Pokee AI lança modelo agêntico de 28 bilhões de parâmetros com janela de contexto de 10 milhões de tokens
A Pokee AI anunciou o lançamento do Pokee-Isaac 28B, um modelo agêntico de fundação voltado exclusivamente para texto, com 28 bilhões de parâmetros e janela de contexto de 10 milhões de tokens. O grande diferencial do modelo é a possibilidade de ser implantado dentro do perímetro de segurança do próprio cliente, seja em ambientes de nuvem privada virtual (VPC), em servidores locais ou em dispositivos finais, atendendo setores nos quais os dados não podem trafegar para APIs externas.
O modelo utiliza uma arquitetura proprietária que não se baseia exclusivamente no decodificador tradicional do tipo transformer. Segundo a Pokee AI, parte dos pesos do Isaac foi ajustada a partir do modelo Qwen3.6-27B sob licença Apache 2.0, mas o restante foi treinado do zero pela equipe da empresa. O acesso é feito por meio de uma API compatível com o padrão da OpenAI, com suporte desde o primeiro dia para os mecanismos de inferência vLLM e SGLang. Os pesos do modelo não são abertos ao público, e a implantação é concedida por meio de licenciamento.
Os resultados de benchmarks divulgados pela Pokee AI chamam atenção pelo desempenho em contextos longos. No teste RULER, que avalia a capacidade do modelo de recuperar informações em diferentes tamanhos de contexto, o Isaac atingiu 93,3% de acerto ao operar com 10 milhões de tokens. Os modelos de referência usados como comparação, identificados como GPT-5.6 Luna e Gemini 3.5 Flash Lite, acompanharam o desempenho até 512 mil tokens, mas apresentaram estouro de contexto ao chegar a 1 milhão de tokens, zerando os resultados. No benchmark MRCR v2 com oito agulhas, o Isaac obteve 0,607 em 256 mil tokens, 0,743 em 512 mil tokens e 0,500 em 1 milhão de tokens, ampliando a vantagem sobre o Gemini ao longo do aumento do contexto.
No campo agêntico, que mede a capacidade de executar tarefas usando ferramentas de forma autônoma, o Pokee-Isaac lidera o BFCL v4 com 70,94 pontos, contra 70,61 do Luna, diferença que o relatório da Pokee AI classifica como empate técnico. No τ³-bench, que avalia domínios diversos, o modelo alcançou média de 0,662 em quatro áreas, à frente dos 0,631 do Gemini, com o domínio bancário apresentando 0,186 para todos os modelos avaliados. No MCP-Atlas, o Isaac ficou em terceiro lugar com cobertura de 74,59%, mas utilizou apenas 9,10 turnos por tarefa contra 14,99 do Gemini, indicando maior eficiência na execução. No Terminal-Bench 2.1, o modelo resolveu 56 das 86 tarefas compatíveis com texto, equivalente a 65,1%, ficando atrás do Luna, que resolveu 60 tarefas, sendo este o único benchmark em que um modelo de referência apresentou vantagem.
Em testes de segurança ofensiva, conduzidos no benchmark DTAP, que simula ataques adversariais contra modelos de linguagem, o Isaac registrou as menores taxas de sucesso de ataque entre os modelos avaliados, com 36,0% em ataques diretos, 35,2% em indiretos e 35,6% na combinação de ambos, mantendo ao mesmo tempo 82,5% de taxa de sucesso em tarefas benignas. É importante destacar que os modelos de referência foram executados em um ambiente padrão, enquanto o Isaac utilizou o ambiente de avaliação da própria Pokee AI, o que pode influenciar a comparação direta.
No quesito eficiência, as medições foram realizadas em uma única GPU da classe B200. O tempo até o primeiro token (TTFT) foi de 23,6 segundos com contexto de 1 milhão de tokens e de 72,9 segundos com 10 milhões de tokens. A taxa de pré-processamento subiu de 42,400 para 137,200 tokens por segundo conforme o contexto cresceu, de modo que um prompt dez vezes maior custou aproximadamente três vezes mais tempo. A tabela de preços provisória indica 0,15 dólar por milhão de tokens de entrada e 1,00 dólar por milhão de tokens de saída. O modelo também roda integralmente em dispositivos com Intel Arc Pro B70, Intel Core Ultra Série 3 (Panther Lake) e Qualcomm Snapdragon X2 Elite.
A estratégia de posicionamento do Pokee-Isaac mira organizações que já dispõem de infraestrutura própria de inferência, incluindo equipes de plataformas de médio e grande porte, além de fabricantes de dispositivos. Setores como saúde e operadoras de planos de saúde, serviços financeiros e seguros, defesa e setor público, jurídico e descoberta eletrônica de documentos, e pesquisa em farmacêutica ou semicondutores aparecem como públicos prioritários, dado que compartilham a necessidade regulatória de manter os dados sob controle interno. Aplicações sugeridas incluem revisão de código em repositórios inteiros, análise de contratos e sinistros ao longo de múltiplos anos, investigação forense sobre arquivos completos de registros e agentes de ferramentas de longa duração que dispensam mecanismos de sumarização e poda de contexto.
