A próxima mudança de bilhões de dólares em IA: por que o OpenClaw muda tudo para os LLMs

The era of cloud-tethered computing is officially coming to an end. For the last three years, developers have been held hostage by API rate limits, exorbitant subscription costs, and the looming threat of closed-source data harvesting. A Big Tech nos disse que a IA local era um sonho de tubulação. Eles alegaram que a execução de modelos de fronteira exigia fazendas de servidores do tamanho de pequenas cidades. They wanted us dependent on their infrastructure, paying rent for every token generated. Depois veio o lobster. OpenClaw (anteriormente conhecido em círculos subterrâneos profundos como Clawdbot, e mais tarde Moltbot) chegou. OpenClaw (anteriormente conhecido em círculos subterrâneos profundos como Clawdbot, e mais tarde Moltbot) chegou. Ele não só quebrou o paradigma; ele o quebrou em um milhão de peças de código aberto. We are witnessing the most aggressive pivot in AI infrastructure since the invention of the Transformer architecture itself. O que exatamente é essa perturbação? É a realização do sonho do hacker final: . total independence Ao combinar uma estrutura de agente agnóstico com mecanismos de inferência LLM locais como e O OpenClaw conseguiu o impossível. Ollama LM Studio Você não precisa mais de uma assinatura de nuvem para acessar a inteligência Claude Opus-tier. You no longer need a cloud subscription to access Claude Opus-tier intelligence. Através desta estrutura, o poder dos modelos de peso aberto anteriormente pensados para estarem trancados atrás de firewalls corporativos pode agora sentar-se confortavelmente em sua mesa. A equação é simples, mas revolucionária: . OpenClaw + MiniMax Agent + Mac M3 The output is staggering: Um Kimi K2.5 totalmente local (modelo multimodal de peso aberto da Moonshot AI com capacidades de agente swarm) Ou um ambiente GLM-5 local (modelo 744B MoE da Zhipu AI lançado sob a licença do MIT) ou um Local MiniMax M2.5 (modelo MoE multimodal de peso aberto do MiniMax com capacidades avançadas de codificação e fluxo de trabalho agente) Centro de Comando de Agentes Locais. This isn't just about chatting with an LLM offline. Trata-se de criar uma frota localizada de agentes autônomos que possam escrever código, analisar conjuntos de dados maciços e orquestrar fluxos de trabalho complexos – sem nunca pingar um servidor externo. . This is about spinning up a localized fleet of autonomous agents that can write code, analyze massive datasets, and orchestrate complex workflows — without ever pinging an external server O lobster meme é real, e é molting. Representa derrubar a casca restritiva da dependência da API e crescer em uma potência autosuficiente e localizada. The open-source community has taken the cutting-edge capabilities of closed models and democratized them. We are taking the power back. Neste mergulho profundo, vamos explorar exatamente como o OpenClaw está reescrevendo as regras do ecossistema de IA, como ele sobrecarrega frameworks existentes e como você pode transformar seu driver diário em uma fortaleza impenetrável de computação local. In this deep dive, we will explore exactly how OpenClaw is rewriting the rules of the AI ecosystem, how it supercharges existing frameworks, and how you can turn your daily driver into an impenetrable fortress of local compute. Como o OpenClaw perturba o futuro da computação To understand the disruption, you must understand the bottleneck. Until now, the AI revolution has been the cloud giants/landlords game. You pay for access, you play by their rules, and your data is their fuel. O OpenClaw altera fundamentalmente essa dinâmica de poder. Ele atua como uma estrutura de agente agnóstico-modelo que conecta modelos de fundação de peso aberto e silício de classe consumidor através de backends de inferência locais como Ollama e llama.cpp. It acts as a model-agnostic agent framework that bridges open-weight foundation models and consumer-grade silicon through local inference backends like Ollama and llama.cpp. Here is exactly how OpenClaw is tearing down the old establishment: Near-Zero-Latency Inference: By cutting out the network request round-trip and routing all inference through a local backend like Ollama, OpenClaw achieves near-instantaneous token generation. Your thoughts and the AI's responses become a continuous, uninterrupted flow. Absolute Data Sovereignty: When you run a equivalent via OpenClaw and Ollama, your