A Ailin¹ chega em 15 de setembro de 2026. Solicite acesso antecipado agora.

Solicitar acesso antecipado
ailin¹

Inteligência Coletiva: A Próxima Fronteira da IA

107.175 modelos de IA se coordenam dentro de um único modelo de Inteligência Coletiva.

Da IA Individual à Inteligência Coletiva

A IA passou a última era tornando modelos individuais mais capazes. A próxima fronteira é coletiva.

Modelos diferentes contribuem com perspectivas diferentes, e isso não é um slogan: o Teorema do Júri de Condorcet e o Teorema da Previsão pela Diversidade de Hong and Page mostram que diversidade estruturada pode superar a expertise isolada. Estratégias coletivas estruturadas colocam essa pesquisa para trabalhar: os modelos raciocinam de forma independente, verificam uns aos outros e convergem em uma única resposta auditável.

O objetivo não é ter mais modelos. É fazer inteligências diferentes trabalharem melhor juntas.

Isso é Inteligência Coletiva. A Ailin¹ já roda isso.

Ailin¹ Collective: o mecanismo por trás da promessa

Ailin¹ foi construída para a Inteligência Coletiva. Roteamento, descoberta, orquestração e verificação são mecanismos que a servem. A partir de 107.175 identificadores de modelos descobertos, cada requisição é roteada por uma das 32 estratégias de orquestração registradas: um único modelo quando o que importa é velocidade, vários coordenados para raciocinar, debater e conferir uns aos outros quando o que importa é a correção.

Respostas coletivas incluem a proveniência da decisão. O caminho de coordenação permanece auditável.

  • Quais modelos rodaram
  • Qual estratégia os coordenou
  • Quanto custou o coletivo
Construa com Inteligência Coletiva

Testado contra modelos de fronteira, em aberto

Testamos o coletivo contra GPT-5.5-pro, Claude Opus 4.8, Gemini 3.1 Pro e Grok 4.3, avaliados por respostas objetivas e verificadas por máquina em vez de gosto. Em um experimento auditável e reproduzível, o coletivo superou os quatro. Confira o repositório.

⭐ Junte-se a 210 pessoas que deram estrela no GitHub

A Ailin¹ chega em 15 de setembro de 2026.

Entre antes da disponibilidade geral e ajude a moldar a primeira versão.

Solicitar acesso antecipado

Coletivo Ailin¹

Cada requisição passa pela mesma cascata de roteamento antes que um único modelo seja chamado, uma cascata que pode recorrer a estratégias coletivas fundamentadas em resultados revisados por pares sobre tomada de decisão em grupo, entre eles o Teorema do Júri de Condorcet e o Teorema da Previsão pela Diversidade de Hong and Page. Diga exatamente o que você quer, e isso é honrado imediatamente. Não diga nada, e a cascata decide.

O estado da arte não é uma caixa-preta. São duas alavancas que você controla.

Cinco aliases cobrem todo o espectro, de um único modelo instantâneo ao consenso entre cinco modelos. Dois campos independentes definem os limites: max_cost é um teto, quality_target é um piso. Defina um, o outro, ou os dois. O Ailin¹ Collective nunca ultrapassa o limite que você definir.

A maioria das plataformas entrega uma lista de modelos e chama isso de escolha. Ailin¹ entrega duas alavancas independentes, não um único controle deslizante: o quão boa a resposta precisa ser, e quanto você está disposto a gastar para chegar lá.

  • Limite o gasto e deixe a qualidade encontrar seu próprio nível.

  • Garanta um piso e deixe o custo acompanhar a demanda.

  • Fixe um corredor exato entre os dois.

Aliases de roteamento do Ailin¹ Collective, o que cada um otimiza, custo típico e quando usar
Alias Otimiza para Custo típico Use quando
ailin-auto Equilíbrio, decidido a cada requisição Normal Padrão. Sem restrição além do equilíbrio entre custo e qualidade.
ailin-best Qualidade, sem limite de custo O mais alto Trabalho crítico quanto à correção, em que o custo não é a restrição determinante.
ailin-fast Latência, modelo único Baixo Fluxos interativos com orçamento de latência estrito.
ailin-economy Custo, com teto rígido aplicado O mais baixo Trabalho de fundo em alto volume
ailin-consensus Correção por verificação cruzada independente Mais alto, de propósito O erro silencioso é o modo de falha que se paga para eliminar.

