Um consórcio de pesquisa alemão lançou o Soofi S, um modelo de linguagem aberto de 30 bilhões de parâmetros que, segundo ele, lidera rivais totalmente abertos em benchmarks combinados em inglês e alemão, enquanto opera com o custo de inferência de um sistema muito menor. O lançamento importa além de ser apenas mais uma liberação de modelo porque a equipe está fazendo uma defesa direta de modelos fundacionais construídos na Europa e voltados para o alemão, capazes de competir em desempenho sem depender de APIs de hyperscalers dos EUA.

O lançamento também chega com uma ressalva incomum. De acordo com a cobertura do The Decoder e com o relatório técnico atualizado do consórcio citado ali, a equipe descobriu que perguntas de teste do benchmark científico GPQA haviam entrado acidentalmente nos dados de treinamento devido a um erro de divisão do conjunto de dados. Depois que a comunidade identificou o problema, o consórcio removeu o GPQA de sua avaliação, recalculou os resultados de todos os modelos comparados e afirmou que a classificação não mudou. Essa combinação de afirmações ambiciosas de benchmark e de uma correção pública de contaminação torna o Soofi S notável tanto pelo design técnico quanto pelo teste de transparência que agora enfrenta.

O que o Soofi S tenta fazer de forma diferente

Segundo o The Decoder, o Soofi S 30B-A3B é um sistema de mixture of experts com 31,6 bilhões de parâmetros no total, mas apenas cerca de 3,2 bilhões ativos por token. O consórcio teria adotado o design híbrido do Nemotron 3 Nano, da Nvidia, combinando camadas Mamba-2 com camadas de atenção tradicionais em vez de usar um transformer denso padrão em toda a rede.

Essa escolha arquitetural é central para a proposta do projeto. Em modelos transformer comuns, prompts longos aumentam a carga sobre o cache KV usado pela atenção, o que pode reduzir a vazão à medida que as janelas de contexto crescem ou mais requisições são atendidas em paralelo. O design do Soofi S, segundo se informa, limita esse efeito porque apenas uma pequena parcela das camadas mantém esse cache. O The Decoder diz que o consórcio mediu uma vazão quase constante de 4.000 a 256.000 tokens e relatou que, a 40.000 tokens com 32 requisições paralelas, o Soofi S gerou cerca de oito vezes mais tokens por segundo por GPU do que modelos densos na faixa de 14B a 24B.

Esses números são medições reportadas pelo consórcio, não benchmarks independentes de terceiros. Ainda assim, se se confirmarem em produção, fariam do Soofi S algo relevante para equipes que constroem aplicações ricas em documentos, copilotos de longo contexto e sistemas corporativos em que latência e uso de GPU importam tanto quanto as pontuações brutas de benchmark.

O modelo foi treinado inteiramente na infraestrutura da Deutsche Telekom, especificamente na Industrial AI Cloud da empresa em Munique, segundo o The Decoder. Isso importa por outro motivo: projetos de IA soberana na Europa muitas vezes têm lutado para demonstrar tanto acesso crível a computação quanto resultados técnicos críveis. O Soofi S é explicitamente posicionado como evidência de que um modelo treinado regionalmente e lançado abertamente pode usar infraestrutura local e ainda assim competir em avaliações convencionais.

Uma estratégia de dados primeiro para o alemão, sem abandonar o inglês

A maior aposta estratégica do consórcio parece estar mais na mistura de dados do que na arquitetura por si só. O The Decoder informa que o alemão representou 7,2% da primeira fase de treinamento 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.

Segundo esse relatório, o treinamento cobriu cerca de 27 trilhões de tokens em três fases: uma primeira passagem ampla sobre textos da web, código, matemática e domínios específicos; uma segunda passagem sobre material de maior qualidade; e uma fase mais curta de long context com documentos de até um milhão de tokens. A parte alemã veio de fontes como HPLT, German Commons, FinePDFs, FineWiki e o arquivo comercialmente licenciado Genios de conteúdo jornalístico alemão. A equipe também utilizou texto alemão traduzido por máquina e texto sintético.