proprietary code, personal documents, and sensitive corporate data never leave your hard drive. Local GLM-5 Uncensored Orchestration: Cloud APIs are heavily guardrailed. OpenClaw allows developers to set their own parameters with open-weight models, enabling raw, unfiltered programmatic exploration. Eradication of Token Costs: The meter stops running. Whether you generate ten tokens or ten million, the cost is exactly the same: the electricity powering your machine. A magia está na arquitetura agnóstica do modelo do OpenClaw combinada com o suporte de quantificação do Ollama. Ele não se conecta apenas a modelos; ele direciona inteligentemente tarefas de agente através do LLM hospedado localmente, aproveitando formatos quantificados (GGUF, AWQ, GPTQ) para espremer cada gota de computação de sua memória unificada. It doesn't just connect to models; it intelligently routes agent tasks through the locally hosted LLM, leveraging quantized formats (GGUF, AWQ, GPTQ) to squeeze every drop of compute out of your unified memory. We are talking about desktop dominance. You are essentially running a localized supercomputer. A capacidade de executar o Local Minimax M2.5 ao lado de um modelo de incorporação local transforma sua máquina de um terminal em um cérebro soberano! The ability to run Local Minimax M2.5 alongside a local embedding model transforms your machine from a terminal into a sovereign brain! Considere a pilha de AI típica da empresa: Pague por uma instância de nuvem de banco de dados vetor. Pague por um incêndio embutido. Pague por uma API de inferência. Peça que seus dados não sejam usados para treinamento. Agora, olhe para a pilha OpenClaw: Loja local de vetores (Chroma / FAISS) Embaixadas locais . Inferência local através do OpenClaw + Ollama. Zero custos recorrentes, zero vazamento de dados. É por isso que o mundo empresarial está assustado. The moat is evaporating. Startups no longer need millions in funding just to cover their OpenAI or Anthropic bills. O quadro é brutalmente eficiente. Ele lida com o gerenciamento de contexto e memória com uma graça nunca antes vista em ferramentas de agente de código aberto. OpenClaw stores conversations, long-term memory, and skills locally as plain Markdown and YAML files, allowing for persistent and inspectable local context retention. Não é um brinquedo. Esta é uma infraestrutura pronta para produção que acontece em seu laptop. O lobster saiu do tanque, e está reformulando todo o oceano de computação. The lobster has broken out of the tank, and it is reshaping the entire ocean of compute. Como o OpenClaw interrompe (e melhora) o agente MiniMax Agents are only as good as the engines driving them. — alimentado pelo mais recente MiniMax modelo – estabeleceu-se como um quadro de nível superior para execução de tarefas autônomas, codificação, navegação na web e raciocínio em múltiplos passos. MiniMax Agent M2.5 O MiniMax M2.5 tem uma pontuação de 80,2% no SWE-Bench Verified e oferece 100 tokens por segundo com a variante M2.5 Lightning. Mas o MiniMax Agent tinha uma dependência: foi projetado principalmente como um serviço hospedado na nuvem. But MiniMax Agent had a dependency: it was designed primarily as a cloud-hosted service. If the API went down, your agent died. If you hit a rate limit, your automated workflow crashed. MiniMax Agent was a brilliant brain surgically attached to a fragile, expensive, and externally controlled nervous system. O OpenClaw fornece o último transplante do sistema nervoso. OpenClaw provides the ultimate nervous system transplant. By pairing OpenClaw's local-first agent orchestration with open-weight models like Minimax M2.5 or GLM-5 running on Ollama, you create an unstoppable, offline entity that mirrors MiniMax Agent's capabilities. Here is how OpenClaw elevates local agents from scripts to synthetic employees: Execução estendida: Sem custos de API, você pode deixar um agente alimentado por OpenClaw funcionar por dias. O OpenClaw permite aos agentes interagir diretamente com o seu sistema operacional local através do seu sistema de "habilidades". pode executar comandos de shell, gerenciar arquivos locais, enviar e-mails e compilar código nativamente. Multi-Model Synergy: O OpenClaw pode encaminhar os monólogos internos de um agente para um modelo local menor e mais rápido (como um Kimi K2.5 quantificado), enquanto encaminha saídas finais complexas para sua instância Local GLM-5 para raciocínio pesado. Memória local persistente: O