Um consórcio de pesquisa alemão lançou o Soofi S 30B-A3B, um grande modelo de linguagem aberto posicionado tanto como aposta de desempenho quanto como aposta de soberania para a pilha de IA da Europa. Segundo reportagem do The Decoder, citando o relatório de pré-treinamento do modelo, o sistema foi treinado inteiramente na infraestrutura da Deutsche Telekom em Munique e foi projetado para entregar forte desempenho em alemão sem abrir mão da competitividade em tarefas de inglês e programação.

O lançamento importa porque os esforços europeus em modelos abertos frequentemente se dividiram em dois campos: projetos multilíngues de interesse público que enfatizam cobertura e governança, e sistemas globais de pesos abertos que vencem em benchmarks, mas geralmente são moldados por laboratórios dos EUA ou da China. O Soofi S tenta fazer a ponte entre esses dois lados. O consórcio diz que o modelo agora lidera entre seus pares totalmente abertos nos benchmarks agregados de alemão e inglês, ao mesmo tempo em que usa uma arquitetura pensada para manter a inferência eficiente em longos contextos.

Essa combinação pode tornar o lançamento relevante além dos círculos de pesquisa. Para compradores corporativos, o Soofi S está sendo apresentado como um modelo que pode rodar em infraestrutura regional com documentação de treinamento transparente. Para construtores, é mais um sinal de que a concorrência em modelos abertos está se deslocando de contagem de parâmetros para uma mistura de curadoria de dados, eficiência de inferência e controle jurisdicional.

O que é o Soofi S e quem o construiu

Segundo o The Decoder, o Soofi S é um modelo mixture-of-experts com 31,6 bilhões de parâmetros no total, mas apenas cerca de 3,2 bilhões ficam ativos para cada token gerado. O consórcio chama o modelo de Soofi S 30B-A3B, refletindo esse padrão de ativação esparsa. Na prática, isso significa que seu perfil de computação pode parecer mais próximo do de um modelo muito menor do que de um sistema denso de 30B, ao menos na geração de tokens.

O projeto foi coordenado pelo KI Bundesverband, ou Associação Alemã de IA, e financiado pelo Ministério Federal da Economia e Energia da Alemanha dentro do programa europeu IPCEI-CIS, de acordo com o relatório citado pelo The Decoder. Entre as instituições participantes estão Fraunhofer IAIS, Fraunhofer IIS, DFKI, TU Darmstadt, Universidade de Würzburg, L3S Research Center, Berlin University of Applied Sciences, Ellamind e Merantix Momentum.

O aspecto de infraestrutura é central para a história. O modelo foi treinado na Industrial AI Cloud da Deutsche Telekom em Munique, com a execução ocorrendo de março a maio em até 512 GPUs Nvidia B200, segundo o relato técnico do The Decoder. A publicação diz que a rodada consumiu cerca de 253 mil horas de GPU. A instalação da Deutsche Telekom é descrita no relatório como operando com energia renovável, usando resfriamento por água de canal e alimentando o calor residual no distrito ao redor, embora esses detalhes de sustentabilidade venham dos materiais do próprio projeto e não de verificação independente.

A arquitetura e as escolhas de treinamento são a verdadeira história do produto

O design técnico ajuda a explicar por que o consórcio está enfatizando tanto a taxa de processamento quanto o desempenho bruto em benchmarks. O relatório diz que o Soofi S adota a arquitetura Nemotron 3 Nano da Nvidia sem modificações, usando um design híbrido que mistura camadas Mamba-2 com camadas de atenção convencionais.

Isso importa porque a inferência com contexto longo se tornou uma das partes mais caras e operacionalmente incômodas de servir modelos de estilo frontier. Os modelos Transformer padrão dependem de um cache de chave-valor que cresce com o comprimento do contexto. À medida que as entradas ficam maiores e a concorrência aumenta, a largura de banda da memória e o movimento de cache se tornam um gargalo. Segundo o The Decoder, apenas seis das 52 camadas do Soofi S mantêm esse cache, o que muda a forma como o modelo escala sob prompts longos.

O consórcio afirma que, com 40 mil tokens de contexto e 32 solicitações paralelas, o Soofi S produz cerca de oito vezes mais tokens por segundo por GPU do que modelos densos na faixa de 14B a 24B. O relatório também diz que a taxa de processamento permanece praticamente estável de 4 mil a 256 mil tokens, apontando o Qwen3.5 35B-A3B da Alibaba como o único outro modelo medido com comportamento semelhante. Essas são afirmações importantes para quem constrói fluxos de trabalho com muitos documentos, pipelines de recuperação ou sistemas de agentes com grandes contextos de trabalho, mas continuam sendo medições relatadas pelo consórcio, não benchmarks independentes de terceiros.