Esse peso dos dados parece ter dado resultado na avaliação própria do consórcio. O The Decoder diz que o Soofi S lidera todos os modelos totalmente abertos na pontuação agregada em inglês e alemão em comparações com 16 rivais abertos, incluindo OLMo 3 32B e Apertus 70B. Em conhecimento específico da Alemanha, teria empatado com o Qwen3.5 35B-A3B no INCLUDE-DE. Em testes de programação, pontuações reportadas de 73,8 no HumanEval, 70,2 no MBPP e 84,2 no MBPP em alemão colocariam o modelo à frente de pares de código aberto na suíte de benchmarks do consórcio.

Para equipes europeias de IA, esse é o verdadeiro apelo comercial. Um modelo capaz de lidar com fluxos de trabalho empresariais bilíngues, geração de código e contexto factual ou regulatório local sem sacrificar a capacidade em inglês é mais fácil de justificar do que um modelo estritamente nacional que só funciona bem em tarefas domésticas. Se o Soofi S provar robustez na prática, poderá ser atraente para assistentes internos, ferramentas de busca e resumo, produtos de assistente de codificação e sistemas setoriais para trabalhadores do conhecimento germanófonos.

O problema do benchmark muda como o lançamento será julgado

A razão mais forte para tratar a história dos benchmarks com cuidado é que o problema de contaminação não era hipotético. O The Decoder relata que perguntas de teste reescritas de GPQA e GPQA Diamond acabaram dentro do conjunto QA-base usado durante o treinamento, incluindo versões em inglês e versões em alemão traduzidas por máquina.

Segundo o relatório, a causa foi uma peculiaridade de rotulagem no Hugging Face: o GPQA não tinha um split de treinamento separado, e seu conteúdo de teste estava sob o rótulo padrão "train". Como o pipeline selecionava material pelo nome do split, o benchmark vazou para o corpus de treinamento. Uma auditoria posterior teria encontrado mais três benchmarks com o mesmo padrão — TruthfulQA, BLiMP e Inverse Scaling — embora o The Decoder diga que eles não faziam parte da avaliação do Soofi S.

A resposta do consórcio, como descrita pelo The Decoder, foi remover o GPQA inteiramente da avaliação e recalcular os rankings comparativos de todos os 16 modelos. A equipe também disse que agora confere diretamente os dados de treinamento contra perguntas de benchmark em vez de depender de rótulos de split. Participantes do consórcio citados pelo The Decoder argumentaram que a divulgação pública dos dados tornou possível a detecção pela comunidade e, portanto, validou a abordagem aberta.

Esse é um ponto defensável, mas não apaga o episódio. Para compradores e desenvolvedores de modelos, o incidente reforça uma lição mais ampla: liderança em benchmarks é útil, mas apenas se o pipeline de dados e o processo de avaliação resistirem ao escrutínio externo. A disponibilidade reportada de cerca de 152 mil resultados individuais e uma avaliação separada pelo parceiro Ellamind em dados internos reservados ajudam o caso do consórcio, mas ainda estão estreitamente ligadas a participantes do projeto, e não a laboratórios externos neutros.

Onde o Soofi S parece forte — e onde não parece

O relato do The Decoder sugere que o Soofi S tem um perfil de forças claro, em vez de superioridade universal. O modelo aparentemente se sai especialmente bem em testes agregados em alemão e inglês e em benchmarks de código, ao mesmo tempo em que se beneficia de comportamento eficiente no atendimento de long contexts. Essas características se alinham mais a cargas de trabalho empresariais práticas do que a demonstrações pontuais de chatbot para consumidores.

Mas o mesmo relatório também aponta fraquezas. Em matemática competitiva em alemão, o Soofi S teria marcado 56 no Minerva MATH-DE, atrás de Qwen3.5 35B-A3B e Gemma 3 27B. Ele também ficou atrás no NaturalQuestions, algo que os autores teriam relacionado a menor capacidade de armazenamento factual por ter apenas cerca de 3 bilhões de parâmetros ativos por token.

Houve também um padrão de falha notável no teste RULER de long context. Segundo o The Decoder, quando solicitado a extrair palavras frequentes de um texto longo, a taxa de acerto do Soofi S caiu para cerca de 3% além de 32.000 tokens, enquanto o modelo Nemotron comparável manteve 60% a 64%. Os autores teriam atribuído essa fraqueza a dados de treinamento de long context que incluíam documentos longos, mas não tarefas sintéticas de extração suficientes.