sistema de memória baseado em arquivos do OpenClaw permite que os agentes se lembrem instantaneamente de sessões locais passadas sem ter que re-embalar dados através de uma API lenta. The disruption is in the autonomy. a Você é o dono de sua própria frota. Complete Local Agent Command Center Imagine this workflow running entirely offline: Você deposita um PDF de 500 páginas de dados financeiros brutos em uma pasta local. O agente OpenClaw detecta o arquivo através da visualização de arquivos local. Ollama gira em torno de um modelo de incorporação local para analisar o documento. O agente consulta o nó Local GLM-5 para extrair métricas-chave. O agente escreve um script Python para visualizar os dados, executa-os localmente e gera um relatório. No Wi-Fi required. No subscriptions needed. Esta combinação transforma um único desenvolvedor em uma agência 10x. You are no longer prompting an AI; you are managing a local workforce. O OpenClaw dá aos agentes autônomos a base computacional que eles precisam para cumprir sua promessa original: verdadeira, ilimitada, solução de problemas autônoma. OpenClaw gives autonomous agents the computational bedrock they need to fulfill their original promise: true, unbounded, autonomous problem-solving. A sinergia é indiscutível. OpenClaw é o orquestrador; os modelos de peso aberto são o músculo. Together, they form an open-source juggernaut that rivals the most expensive proprietary agent swarms on the market. Incluindo o Google Gemini Pro 3.1 e o Anthropic Claude Opus 4.6! DYOR se você não acredita em mim. Including Google Gemini Pro 3.1 and Anthropic Claude Opus 4.6! DYOR if you don’t believe me. Como configurar o OpenClaw de forma segura e privada Power is useless without control. Estabelecendo a Requer o cumprimento rigoroso de protocolos de segurança. Complete Local Agent Command Center Você está construindo um cérebro localizado; você deve protegê-lo. You are building a localized brain; you must protect it. A beleza do OpenClaw é inerente da natureza. local-first No entanto, a configuração inicial requer o download de pesos do modelo e a configuração de ambientes. Precision is key. Siga estes passos exatos para alcançar uma instalação de OpenClaw preta e segura: Follow these exact steps to achieve a pristine, secure OpenClaw installation: Mac OS/Linux é o ambiente preferido! Mac OS/Linux é o ambiente preferido! Mac OS/Linux é o ambiente preferido! Passo 1: Instale Ollama (o backend de inferência local) Baixar e instalar o Ollama de . ollama.com Para puxar e executar esses modelos de agentes maciços em seu (baseado em NVIDIA) ou (Memória Unificada), você precisa distinguir entre o novo E o . DGX Spark Mac M3 Cloud-powered commands Local GGUF quants A partir do início de 2026, a Ollama oferece suporte nativo a esses modelos através de uma tags para uso instantâneo, mas para verdadeira execução local em seu hardware, você normalmente usará versões quantificadas da comunidade (GGUFs) ou tags locais específicos. :cloud Kimi K2.5 (MoonShot AI) é uma versão mais recente. Kimi K2.5 é um modelo MoE de 1 trilhão de parâmetros. or a , você deve direcionar os quantos de 1 ou 2 bits para execuções locais. DGX Spark high-spec Mac M3 Max (128GB+ RAM) Não recomendado na maioria dos casos - incluído para completude. Not recommended in most cases - included for completeness. Local Quantized (via Community): # Note: Requires ~240GB+ of VRAM/Unified Memory for 1-bit ollama run unsloth/kimi-k2.5:q2_k # or :q4_k if memory permits Minimax M2,5 O MiniMax é altamente otimizado para fluxos de trabalho de agentes e codificação.É significativamente mais eficiente do que o Kimi em termos de pegada de memória. Local Quantized: # Reliable community quant for Mac/DGX ollama run frob/minimax-m2.5 Eu recomendo fortemente MiniMax para a maioria das tarefas. I strongly recommend MiniMax for the majority of tasks. O GLM-5 (Zhipu AI) GLM-5 é um modelo de parâmetro 744B (40B ativo). It is a "local GOAT" for complex reasoning on DGX systems. Local Quantized: # For a DGX Spark, target the Q4 or Q2 variants ollama run michelrosselli/glm-5:q4_k_m Use o GLM-5 para tarefas complexas, Use GLM-5 for complex tasks, Otimização específica de hardware System Recommendation Flag to Use DGX Spark Use acceleration. Pull quants for best balance. CUDA q4_k_m OLLAMA_NUM_GPU=99 Mac M3 Use . 