Cada resposta retorna a proveniência da decisão em ailin_metadata: strategy_used, models_used e cost_usd, de modo que a decisão de roteamento pode ser verificada em vez de aceita por confiança.

Requisição: seu cliente OpenAI atual, com uma linha alterada

from openai import OpenAI

client = OpenAI(
    base_url="https://api.ailin.one/v1",
    api_key="YOUR_KEY",
)

response = client.chat.completions.create(
    model="ailin-consensus",
    messages=[{"role": "user", "content": "..."}],
    extra_body={"max_cost": 0.15}
)

Resposta

{
  "ailin_metadata": {
    "strategy_used": "ailin-consensus",
    "models_used": [
      "gpt-5.5-pro",
      "claude-opus-4.8",
      "gemini-3.1-pro"
    ],
    "final_decider_model_id": "claude-opus-4.8",
    "final_decider_role": "synthesizer",
    "cost_usd": 0.0842,
    "subcalls": [
      { "model_id": "gpt-5.5-pro", "role": "voter", "cost_usd": 0.0301, "latency_ms": 1840, "success": true },
      { "model_id": "claude-opus-4.8", "role": "synthesizer", "cost_usd": 0.0288, "latency_ms": 2010, "success": true },
      { "model_id": "gemini-3.1-pro", "role": "voter", "cost_usd": 0.0253, "latency_ms": 1650, "success": true }
    ]
  }
}

Como o Ailin¹ Collective decide: a cascata de roteamento

Uma cascata em camadas, avaliada da mais rápida para a mais lenta. Cada requisição se resolve o quanto antes for seguro, então requisições simples terminam rápido enquanto as mais difíceis recorrem às camadas profundas.

Antes da cascata: cache semântico Um quase-duplicado de uma requisição recente devolve a resposta em cache imediatamente. A triagem e as seis camadas abaixo são puladas por completo, não apenas abreviadas: puladas.

  1. Roteamento explícito

    Você nomeou algo, um alias, um modelo ou uma estratégia, então esta camada resolve a requisição na hora. Ela sempre prevalece sobre todas as camadas abaixo, e se o que você nomeou não puder de fato ser atendido, a requisição falha abertamente em vez de cair silenciosamente para outra coisa.

  2. Triagem

    Um modelo dedicado lê a intenção e a complexidade da tarefa e recomenda uma estratégia antes que qualquer modelo do coletivo seja executado. Análise real, não uma tabela de consulta, o que custa uma chamada real (pequena) própria.

  3. Arquivo de configurações

    Desbloqueia após 5 resultados registrados

    Assim que houver pelo menos 5 resultados registrados para um nicho de tarefa, o Ailin¹ Collective reaproveita o que já se provou em vez de deduzir tudo de novo.

    Não uma única escolha de caixa-preta: um banco de configurações de elite rastreadas em 6 eixos de otimização, qualidade, eficiência de custo, velocidade, equilíbrio, confiabilidade, qualidade por token, para aquele nicho, de modo que a estratégia e o conjunto de modelos reaproveitados sejam os que realmente venceram na dimensão que importa para a sua requisição.

  4. Fronteira de custo, qualidade e latência

    Desbloqueia após 3 resultados registrados

    Otimiza diretamente o trade-off multiobjetivo (qualidade, custo, velocidade, taxa de sucesso) assim que houver histórico suficiente, mesmo sem uma correspondência exata de nicho já comprovada.

  5. Preferência de estratégia aprendida

    Desbloqueia após 5 resultados registrados

    Um bandit de Thompson Sampling pondera as estratégias pelos resultados reais e medidos ao longo do tempo, refinando os próprios padrões da cascata, e ele se audita sozinho: se a taxa geral de recompensa medida cair abaixo de 95% do melhor snapshot já registrado, o bandit reverte automaticamente todo o seu estado aprendido para esse melhor snapshot conhecido.

  6. Heurística de reserva

    Se nenhuma camada acima resolver a requisição, uma heurística determinística com pontuação seleciona a estratégia a partir do tipo de tarefa, da complexidade e do conjunto de modelos disponíveis. A resolução da estratégia sempre termina com uma decisão, registrada em strategy_used.

