Inception levanta US$ 50 milhões para construir modelo abrangente de código e texto

Com tanto dinheiro fluindo para startups de IA, é um bom momento para se tornar um pesquisador de IA e testar suas ideias. Além disso, se a sua ideia for suficientemente nova, poderá ser mais fácil obter os recursos necessários como uma empresa independente do que dentro de um grande instituto de investigação.

Essa é a história da Inception, uma startup que desenvolve modelos de IA baseados em difusão que acaba de levantar US$ 50 milhões em financiamento inicial liderado pela Menlo Ventures. Andrew Ng e Andrej Karpathy forneceram financiamento anjo adicional.

O líder do projeto é o professor Stefano Armon, da Universidade de Stanford, cuja pesquisa se concentra em modelos de difusão que geram resultados por meio de refinamento iterativo, em vez de palavra por palavra. Esses modelos alimentam sistemas de IA baseados em imagens, como Stable Diffusion, Midjourney e Sora. Ermon, que trabalha nesses sistemas desde antes do boom da IA, usa o Inception para aplicar o mesmo modelo a uma gama mais ampla de tarefas.

Junto com o financiamento, a empresa lançou uma nova versão do seu modelo Mercury projetado para desenvolvimento de software. Mercury já está integrado a muitas ferramentas de desenvolvimento, incluindo ProxyAI, Buildglare e Kilo Code. Mais importante ainda, Ermon disse que a abordagem de difusão ajuda o modelo da Inception a economizar em duas das métricas mais importantes: latência (tempo de resposta) e custo computacional.

“Esses LLMs baseados em difusão são muito mais rápidos e eficientes do que outros estão construindo hoje”, diz Ermon. “É uma abordagem completamente diferente e ainda há muita inovação que pode ser feita.”

É necessário um pouco de conhecimento prévio para compreender as diferenças técnicas. Os modelos de difusão são estruturalmente diferentes dos modelos autorregressivos que dominam os serviços de IA baseados em texto. Modelos autorregressivos como GPT-5 e Gemini funcionam sequencialmente, cada um prevendo a próxima palavra ou fragmento de palavra com base no que foi processado anteriormente. Os modelos de difusão treinados para geração de imagens adotam uma abordagem mais holística, alterando gradativamente a estrutura geral da resposta até que corresponda ao resultado desejado.

A sabedoria convencional é usar modelos autorregressivos para aplicações de texto, e essa abordagem tem sido muito bem-sucedida com as gerações recentes de modelos de IA. No entanto, um número crescente de pesquisas sugere que os modelos de difusão podem ter um desempenho melhor se o modelo: Processe grandes quantidades de texto ou Gerenciando restrições de dados. Segundo Ermon, essas propriedades são uma grande vantagem ao realizar operações em grandes bases de código.

O modelo difundido também proporciona flexibilidade na forma como o hardware é utilizado, uma vantagem que é especialmente importante à medida que as exigências de infraestrutura da IA ​​se tornam mais claras. Embora os modelos autorregressivos exijam que as operações sejam executadas uma após a outra, os modelos difusos podem processar muitas operações simultaneamente, reduzindo significativamente a latência para tarefas complexas.

“Nosso benchmark é superior a 1.000 tokens por segundo, o que é muito maior do que é possível usando a tecnologia autorregressiva existente, porque nosso produto foi desenvolvido para ser paralelo. Ele foi desenvolvido para ser muito, muito rápido”, diz Ermon.