1-bit/2-bit quants are mandatory for Kimi/GLM unless you have 256GB RAM. Unified Memory (Metal is default) --num-gpu 0 DGX Spark Uso Aceleração - Pull quantidade para o melhor equilíbrio. CUDA q4_k_m OLLAMA_NUM_GPU=99 Mac M3 Uso 1-bit/2-bit quants são obrigatórios para Kimi/GLM a menos que você tenha 256GB de RAM. Unified Memory (O metal é defeituoso) --num-gpu 0 Passo 3: Clone o repositório OpenClaw Retire diretamente da Não confie em forks de terceiros. verified source git clone https://github.com/openclaw/openclaw.git cd openclaw Passo 4: Instale dependências npm install Passo 5: Configure o OpenClaw para usar modelos locais Edite a configuração do OpenClaw para apontar para a sua instância local de Ollama: # In your OpenClaw config llm: provider: "ollama" model: "kimi-k2.5" base_url: "http://127.0.0.1:11434" Passo 6: Configurar o Firewall Local Bloqueie todo o tráfego de saída do porto de Ollama.O agente nunca deve ligar para casa. Configure your OS firewall to explicitly deny outbound connections from (Ollama's default port). localhost:11434 Configure o seu firewall para negar explicitamente conexões de (Portão padrão de Ollama) localhost:11434 Passo 7: Inicie o OpenClaw no modo local npm start Security goes beyond installation. You must manage your local context. OpenClaw armazena todas as conversas, memória de longo prazo e definições de habilidades como em seu disco local. plain Markdown and YAML files Por padrão, quando você fecha o servidor local, nenhum dado é enviado externamente. Todo o contexto permanece em sua máquina. All context remains on your machine. Se você precisar de memória persistente para seus agentes, o sistema de memória baseado em arquivos local do OpenClaw mantém tudo inspecionável e criptografado em repouso (quando combinado com criptografia de disco completo). Suas chaves, seus pesos, seus dados. Your keys, your weights, your data. Ao seguir esta configuração, você garante que suas interações locais de IA permaneçam uma caixa preta para o mundo exterior. A casca do lobster é espessa, e seus mecanismos de defesa locais são robustos. Agora você está executando um nó de IA soberano. You are now running a sovereign AI node. Como combinar OpenClaw e modelos locais de peso aberto Agora vem a alquimia! You have a secure OpenClaw backend. You have open-weight models served by Ollama. Chegou a hora de os fundir em um Centro de Comando de Agentes Locais Completo. It is officially time to fuse them into a Complete Local Agent Command Center. É aí que a magia acontece. Vamos rotear toda a inteligência do OpenClaw através de modelos que funcionam inteiramente em seu silício local. A integração é brutalmente elegante. Ollama exposes an OpenAI-compatible API endpoint, meaning OpenClaw connects to it seamlessly — the agent framework won't even know the difference between a cloud API and your local machine. Execute o seguinte protocolo de integração: Assegure-se de que Ollama está correndo ollama serve # Ollama will listen on http://127.0.0.1:11434 by default Configurar o Provedor de LLM do OpenClaw Edite sua configuração do OpenClaw: llm: provider: "ollama" base_url: "http://127.0.0.1:11434" Mapear os Modelos para Papéis Agentes Diga a OpenClaw quais modelos locais correspondem a quais funções de agente: # Primary reasoning model (handles complex planning) # Using MiniMax M2.5 for agentic reasoning and planning planner_model: "frob/minimax-m2.5" # Fast execution model (handles rapid task execution and coding) # Using GLM-5 for high-speed, specialized coding and logical tasks executor_model: "michelrosselli/glm-5:q4_k_m" Ajuste a janela de contexto Os modelos locais têm limites de VRAM rígidos. Você deve configurar exatamente quanto contexto usar. max_tokens: 8192 # Adjust based on your hardware # Kimi K2.5 supports up to 256K context # GLM-5 supports up to 200K context Lançamento do OpenClaw npm start Veja o terminal. You will see the agent initialize, but instead of network latency, you will see the beautiful hum of your local GPU spinning up. Agora você tem uma . multi-agent system running offline You can assign one agent to act as a researcher, scanning local PDFs, while another agent acts as a coder, writing scripts based on that research. The Ollama backend manages inference seamlessly. It dynamically unloads and loads the necessary quantized models into VRAM as OpenClaw calls for them. Este é o Santo Graal do desenvolvimento local. This is the holy grail of local development. Você construiu um sistema de inteligência de circuito fechado. Você pode repetir, falhar, prompt e refinar à velocidade do pensamento – sem