O Manacá-1B é um novo modelo de linguagem aberto, com 1,72 bilhão de parâmetros, treinado do zero para o português brasileiro pelo Laboratório Nacional de Computação Científica (LNCC). O projeto libera pesos, código, dados de avaliação e o processo de treinamento. A proposta é oferecer uma base auditável para pesquisa e produtos de IA feitos no país.
O que é o Manacá-1B
O Manacá-1B é um modelo decoder-only, arquitetura usada para prever e continuar texto. Ele foi treinado para lidar com o português brasileiro e nasce como modelo-base. Isso significa que ainda não recebeu ajuste específico para seguir instruções, conversar como chatbot ou obedecer comandos do usuário.
Esse ponto importa porque o projeto não tenta se apresentar como um assistente pronto para substituir ferramentas populares. A ideia é fornecer uma fundação técnica para que universidades, empresas e desenvolvedores construam versões especializadas, façam ajuste fino e testem aplicações em português. O nome remete ao manacá-da-serra, flor que muda de cor durante a maturação.
Tecnologia e treinamento reproduzível
A diferença do Manacá-1B está na abertura do processo. O repositório reúne o ambiente em Docker, a preparação do corpus, o treinamento do tokenizador, o pré-treino com Megatron-LM, a conversão para Hugging Face e os testes. Os autores também publicaram logs de treino, configurações e vetores de previsão por exemplo.
O corpus usa fontes abertas em português brasileiro, incluindo uma amostra do GigaVerbo, textos jurídicos e legislativos do Ulysses Tesemõ, da USP, e a Wikipedia em português. São cerca de 20,1 bilhões de tokens únicos. No pré-treino, o modelo processou aproximadamente 41,9 bilhões de tokens ao longo de duas épocas.
Recursos já existentes
O lançamento já oferece o material necessário para estudar o modelo, verificar os resultados e iniciar trabalho de adaptação para casos de uso próprios.
- Pesos do modelo-base no Hugging Face;
- Tokenizador próprio para português brasileiro;
- Pipeline de treinamento containerizado em Docker;
- Logs brutos de treino e avaliação;
- Benchmarks em português, como CALAME-PT, HellaSwag-PT, ARC-Challenge-PT e LAMBADA-PT.
O que está por vir
A versão publicada é a base do trabalho. Segundo a documentação do projeto, o próximo passo é criar uma variante ajustada para instruções em português. Isso pode transformar o modelo em uma peça mais prática para interfaces conversacionais e serviços locais, mas essa etapa ainda exige treinamento e avaliação próprios.
Nos resultados divulgados, o Manacá-1B alcançou 45,31% no LAMBADA-PT, benchmark de previsão da última palavra, superando os pares abertos abaixo de 7 bilhões de parâmetros usados na comparação do estudo. O trabalho também corrigiu uma falha de normalização que derrubava o resultado do modelo quando o tokenizador era convertido de forma incompleta para o ecossistema Hugging Face.
O Manacá-1B não resolve sozinho a dependência brasileira de modelos estrangeiros. Mas abre uma base verificável para quem precisa desenvolver IA em português com mais transparência sobre dados, treinamento e limitações.
Fonte: GitHub | arXiv | Hugging Face
