Nvidia lança modelo de 4,21 bilhões de parâmetros para o Qwen3.8-27B
O Qwen3.5-4B-Qwen3.8-27B-Draft atua como modelo auxiliar de decodificação especulativa para cortar o tempo de resposta sem alterar o texto final gerado.
Edição: Anderson Gomes
· 3 min de leitura

A Nvidia publicou em novembro de 2026 o modelo Qwen3.5-4B-Qwen3.8-27B-Draft, uma rede neural de 4,21 bilhões de parâmetros criada para acelerar a geração de texto do Qwen3.8-27B. Em vez de operar como uma cabeça simples de rascunho acoplada ao sistema principal, o lançamento funciona como um modelo de linguagem causal completo que compartilha o vocabulário e o tokenizador do alvo. O sistema emite blocos de tokens candidatos. A ferramenta reduz o atraso de decodificação por amostragem de rejeição e atende provedores de inferência que exigem respostas rápidas sem mudar a distribuição original de saída.
Treino usou 200 mil conversas sintetizadas
A equipe de engenharia desenvolveu a arquitetura Transformer baseada no modelo Qwen/Qwen3.5-4B, adotando a estrutura de rede Qwen3_5ForCausalLM. O treinamento utilizou a biblioteca nvidia-modelopt na versão v0.48.0rc0 em modo de decodificação especulativa externa, processando um volume entre 1 bilhão e 10 trilhões de tokens de texto. Para alimentar o ajuste do ponto de controle 1.0, o fluxo selecionou 199.998 conversas de turno único do repositório Nemotron-Post-Training-Dataset-v2 por meio de amostragem com semente fixa. Os técnicos descartaram comandos acima de 3.072 tokens.
O processo de preparação dos dados aproveitou apenas as instruções de entrada, enquanto o modelo alvo Qwen3.8-27B sintetizou todas as respostas sob sua política de serviço em nove categorias temáticas. O acervo cobre código, matemática e cinco línguas estrangeiras. Para cada posição da resposta gerada, a equipe gravou a distribuição das vinte saídas mais prováveis do alvo como sinal formal de treino. A validação técnica mediu o ganho de velocidade nos recortes qualitativo e throughput-32k do referencial SPEED-Bench.
Execução exige vLLM e hardware Blackwell
Quem pretende colocar o modelo em produção precisa operar em sistema operacional Linux com o motor de inferência vLLM. A documentação técnica indica compatibilidade com a microarquitetura NVIDIA Blackwell, tirando proveito de núcleos de GPU e bibliotecas CUDA para superar a lentidão de soluções em CPU. O arquivo único de peso opera no formato safetensors, recebendo sequências de texto unidimensionais em janelas de contexto treinadas para 12.288 tokens. A documentação não detalha requisitos de memória.
A distribuição do arquivo segue os termos contratuais do NVIDIA Open Model Agreement, autorizando instalações comerciais e de pesquisa sem barreiras financeiras prévias. Em contrapartida, os dois modelos de base, tanto o Qwen3.5-4B quanto o Qwen3.8-27B, permanecem regidos pela licença de código aberto Apache 2.0. O uso comercial está liberado. Essa divisão oferece garantias jurídicas para empresas que já integram a família Qwen em sua infraestrutura própria de atendimento.
No movimento de pesos abertos, a iniciativa consolida a decodificação especulativa externa com modelos completos de 4,21 bilhões de parâmetros para contornar gargalos de latência. O repositório na plataforma Hugging Face registrou 105 curtidas e 757 downloads mensais logo após o lançamento global em novembro de 2026. O caso pede atenção técnica no Brasil. Como a Nvidia treinou o rascunho com dados em alemão, espanhol, francês, italiano e japonês, o português não recebeu espaço no lote sintético multilíngue.
- other
- text-generation
- nvidia
- Model Optimizer
- Modelos e LLMs
- HuggingFace Models
Fonte: Página do modelo no Hugging Face · Como produzimos as matérias

Google reduz tokens em agentes com busca de ferramentas no Gemini
· 3 min de leitura

Google libera controle do Mac para o Gemini sob assinatura nos EUA
· 3 min de leitura

Google reúne Walter Isaacson e Kent Walker para debater criatividade e IA
· 3 min de leitura

Google DeepMind lança Gemini 4 Carbon pela metade do custo dos rivais
· 3 min de leitura