Regulação
Anysphere avalia afastar o Cursor de modelos chineses de pesos abertos

Pontos-chaveA eliminação exploratória da Anysphere sinaliza que o risco geopolítico agora molda as…
Ver mais
- A eliminação exploratória da Anysphere sinaliza que o risco geopolítico agora molda as decisões de fornecimento das plataformas de codificação com IA.
- O Composer 2 foi construído sobre uma base da Moonshot AI identificada publicamente apenas por um desenvolvedor independente.
- Remover modelos chineses de pesos abertos antes que existam alternativas confiáveis poderia aumentar os custos e concentrar o mercado.
A Anysphere, desenvolvedora da plataforma de programação com IA Cursor, informou a investigadores da Câmara que pretende avaliar a eliminação gradual de modelos de IA chineses de pesos abertos devido a riscos geopolíticos, segundo um relatório conjunto do Congresso divulgado em 20 de novembro de 2026.
A divulgação trata de um plano exploratório, não de uma eliminação gradual já concluída, e os comitês não descreveram nenhuma decisão final nem cronograma. O Comitê de Segurança Interna da Câmara e o Comitê Seleto da Câmara sobre a China publicaram as conclusões após uma investigação iniciada em abril de 2026, que se estendeu da Airbnb e da Anysphere à DoorDash em 31 de julho de 2026.
Modelos de pesos abertos têm parâmetros treinados que podem ser baixados, executados e modificados independentemente do desenvolvedor original, permitindo que derivados se disseminem sem uma relação comercial contínua. Os comitês afirmaram que o Composer 2, modelo proprietário de destaque do Cursor, foi desenvolvido com base em um modelo da Moonshot AI, cuja identidade só se tornou pública depois que um desenvolvedor independente a identificou.
O relatório técnico do Cursor identifica essa base como Kimi K2.5. O Composer 2 passou por pré-treinamento contínuo com uma combinação de dados fortemente voltada para código, seguido por aprendizado por reforço em grande escala, realizado em sessões realistas no Cursor e usando as mesmas ferramentas e a mesma estrutura do modelo implantado.
Por que modelos chineses se tornaram parte integrante dos sistemas
A Airbnb informou que versões personalizadas dos modelos Qwen da Alibaba dão suporte a um assistente de IA que lida com cerca de 80.000 interações diárias com hóspedes e anfitriões, além de um modelo ajustado para resumir aproximadamente 250.000 casos de suporte e chamadas por dia. Ambos são executados em infraestrutura de provedores de serviços sediada nos Estados Unidos.
A DoorDash informou que 25 famílias de modelos chineses foram autorizadas e implantadas de forma relevante, definida como incorrer em pelo menos US$ 5.000 em custos de computação e operação. A empresa estimou que substituir um modelo chinês incorporado a um sistema maior poderia levar até seis meses, embora a maioria dos outros usos pudesse ser migrada quase imediatamente.
Os comitês apontaram custo, personalização e desempenho próximo à fronteira tecnológica como fatores que impulsionam a adoção e concluíram que os Estados Unidos não dispõem de uma alternativa competitiva de pesos abertos que ofereça o preço e o desempenho exigidos pelo mercado.
O relatório compara os preços de API divulgados para um milhão de tokens de entrada e um milhão de tokens de saída (pequenas unidades de palavras e caracteres usadas para medir o uso de modelos):
| Modelo | Desenvolvedor | Custo aproximado |
|---|---|---|
| Qwen3-235B-A22B-Instruct | Alibaba | $1.15 |
| DeepSeek-R1 | DeepSeek | $2.74 |
| Kimi K2.6 | Moonshot AI | $4.95 |
| Claude Opus 4.8 | Anthropic | $30 |
| GPT-5.5 | OpenAI | $35 |
Esses valores não levam em conta diferenças de capacidade, armazenamento em cache, descontos por volume, promoções ou custos de hospedagem própria. Eles ilustram a pressão sobre os preços que impulsiona a adoção; além disso, os pesos abertos permitem que as empresas ajustem os modelos com seus próprios dados e os implantem em uma infraestrutura sob seu controle.
A preocupação com a segurança é distinta do local de hospedagem. Executar modelos em infraestrutura nos Estados Unidos reduz a exposição direta de dados, mas, segundo o relatório, não altera a forma como o modelo subjacente foi treinado nem como ele pode se comportar em condições que avaliações comuns não detectam.
Restrições propostas e riscos da substituição
As 12 recomendações do relatório não impõem restrições por si só. Elas se baseariam em uma ordem do Departamento de Segurança Interna que exclui produtos e serviços da DeepSeek das compras civis do governo federal e exige sua remoção dos sistemas das agências, inclusive de produtos de terceiros desenvolvidos com base na DeepSeek. Os presidentes dos comitês recomendam estender essas restrições a outros modelos desenvolvidos na China e a seus derivados em todos os sistemas de informação federais e nos trabalhos contratados pelo governo federal, com dispensas limitadas para pesquisa, testes e segurança defensiva. Também recomendam proibir esses modelos e derivados em funções de alto risco, definidas de forma restrita, relacionadas à infraestrutura crítica, com cronogramas de remoção vinculados à disponibilidade de alternativas confiáveis e exceções temporárias nos casos em que não exista um substituto confiável.
Para tornar as regras aplicáveis, um padrão de procedência de modelos liderado pelo National Institute of Standards and Technology e uma lista de materiais de IA legível por máquina documentariam os modelos de base, os ajustes finos significativos e as fontes de destilação. A exigência abrangeria contratados federais e IA usada em funções de alto risco relacionadas à infraestrutura crítica, e seria voluntária nos demais casos. Uma iniciativa nacional americana de IA de pesos abertos reuniria recursos públicos de computação, infraestrutura compartilhada de avaliação, licenciamento voluntário de resultados de modelos americanos de fronteira tecnológica para desenvolvedores qualificados de modelos de pesos abertos usarem em treinamento e demanda federal como cliente-âncora.
Os comitês alertam que remover modelos chineses antes que existam alternativas confiáveis de pesos abertos poderia elevar os custos e concentrar o mercado entre fornecedores de modelos proprietários fechados. O plano exploratório da Anysphere ilustra, portanto, o desafio mais amplo de implementação: as restrições exigem registros confiáveis de linhagem para identificar modelos incorporados e substitutos confiáveis, a fim de evitar trocar modelos chineses de pesos abertos por custos mais altos ou dependência de modelos fechados.