ser sobrecarregado por custos ou latência em nuvem. O lobster e o agente são agora um organismo coeso. Como um Mac M3 ou um DGX Spark poderia salvar sua privacidade on-line Software is nothing without the metal to run it. The OpenClaw revolution is happening right now because of a simultaneous hardware revolution. For years, Big Tech hoarded the GPUs. Mas a paisagem mudou. But the landscape has shifted. Agora temos hardware de consumidor e prosumer capaz de manter modelos maciços e quantificados na memória. Introduza o Apple Mac M3 Max e o NVIDIA DGX Spark. Essas máquinas não são apenas computadores; são fortalezas que preservam a privacidade. Enter the Apple Mac M3 Max and the NVIDIA DGX Spark. These machines are not just computers; they are privacy-preserving fortresses. Por que a Apple Silicon mudou o jogo Arquitetura de Memória Unificada (UMA): Esta é a característica assassina. PCs tradicionais dividem RAM e VRAM. Um Mac M3 Max com 128GB de Memória Unificada pode alocar uma parte significativa dela para a GPU para inferência de modelo. Suporte de modelo local maciço: Você pode carregar um Local Kimi K2.5 ou GLM-5 quantificado (que pode exigir de 40 a 60 GB de memória quando quantificado) diretamente em um laptop. Eficiência: O M3 executa esses modelos pesados de forma silenciosa e eficiente, aproveitando uma fração da potência de uma configuração de GPU de desktop tradicional. Avaliações sobre o NVIDIA DGX Spark O DGX Spark é o rei indiscutível da computação local de mesa, alimentado pelo . NVIDIA GB10 Grace Blackwell Superchip Poder de tensor bruto: fornece até 1 petaFLOP de desempenho de IA FP4, construído especificamente para inferência de lote contínua e maciça. 128GB de memória unificada LPDDR5x: Ele pode executar modelos de IA com até 200 bilhões de parâmetros localmente, e modelos de ajuste fino até 70 bilhões de parâmetros - tudo em sua mesa. ConnectX-7 Networking: Duas unidades DGX Spark podem ser conectadas via 100GbE ConnectX-7 para lidar com modelos de até 405 bilhões de parâmetros, permitindo que você execute os maiores modelos de peso aberto, como o GLM-5 completo (744B total, 44B parâmetros ativos) localmente. Velocidade sem compromisso: os tokens geram mais rápido do que você pode ler, transformando fluxos de trabalho de agentes de jogos de espera assíncronos em colaborações em tempo real. Hardware is your physical moat. Every time you send a query to the cloud, you are giving away a piece of your digital footprint. When you use a Mac M3 or a DGX Spark with OpenClaw, you cut the cord entirely: Sua estratégia corporativa permanece interna. O seu diário pessoal permanece privado. O seu código-fonte nunca é analisado por um servidor de terceiros para "fins de treinamento". Este hardware permite que os . Complete Local Agent Command Center It gives OpenClaw the vast memory playground it needs to store massive local vector databases and maintain long context windows without crashing. Você está comprando sua privacidade de volta com silicone. The initial hardware investment pays for itself the moment you realize you will never pay another API bill or suffer a data breach from a third-party AI provider again. O futuro está aqui, e é local e offline A narrativa do inevitável domínio das nuvens era uma mentira. The narrative of inevitable cloud dominance was a lie. Foi uma campanha de marketing altamente lucrativa projetada para manter os desenvolvedores dependentes e os usuários expostos. It was a highly profitable marketing campaign designed to keep developers dependent and users exposed. Nós vimos por trás da cortina, e preferimos a linha de comando. We have seen behind the curtain, and we prefer the command line. A combinação de OpenClaw, modelos de peso aberto como o Minimax M2.5 e GLM-5, e hardware local pesado como o Mac M3 e o DGX Spark descentralizou completamente o poder da IA geradora. The combination of OpenClaw, open-weight models like Minimax M2.5 and GLM-5, and heavy-hitting local hardware like the Mac M3 and DGX Spark has completely decentralized the power of generative AI. Isto é mais do que uma conquista técnica; é uma vitória filosófica. Nós tomamos o fogo dos gigantes da tecnologia. Ao correr com êxito e No que diz respeito ao hardware do consumidor, a comunidade de código aberto provou que a verdadeira inteligência não precisa ser trancada atrás de um paywall. Local Minimax M2.5 Local GLM-5 Look at what we have built! Um quadro que elimina custos e latência. Um sistema