A receita de treinamento é igualmente notável. O consórcio diz ter processado cerca de 27 trilhões de tokens em três fases: uma primeira fase ampla de cerca de 20 trilhões de tokens cobrindo web, código, matemática e texto específico de domínio; uma segunda fase de cerca de 6 trilhões de tokens de maior qualidade; e uma fase final mais curta, projetada para ampliar a janela de contexto com documentos de até um milhão de tokens.

O que diferencia o Soofi S de muitos pares abertos é seu peso maior em alemão. O The Decoder relata que o alemão representou 7,2% da primeira fase e 15,3% da segunda, em comparação com cerca de 5% para todas as línguas não inglesas combinadas na receita de referência Nemotron da Nvidia. Os dados de treinamento teriam incluído HPLT, German Commons, FinePDFs, FineWiki e o corpus comercial Genios, além de texto em alemão traduzido por máquina e sintético.

As vitórias em benchmarks vêm com ressalvas

A principal afirmação é direta: o consórcio diz que o Soofi S lidera todos os modelos totalmente abertos nas pontuações agregadas de benchmarks em inglês e alemão. Os modelos que ele teria superado incluem o OLMo 3 32B do Allen Institute for AI e o Apertus 70B da ETH Zurich e da EPFL. O relatório também diz que ele superou as bases soberanas europeias em todos os benchmarks em alemão do conjunto de comparação.

Em tarefas de programação, o The Decoder diz que o Soofi S obteve 73,8% no HumanEval, 70,2 no MBPP e 84,2 em uma variante alemã do MBPP. No INCLUDE-DE, um benchmark de conhecimento regional específico da Alemanha, ele teria empatado com o Qwen3.5 35B-A3B em 61,2 pontos. O relatório ainda afirma que, em relação à base Nemotron, a mistura de dados focada em alemão melhorou a proficiência linguística em 15,1 pontos e o GPQA-Diamond em 9,6 pontos, sem prejudicar o desempenho em inglês.

Esses são resultados fortes, se se mantiverem em testes mais amplos, mas devem ser lidos com cuidado. As evidências disponíveis neste conjunto de notícias vêm da reportagem do The Decoder sobre o relatório de pré-treinamento do próprio projeto e os materiais do site. Não há auditoria independente de benchmarks no conjunto de fontes, nem reprodução externa das alegações de throughput ou qualidade.

O modelo também mostra fraquezas claras. O The Decoder relata que o Soofi S teve desempenho abaixo do esperado em matemática competitiva em alemão, marcando 56 no Minerva MATH-DE, atrás tanto do Qwen3.5 35B-A3B quanto do Gemma 3 27B. Ele também ficou atrás no NaturalQuestions, algo que os autores teriam relacionado ao menor número de parâmetros ativos em comparação com modelos densos, que podem reter mais conhecimento factual.

O comportamento em longo contexto também não é uniformemente forte. No teste RULER, o modelo aparentemente teve dificuldade em tarefas de extração envolvendo palavras frequentemente repetidas em documentos longos. Acima de 32 mil tokens, sua taxa de acerto caiu para cerca de 3%, enquanto o modelo Nemotron comparável ainda conseguia aproximadamente 60% a 64%, segundo o resumo do The Decoder. Os autores atribuem essa diferença à falta de dados sintéticos focados em extração no treinamento de longo contexto.

Um modelo aberto, mas não aberto em todas as definições

O Soofi S está sendo lançado com pesos do modelo, checkpoints intermediários selecionados, código de treinamento e avaliação e um inventário detalhado de dados, segundo o The Decoder. Esse nível de divulgação é significativo em um mercado em que “aberto” muitas vezes significa apenas pesos baixáveis com informações limitadas de procedência.

O consórcio diz que esse pacote atende à Open Source AI Definition 1.0 da Open Source Initiative. Ao mesmo tempo, o relatório reconhece que ele não atenderia a um padrão europeu de dados abertos mais rigoroso proposto, porque cerca de 1,3% da mistura de treinamento veio do corpus comercialmente licenciado Genios. A equipe diz que cerca de 99% do conjunto de dados pode ser reconstruído de forma independente, mas a licença exata de distribuição ainda não estava finalizada no momento do relatório.

Essa nuance importa para compras corporativas e para equipes de produto downstream. Para alguns usuários, pesos abertos mais código e documentação bastam. Para outros, especialmente compradores do setor público e empresas com exigências rígidas de redistribuição ou auditoria, os detalhes de licença ainda em aberto e a inclusão de dados sob licença comercial podem continuar sendo uma restrição relevante.

