EM POUCAS LINHAS
- A redução relatada de tempo de GPU diz respeito ao treinador de um experimento por reforço, não a qualquer ajuste fino.
- A comparação de ponta a ponta do DaisyRose inclui o trabalho dos agentes e não fornece a duração de um job supervisionado.
- Em jobs supervisionados analisados por outra equipe, preparação, avaliação e checkpoints ajudam a explicar a distância entre FLOPs e tempo decorrido.
- Para planejar capacidade no Brasil, é preciso medir o próprio fluxo; as fontes não fornecem uma estimativa local.
Os ganhos de eficiência anunciados para o DaisyRose-27B permitem prever quanto levaria um ajuste fino? Não diretamente. Os relatos publicados em 18 de novembro de 2026 descrevem experimentos diferentes: a RadixArk apresenta o treinamento por reforço de seu modelo, enquanto a Dharma-AI examina a duração de jobs de ajuste fino supervisionado. Essa é a data de publicação dos textos, não uma data informada para cada execução estudada. A diferença de objetivos, escala e definição de tempo impede transformar uma aceleração do primeiro relato em prazo para um job do segundo — ou para uma equipe que ainda não mediu seu próprio ambiente.
O que foi acelerado no DaisyRose-27B
A RadixArk relata que treinou o DaisyRose-27B por reforço em tarefas de agentes, com cerca de 1.200 tarefas selecionadas, ao longo de 18 dias em 144 GPUs H200. No arranjo descrito, 128 GPUs executavam a inferência dos agentes e 16 treinavam o modelo com as trajetórias produzidas. Os agentes continuavam trabalhando enquanto o treinador aprendia; atualizações do modelo eram distribuídas às GPUs responsáveis pelas tarefas. Trata-se de um ciclo que envolve geração de trajetórias, ambientes de execução e treinamento, não apenas uma sequência de passos de otimização sobre exemplos previamente preparados.
A equipe informa utilização de FLOPs do modelo de 37% em seu backend, contra 16% no treinador de código aberto em execuções comparáveis, e atribui a isso 57% menos tempo de GPU para o mesmo trabalho de treinamento. Essa comparação caracteriza a eficiência do treinador; não significa que todos os componentes do experimento, nem um ajuste fino de outra equipe, terminariam 57% antes. Para o fluxo completo de agentes descrito pela RadixArk, o relato aponta aproximadamente 16.800 tokens por segundo no conjunto de 144 GPUs, ante aproximadamente 8.300 no treinador de código aberto usando as mesmas GPUs, contando o tempo gasto pelos agentes em suas tarefas. A métrica de vazão também não é, por si só, uma duração de job: para convertê-la em prazo seria necessário conhecer o trabalho total e as etapas incluídas na medição.
O texto da RadixArk anuncia o lançamento do modelo e diz que seus checkpoints estão disponíveis; isso é diferente de demonstrar que um ajuste fino futuro, com outra configuração, terá a mesma eficiência. Também não é uma validação independente: os números e condições são apresentados pela própria equipe.
Por que a conta de FLOPs não é um cronômetro
A comparação mais próxima da pergunta sobre duração vem da Dharma-AI, que estudou 272 jobs reais de ajuste fino supervisionado em GPUs H200 de seu ambiente de produção. Segundo os autores, a estimativa baseada em FLOPs com a melhor utilização escolhida entre as configurações comparadas teve erro absoluto médio de 12,41 horas; um regressor CatBoost obteve 1,71 hora em validação cruzada de cinco partições. Esses são erros observados no conjunto da Dharma-AI, não margens aplicáveis ao DaisyRose-27B ou garantias para novos jobs.
A estimativa por FLOPs aproxima o trabalho do ciclo de otimização a partir de tamanho do modelo, volume de tokens e capacidade computacional efetiva. Mas um job precisa preparar o ambiente, baixar e carregar o modelo e tokenizar dados; durante a execução, avaliações e gravação de checkpoints consomem tempo; ao final, há transferência do modelo para armazenamento. A Dharma-AI explica que rede e armazenamento também são disputados em seu cluster compartilhado. Mesmo sua referência analítica para FLOPs contabilizou tokens previstos para avaliação e testou diferentes níveis de utilização: a divergência observada não decorre apenas de esquecer esses tokens ou escolher uma única taxa de utilização inadequada.
Há ainda uma fronteira na palavra “duração”: a Dharma-AI mede o intervalo entre a alocação das GPUs e o término do job, excluindo a espera na fila. Portanto, nem o erro de seu preditor nem os tempos estudados estimam automaticamente quando uma solicitação enviada a um serviço ficará pronta, caso exista espera antes da alocação.
O que pode ser aproveitado sem transportar os números
O estudo da Dharma-AI abrange apenas ajuste fino supervisionado, com alocações de uma, duas ou quatro H200; não inclui treinamento por reforço. Já a configuração de 144 H200 relatada pela RadixArk integra inferência de agentes e treinamento. Comparar diretamente as durações ou projetar o ganho percentual de um caso sobre o outro misturaria cargas de trabalho e pontos de partida distintos.
O resultado do preditor tampouco resolve a extrapolação para qualquer instalação. Os autores da Dharma-AI alertam que seu modelo foi calibrado somente em H200 e que os erros aumentam nos jobs acima de 60 horas, faixa pouco representada nos dados. Eles apresentam o texto como prévia de um artigo completo ainda por publicar, no qual prometem detalhar fórmulas dos atributos, seleção e hiperparâmetros. Isso limita a reprodução da comparação apenas com as informações do relato.
Para uma equipe no Brasil, a consequência prática é formular a estimativa com dados do próprio fluxo: registrar quando os recursos são alocados, quando o treinamento efetivamente começa e termina, quanto duram preparação, avaliações, checkpoints e transferência final, além de anotar configuração, carga por GPU e eventuais esperas na fila. É uma proposta de medição, não um resultado comprovado para infraestrutura brasileira. Um exemplo hipotético: se duas configurações processam o mesmo volume de tokens, mas uma avalia o modelo e salva checkpoints com mais frequência, não se deve assumir igual duração apenas porque a conta principal de FLOPs é parecida. Para distinguir as causas, seria preciso medir cada etapa nas condições reais de execução.
O leitor que busca uma previsão de prazo pode, portanto, usar os relatos para identificar o que medir e o que não equiparar, não para extrair uma duração universal. Para o gargalo diferente da execução de modelos já treinados, veja a análise sobre custos de inferência e agentes de código: reduzir custo de chamadas não equivale a reduzir o tempo de pós-treinamento.
Fontes e referências
- DaisyRose-27B: Pushing the Frontier of Post-Training Efficiencyhuggingface.co · Consultado em 19/11/2026
- Why your fine-tuning job takes longer than the FLOPs sayhuggingface.co · Consultado em 19/11/2026