Samaya Sterling corta 50% do custo e revoluciona finanças AI

Tecnologia

Novo modelo de IA reduz drasticamente custos em pesquisas financeiras automatizadas com alta precisão.

Leia também: AWS mira receita anual de US$ 1 tri com mega-investimento em IA

A Samaya AI lançou o Samaya Sterling, modelo pós-treinado no Nemotron 3.5 Lightning voltado para pesquisa financeira agentiva, que já estreia superando concorrentes em precisão no benchmark FrontierFinance e, principalmente, em custo por pergunta, com potencial para mexer no mercado de IA para finanças.

Modelo usa orquestração agentiva para pesquisar e gerar relatórios

O Samaya Sterling é uma versão LoRA do Nemotron 3.5 Lightning, um modelo de mistura de especialistas com 30 bilhões de parâmetros e 3 bilhões ativos. Ele foi ajustado para atuar como um agente de pesquisa financeira: planeja a investigação, aciona ferramentas do mercado, coleta evidências e transfere os achados para um gerador de relatórios separado.

Segundo a equipe da Samaya AI, “o modelo faz múltiplas chamadas a ferramentas financeiras e auxiliares para otimizar respostas”. Na prática, isso significa que o Sterling interage várias vezes com APIs e bases de dados especializadas antes de consolidar uma análise, em vez de responder de uma vez só a partir do que já “sabe” de treino.

O sistema é apoiado por dois modelos auxiliares dedicados a administrar o contexto das conversas. Um “condensador” resume resultados muito extensos das ferramentas, enquanto um “compactador” sintetiza o histórico da pesquisa à medida que ele cresce. Um orçamento de pesquisa limita quanto tempo o agente pode trabalhar em cada consulta; encerrado o limite, o gerador de relatórios responde com o que foi encontrado.

Desempenho: mais acurado e muito mais barato

No benchmark FrontierFinance, que reúne 220 consultas públicas avaliadas por um painel de três modelos juízes a partir de rubricas elaboradas por especialistas, o Samaya Sterling alcança 58,9% de acurácia, a um custo médio de US$ 0,61 por pergunta e tempo de 282 segundos por resposta.

A própria equipe da empresa registra que “no benchmark FrontierFinance, Sterling alcançou 58,9% de acurácia a um custo de US$0,61 por pergunta”. O custo do modelo em si é de US$ 0,04 por consulta; o restante da conta vem das ferramentas financeiras acionadas e dos modelos auxiliares de condensação e compactação de contexto.

Em comparação, o modelo concorrente Claude Fable 5.1 obtém 55,9% de acurácia, com custo de US$ 6,89 por pergunta e 268 segundos de tempo médio — mais de dez vezes mais caro por consulta, com desempenho inferior. Mesmo o sistema de “maior esforço” interno da própria Samaya, anterior ao Sterling, fica 2,9 pontos percentuais abaixo do novo modelo e custa US$ 1,81 por pergunta.

O Sterling também oferece um modo de maior esforço: nessa configuração, chega a 60,6% de acurácia, a US$ 1,83 por pergunta e 372 segundos em média. Na parte mais difícil do benchmark, a acurácia subiu de 31,8% para 45,2% ao longo do desenvolvimento.

Treinamento em quatro etapas focado em eficiência

O treinamento do Samaya Sterling foi feito em quatro etapas usando LoRA sobre o Nemotron 3.5 Lightning e o API Tinker, da Thinking Machines Lab. A Samaya afirma que nenhuma das perguntas do FrontierFinance entrou no conjunto de treino, para evitar sobreajuste, e que os checkpoints foram escolhidos com base em 100 questões internas de validação.

O projeto começou como um esforço enxuto, de duas pessoas, focado em eficiência de orquestração agentiva, sob coordenação de Maithra Raghu. A equipe adaptou o “harness” de produção — a estrutura que conecta o modelo às ferramentas financeiras — para funcionar bem com um modelo menor, cortando instruções excessivas do prompt de sistema, simplificando descrições de ferramentas e fundindo capacidades para reduzir o tamanho do contexto.