Por que isso importa para construtores e compradores corporativos

Para desenvolvedores de IA, a principal lição do Soofi S é que a especialização regional ainda pode fazer diferença. Em vez de tentar ser o mais multilíngue possível, o consórcio parece ter se concentrado na qualidade do alemão enquanto preservava ampla utilidade em inglês. Essa é uma estratégia prática para equipes que atendem setores regulados, documentação técnica, suporte ao cliente e fluxos internos de conhecimento, onde desempenho no idioma local vale mais do que cobertura universal.

Para implantações corporativas de IA, a combinação de pesos abertos, desempenho ajustado ao alemão e treinamento na infraestrutura da Deutsche Telekom dá ao modelo um posicionamento claro em torno de residência de dados e infraestrutura soberana. Isso não resolve automaticamente preocupações de conformidade ou risco, mas cria uma opção mais concreta para organizações que querem alternativas a plataformas fechadas dos EUA ou a lançamentos opacos de pesos abertos.

A arquitetura pode acabar sendo tão importante quanto os benchmarks. Se o Soofi S conseguir sustentar throughput em contextos muito longos em cenários reais de produção, ele pode ser útil para revisão de documentos, fluxos de assistente de programação e agentes de IA que precisam manter uma grande memória de trabalho. Mas esses casos de uso dependerão de o ponto fraco de extração observado no RULER aparecer ou não nas cargas de trabalho dos clientes. Um modelo rápido de longo contexto é menos atraente se falhar em tarefas-chave de recuperação ou extração dentro desses documentos longos.

Evidências e alegações

A maior parte das evidências substantivas desta história vem da reportagem do The Decoder sobre o relatório de pré-treinamento do consórcio, o site do projeto e os comentários do autor principal. Como resultado, as alegações mais fortes deste artigo, incluindo liderança em benchmarks, ganhos de throughput, eficiência de treinamento e conformidade com open source, devem ser tratadas como relatadas pelo projeto, e não verificadas independentemente.

O que parece sólido, a partir das fontes disponíveis, é a existência do lançamento, a arquitetura básica do modelo, o envolvimento do consórcio liderado pelo KI Bundesverband, o uso da infraestrutura da Deutsche Telekom e a publicação de pesos, código e documentação. O desempenho comparativo e as vantagens operacionais ainda são provisórios até que usuários externos testem o Soofi S contra OLMo 3 32B, Apertus 70B, Qwen3.5 35B-A3B, Gemma 3 27B e Nvidia Nemotron em ambientes reproduzíveis.

O que observar a seguir

O primeiro sinal a observar é a licença. Os termos exatos de lançamento vão determinar se o Soofi S é principalmente um artefato de pesquisa ou um modelo base prático para equipes de produto comerciais.

Segundo, procure benchmarks e testes de inferência independentes. Comparações externas em HumanEval, MBPP, cargas de trabalho de contexto longo e tarefas de documentos empresariais em alemão vão importar mais do que posições em rankings divulgadas pelo próprio projeto.

Terceiro, o consórcio diz que está buscando parceiros da indústria para a próxima fase em documentos técnicos, geração de código e sistemas baseados em agentes. Referências de implantação real nessas áreas seriam uma prova mais forte do que vitórias em benchmarks isoladamente.

Por fim, vale observar se o Soofi S vira um modelo para outros esforços europeus de IA soberana. Se a combinação de ponderação regional de dados, relatório transparente e design eficiente para contextos longos se mostrar útil, ela pode influenciar como futuros modelos abertos serão construídos em infraestrutura de nuvem local.

Perspectiva da Creati.ai

O Soofi S é notável não porque a Europa produziu outro modelo aberto, mas porque a equipe aparentemente fez uma escolha de produto mais precisa do que muitos projetos de IA de interesse público fazem. Ela escolheu um mercado linguístico específico, investiu em documentação aberta e adotou uma arquitetura otimizada para um problema real de serving: o custo de contexto longo.

A pergunta em aberto é se essas escolhas de design se traduzem em adoção. Compradores corporativos de IA se preocupam com clareza de licença, credibilidade de benchmarks e comportamento operacional sob cargas de trabalho bagunçadas em produção. Se o Soofi S puder mostrar desempenho confiável em pipelines de documentos em alemão e em cenários de assistente de programação sobre infraestrutura soberana, ele pode se tornar mais do que uma alternativa europeia simbólica. Caso contrário, pode continuar sendo um lançamento de pesquisa impressionante com tração comercial limitada.