos.

Um artigo publicado on-line em 2025 e integrante da edição de 2026 da Business & Information Systems Engineering conceitua LAMs como uma classe especializada de modelos generativos voltada à realização de atividades e à orquestração programática. [F10] (Springer)

O termo, entretanto, ainda não possui uma definição universalmente estabilizada.

Como funciona

A passagem da linguagem para a ação exige uma arquitetura maior que o modelo isolado.

Um sistema pode precisar de:

• interpretação da intenção;
• decomposição da tarefa;
• planejamento;
• seleção de ferramentas;
• geração de parâmetros;
• autenticação;
• execução;
• verificação do resultado;
• tratamento de erros.

Trabalhos como ReAct e Toolformer já demonstraram formas de combinar linguagem, raciocínio e interação com ambientes ou APIs sem utilizar necessariamente o rótulo LAM. [F11][F12] (arXiv)

LAM, agente e uso de ferramentas são a mesma coisa?

Não exatamente.

LLM designa um modelo de linguagem.

Uso de ferramentas significa que o modelo consegue consultar ou acionar funções externas.

Agente de IA é um sistema que combina modelos, memória, planejamento, ferramentas e mecanismos de controle para perseguir um objetivo.

LAM é um rótulo emergente para modelos ou componentes orientados à geração e execução de ações.

Um sistema pode possuir uso de ferramentas sem ser chamado de LAM. Também pode ser apresentado como agente mesmo utilizando um LLM convencional como núcleo.

Onde pode ser aplicado

LAMs e sistemas relacionados podem atuar em:

• navegação em interfaces;
• atendimento com alteração de pedidos;
• preenchimento de sistemas;
• reserva de serviços;
• automação administrativa;
• operação de softwares;
• robótica;
• orquestração de processos.

Limites

Quando uma IA deixa de recomendar e passa a executar, o risco muda de natureza.

Uma resposta incorreta pode ser corrigida pelo usuário. Uma ação incorreta pode enviar uma mensagem, alterar um cadastro, aprovar uma operação, movimentar recursos ou interferir em um equipamento.

Por isso, sistemas orientados à ação precisam de permissões mínimas, autenticação, registros de auditoria, confirmação para operações sensíveis, limites de execução e mecanismos de interrupção ou reversão.

Em uma frase: quanto maior a capacidade de agir, maior deve ser a capacidade de controlar, verificar e auditar.

Como esses conceitos podem trabalhar juntos

As oito siglas não descrevem peças mutuamente exclusivas.

Um assistente corporativo poderia utilizar:

• um LLM para interpretar solicitações abertas;
• um SLM local para classificar comandos simples;
• um VLM para compreender documentos ou telas;
• um SAM para segmentar elementos de uma imagem;
• uma arquitetura MoE dentro do modelo principal;
• componentes orientados à ação associados ao conceito de LAM;
• representações treinadas com MLM em mecanismos auxiliares de recuperação;
• futuramente, um LCM para operar sobre estruturas conceituais mais abstratas.

A relação pode ser visualizada assim:

Essa composição demonstra por que avaliar apenas o modelo é insuficiente.

A qualidade do sistema também depende da arquitetura de integração, das fontes de dados, das permissões, das ferramentas disponíveis, da observabilidade e dos mecanismos de validação.

O que considerar ao escolher uma abordagem

Não existe um modelo universalmente superior. A escolha depende da combinação entre tarefa, infraestrutura e risco.

A pergunta mais importante não é “qual modelo é mais avançado?”, mas:

Qual combinação entrega o resultado necessário com custo, latência e risco aceitáveis?

Conclusão

LLM, SLM, MLM, LCM, VLM, SAM, MoE e LAM não formam uma escala evolutiva e não representam categorias mutuamente exclusivas.

Elas descrevem respostas diferentes para problemas diferentes:

• LLMs ampliam a capacidade de geração e processamento de linguagem;
• SLMs priorizam eficiência e implantação restrita;
• MLM descreve uma estratégia de aprendizagem por reconstrução;
• LCMs exploram a modelagem em um espaço conceitual;
• VLMs conectam visão e linguagem;
• SAM transforma prompts em máscaras de segmentação;
• MoE distribui o processamento entre especialistas;
• LAM aponta para sistemas orientados à execução de ações.

A tendência não é que uma dessas abordagens elimine todas as outras. O caminho mais provável é a construção de sistemas compostos, nos quais modelos especializados, ferramentas e controles trabalham em conjunto.

No fim, a nova anatomia da inteligência artificial não será definida apenas pelo que os modelos conseguem gerar, mas também por como percebem, representam, escolhem, executam e prestam contas de suas ações.

Referências

[F1] Brown, T. B. et al. Language Models are Few-Shot Learners. 2020. DOI: 10.48550/arXiv.2005.14165. (arXiv)

[F2] Abdin, M. et al. Phi-3 Technical Report: A Highly Capable Language Model Locally on Your Phone. 2024. DOI: 10.48550/arXiv.2404.14219. (arXiv)

[F3] Liu, Z. et al. MobileLLM: Optimizing Sub-billion Parameter Language Models for On-Device Use Cases. 2024. DOI: 10.48550/arXiv.2402.14905. (arXiv)

[F4] Devlin, J. et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. 2018. DOI: 10.48550/arXiv.1810.04805. (arXiv)

[F5] LCM Team et al. Large Concept Models: Language Modeling in a Sentence Representation Space. 2024. DOI: 10.48550/arXiv.2412.08821. (arXiv)

[F6] Radford, A. et al. Learning Transferable Visual Models From Natural Language Supervision. 2021. DOI: 10.48550/arXiv.2103.00020. (arXiv)

[F7] Liu, H. et al. Visual Instruction Tuning. 2023. DOI: 10.48550/arXiv.2304.08485. (arXiv)

[F8] Kirillov, A. et al. Segment Anything. 2023. DOI: 10.48550/arXiv.2304.02643. (arXiv)

[F9] Fedus, W.; Zoph, B.; Shazeer, N. Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity. 2021. DOI: 10.48550/arXiv.2101.03961. (arXiv)

[F10] Piccoli, G.; Rodriguez, J.; Mahmoud, A. Large Action Models for Programmatic Orchestration. Business & Information Systems Engineering, v. 68, p. 947–958, 2026. DOI: 10.1007/s12599-025-00966-y. (Springer)

[F11] Yao, S. et al. ReAct: Synergizing Reasoning and Acting in Language Models. 2022. DOI: 10.48550/arXiv.2210.03629. (arXiv)

[F12] Schick, T. et al. Toolformer: Language Models Can Teach Themselves to Use Tools. 2023. DOI: 10.48550/arXiv.2302.04761. (arXiv)

[F13] Luo, S. et al. Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference. 2023. DOI: 10.48550/arXiv.2310.04378. Referência utilizada apenas para diferenciar os dois significados da sigla LCM. (arXiv)