A cada etapa, a qualidade subiu: da base com 42,5% de acurácia até chegar aos 58,9%. Em paralelo, o número médio de chamadas a ferramentas cresceu de 3 para 17, indicando que o agente passou a explorar mais os recursos disponíveis antes de concluir as respostas.

Para desenvolvedores, a Samaya resume a receita ao afirmar que é possível “co-train a small model with its harness, and it can win in a narrow domain” — ou seja, co-treinar um modelo menor junto com a infraestrutura de ferramentas e, assim, obter desempenho competitivo em um domínio específico.

Entenda o contexto

O FrontierFinance, usado como referência para o desempenho do Sterling, é um benchmark voltado a medir a capacidade de modelos de IA em tarefas de pesquisa financeira complexa. As perguntas são pontuadas com base em critérios definidos por especialistas humanos, e a avaliação final é feita por um painel de três modelos juízes, para reduzir viés individual.

Ao mirar esse tipo de desafio, o Samaya Sterling se coloca diretamente no segmento de agentes de pesquisa financeira: sistemas capazes de montar estratégias de busca, consultar múltiplas fontes, cruzar dados e produzir relatórios que se aproximam do trabalho de um analista humano, com repetibilidade e custo previsível.

Impacto para bancos, fintechs e desenvolvedores

Com o desempenho apresentado, o Samaya Sterling mira instituições financeiras tradicionais, fintechs, casas de análise, plataformas de investimento e desenvolvedores que precisam automatizar pesquisas complexas sem arcar com custos elevados por consulta.

Ao combinar mais de 58% de acurácia em um benchmark rigoroso com custo de US$ 0,61 por pergunta, o modelo permite rodar grandes volumes de pesquisas ou monitorar carteiras e setores com frequência maior, mantendo o orçamento sob controle. Com o detalhamento de chamadas a ferramentas e geração de relatórios separados, ele também se encaixa em fluxos de trabalho que exigem rastreabilidade das fontes usadas.

Concorrentes com custo por consulta mais alto e desempenho inferior tendem a enfrentar pressão para reduzir preços ou investir em ajustes agentivos semelhantes, num cenário de competição acelerada na IA financeira.

Código aberto impulsiona colaboração

Além do modelo, a Samaya AI divulga publicamente o código do sistema, o benchmark FrontierFinance, o dataset e o repositório do avaliador, incentivando que a comunidade reproduza e estenda os resultados. A abertura facilita que equipes técnicas adaptem o Sterling a nichos específicos, criem novas ferramentas financeiras e experimentem diferentes estratégias de orquestração agentiva.

A Samaya também mantém canais de comunicação para parcerias e promoção de produtos relacionados a IA, o que inclui integrações com repositórios de código e plataformas de machine learning.

Marktechpost amplia alcance da novidade

A divulgação do Samaya Sterling ganha fôlego extra com a visibilidade da Marktechpost AI Media Inc., que relata mais de 2 milhões de visualizações mensais em sua plataforma dedicada a notícias de inteligência artificial, machine learning e deep learning.

O CEO da empresa, Asif Razzaq, é descrito como alguém comprometido em usar IA para impacto social positivo. “O CEO Asif Razzaq é comprometido em aproveitar o potencial da IA para o bem social”, reforça a própria companhia, ao apresentar sua atuação à frente do veículo que ajuda a espalhar novidades como o Sterling para um público técnico amplo.

Com a boa recepção inicial entre desenvolvedores e analistas financeiros, a expectativa é que o Samaya Sterling passe agora da vitrine dos benchmarks para aplicações práticas em plataformas de investimento, sistemas internos de bancos e soluções de análise de dados, com atualizações futuras mirando ainda mais precisão e eficiência.