Essa distinção importa para construtores de IA. "Long context" não é uma única capacidade. Um modelo pode processar entradas longas com eficiência e ainda assim ter dificuldades em comportamentos específicos de recuperação ou extração dentro dessas entradas. As equipes de produto que considerarem o Soofi S para IA corporativa devem testar a forma exata do fluxo de trabalho: revisão jurídica, resumo de suporte ao cliente, uso como assistente de codificação, copilotos de pesquisa ou recuperação de conhecimento multilíngue podem exigir partes diferentes do sistema.

Evidências, alegações e o que está verificado de forma independente

A maioria dos detalhes de desempenho, eficiência e treinamento desta história vem do relatório do The Decoder sobre os materiais técnicos do consórcio. Isso significa que as principais alegações de benchmark e vazão ainda são reportadas pelo consórcio, e não replicadas de forma independente.

O que parece mais bem sustentado pelas evidências disponíveis é a existência do lançamento em si, a escolha arquitetural baseada no Nvidia Nemotron, o uso da infraestrutura da Deutsche Telekom, a mistura de treinamento fortemente voltada para o alemão e a divulgação do consórcio de que conteúdo de teste do GPQA vazou para os dados de treinamento e depois foi removido da avaliação.

O que ainda é mais difícil de verificar com a fonte atual são as margens comparativas precisas contra OLMo 3 32B, Apertus 70B e Qwen3.5 35B-A3B, bem como as vantagens reais de serving sob cargas de produção. Essas alegações podem se mostrar direcionalmente corretas, mas reproduções externas importarão mais do que os gráficos do dia do lançamento.

O cronograma de licenciamento também merece atenção. O The Decoder diz que as variantes instruct e reasoning estão em beta e devem sair sob licença permissiva nas próximas semanas, enquanto um modelo Soofi L maior já está em treinamento. Até que essas variantes sejam lançadas e os desenvolvedores possam testá-las diretamente, a utilidade comercial da família ainda é apenas parcialmente visível.

O que observar a seguir

Primeiro, observe se avaliadores independentes reproduzem a manchete de que o Soofi S lidera entre os modelos totalmente abertos em alemão e inglês. Testes de terceiros em HumanEval, MBPP, RULER e suítes em língua alemã terão agora mais peso, já que o problema do GPQA é público.

Segundo, observe benchmarks de implantação em vez de model cards estáticos. Se o Soofi S realmente mantiver a vazão ao longo de long contexts melhor do que pares densos, isso pode importar para orçamentos de IA corporativa e para equipes que tentam atender muitos usuários simultâneos com capacidade limitada de GPU.

Terceiro, observe sinais de adoção em setores germanófonos. Um modelo treinado na infraestrutura da Deutsche Telekom e otimizado para alemão pode agradar clientes com requisitos de residência de dados, compras ou IA soberana, mas esses compradores também vão querer evidências de confiabilidade, segurança e suporte.

Por fim, observe se o Soofi L e os próximos modelos instruct mantêm o mesmo padrão de transparência. O argumento de abertura do consórcio só fica mais forte se futuros lançamentos continuarem a expor conjuntos de dados, métodos e correções pós-lançamento ao escrutínio externo.

Perspectiva da Creati.ai

O Soofi S é interessante não porque a Europa lançou mais um modelo aberto, mas porque mira um nicho mais prático: desempenho empresarial bilíngue mais eficiência em long context sobre infraestrutura local. Essa é uma proposta de valor mais útil do que soberania abstrata sozinha. Se as alegações de vazão sobreviverem à replicação, o Soofi S pode atrair construtores que precisam de sistemas de grande contexto sem pagar os custos de serving geralmente associados a modelos densos de ponta.

A divulgação da contaminação, porém, faz parte da história e não é apenas uma nota de rodapé. No mercado atual de modelos, transparência está se tornando uma característica competitiva por si só. O Soofi S pode acabar se beneficiando por ter corrigido o erro publicamente, mas ainda precisará de validação independente. Para fundadores e equipes corporativas, a conclusão correta não é "ignorar o modelo" nem "confiar nos benchmarks", e sim "testar os pesos abertos com suas próprias cargas de trabalho". É aí que o Soofi S vai virar um sério candidato a plataforma regional ou permanecer um impressionante relatório técnico.