de agentes que opera com autonomia total, não monitorada. Um centro de comando que respeita a privacidade absoluta dos dados. O futuro da computação não é uma enorme fazenda de servidores no deserto. The future of computing is a quiet, immensely powerful machine sitting on your desk, fully disconnected from the internet, yet holding the entirety of human knowledge and reasoning capabilities within its localized memory. Estamos nos movendo para uma era de Uma era de . renting intelligence owning it The lobster has molted. Ele derramou a casca frágil e restritiva da dependência da nuvem e cresceu uma armadura endurecida de computação local. The underground hacker ethos has collided with cutting-edge machine learning, and the result is magnificent. Your tools should belong to you. Your data should belong to you. Your workflow should never be interrupted because a server in a different time zone went down for maintenance. A interrupção de código aberto não está chegando; . it has already happened The infrastructure is built, the weights are seeded, and the command center is ready for deployment. Stop paying rent for your intelligence. Stop feeding your private data into the maw of the cloud oligopoly. Clone the repo. Pull the weights. Spin up your local node. Build your sovereign agent swarm today and reclaim your compute. The revolution is local, and it is waiting for your command. A execução. A execução. Leia mais OpenClaw — Official Website The official homepage for the OpenClaw personal AI assistant project. OpenClaw GitHub Repository Source code, documentation, and contributor hub for OpenClaw. OpenClaw — Wikipedia Background, history, and development timeline of the OpenClaw project. Ollama — Official Website Local LLM runtime for downloading, running, and managing open-source models. Ollama GitHub Repository Source code and documentation for the Ollama local inference engine. Ollama + OpenClaw Integration Guide Official guide for connecting OpenClaw with local Ollama models. MiniMax — Official Website Homepage for MiniMax AI, developers of the M2.5 model and MiniMax Agent. MiniMax M2.5 on Hugging Face Open-weight model downloads and documentation for MiniMax M2.5. Kimi AI — Official Website Moonshot AI's Kimi K2.5 chat interface with Agent Swarm and visual coding capabilities. Moonshot AI Open Platform Developer API access for Kimi K2.5 and Moonshot AI services. GLM-5 on Hugging Face (Zhipu AI / Z.ai) Open-weight model downloads for GLM-5, released under the MIT license. NVIDIA DGX Spark — Official Product Page Specifications and details for the Grace Blackwell desktop AI supercomputer. Apple MacBook Pro Specifications Official specs for MacBook Pro models, including M3 Max unified memory configurations. Apple M3 Max Chip Overview Apple's official announcement detailing the M3 Max chip architecture and capabilities. FAISS — Facebook AI Similarity Search Open-source vector database library for local embedding storage and similarity search. Chroma — Open-Source Vector Database Open-source search and retrieval database for AI applications, used for local embedding storage. LM Studio — Local AI on Your Computer Desktop application for downloading, running, and managing local LLMs with an OpenAI-compatible API. llama.cpp — LLM Inference in C/C++ High-performance local LLM inference engine supporting GGUF quantized models across CPU and GPU backends. Kimi K2.5 Model Weights on Hugging Face Official open-weight release of Moonshot AI's Kimi K2.5 multimodal agentic model. NVIDIA DGX Spark Specification Sheet Detailed technical specifications for the GB10-powered desktop AI supercomputer. Peter Steinberger — Creator of OpenClaw Personal blog of OpenClaw's creator, with posts on the project's origin, architecture, and future. OpenClaw Documentation Official setup guides, configuration reference, channel integrations, and security documentation. Zhipu AI (Z.ai) — Official Website Homepage of Zhipu AI, the company behind the GLM series of open-source language models. MiniMax M2.5 — Official Announcement MiniMax's official M2.5 model release page with benchmarks, pricing, and agent integration details. O Google Nano Banana Pro foi usado para cada imagem neste artigo. Google Nano Banana Pro was used for every image in this article. O Claude Opus 4.6 e o Google Gemini 3.1 Pro foram usados para o primeiro esboço deste artigo. Claude Opus 4.6 and Google Gemini 3.1 Pro were used for the first draft of this article.