Depois da cascata: portão de governança de custo Seja o que for que as camadas 1 a 6 tenham escolhido, a menos que você tenha roteado explicitamente, uma última verificação ainda pode rebaixar uma escolha coletiva cara de volta para um único modelo quando o ganho estimado não justificar o custo. Só uma requisição explícita também pula essa verificação.

As camadas 3 a 5 se desbloqueiam de forma independente à medida que o histórico de uso se acumula para um nicho de tarefa, a partir de 3 resultados registrados para a fronteira de custo, qualidade e latência, chegando a 5 para o arquivo de configurações e o bandit de preferência aprendida; até lá, quem decide é a heurística determinística e auditável da camada 6, sempre que as camadas 1 e 2 não resolverem a requisição primeiro.

32 estratégias, fundamentadas em pesquisa

Dezenas de formas de os modelos pensarem juntos, todas auditáveis. Problemas diferentes se beneficiam de formas diferentes de raciocínio coletivo.

Nenhuma delas é improvisada. Cada estratégia do catálogo corresponde a um resultado específico e nomeado da pesquisa em coordenação ou decisão coletiva, não a um palpite interno disfarçado de ciência.

  • consensus

    Teorema do Júri de Condorcet (1785): voto majoritário entre 3 a 5 modelos, com um piso de diversidade para que a concordância não venha de raciocínios clonados.

  • diversity-ensemble

    Teorema da Previsão pela Diversidade, de Hong e Page (PNAS, 2004): monta um time que maximiza a diversidade entre eixos por construção.

  • debate

    Modelos argumentam em rodadas estruturadas com um moderador.

  • swarm-explore

    Exploração em paralelo, selecionada automaticamente pela triagem para trabalhos abertos de design e arquitetura.

  • stigmergic-refinement

    Convergência por meio de um artefato compartilhado em vez de votação, selecionada automaticamente pela triagem para escrita de alta complexidade.

  • expert-panel

    Revisão independente com múltiplos papéis antes de a resposta sair, endereçável diretamente para requisições que exigem muita verificação.

  • tri-role-collective

    Planner, Solver, Auditor: uma máquina de estados determinística, não um coordenador treinado, que bloqueia estruturalmente que o Auditor seja o mesmo modelo ou a mesma passada de raciocínio que acabou de produzir a resposta como Solver.

  • +25 outras estratégias

Você não escolhe o modelo. O Coletivo Ailin¹ escolhe.

Simplicidade quando a tarefa é simples. Profundidade quando não é. Você define os limites, o Coletivo Ailin¹ decide dentro deles, e um campo sempre sobrescreve tudo.

Você nunca precisa decidir se uma requisição pede um modelo ou cinco. Toda requisição passa pelo Ailin¹ Collective, a mesma cascata de roteamento por trás de ailin-auto, antes de qualquer modelo ser chamado. Sabe exatamente o que quer? Basta nomear: um alias como ailin-fast, um modelo específico ou strategy: "single", e o Ailin¹ Collective atende na hora, sem negociação e sem latência extra. Não diga nada, e a cascata lê a própria tarefa e escolhe um formato que sirva a ela. Rodar um único modelo pela Ailin¹ não é um plano B nem um rebaixamento. É um caminho de primeira classe ao qual o Ailin¹ Collective recorre o tempo todo, de propósito.

Modelo único

Uma voz consistente do início ao fim. Custo menor, latência menor e exatamente tão acessível quanto a alternativa.

ailin-fast

Coletivo multimodelo

Proponentes independentes trabalhando em paralelo, verificados e reconciliados por um sintetizador antes que você veja uma única resposta, de modo que o desacordo seja capturado antes de chegar a você, não depois.

ailin-consensus

E o trabalho criativo e os refactors?

Em tarefas objetivamente verificáveis, conferidas por máquina, não um julgamento de gosto, é o coletivo que vence. Em trabalho criativo aberto, um único modelo bem escolhido vence com a mesma clareza. É exatamente por isso que a triagem existe: a cascata não tira uma média entre os tipos de tarefa, ela discrimina entre eles. Trabalho criativo vai para um único modelo por padrão. Trabalho verificável vai para o coletivo.

Tarefas verificáveis 97%

de precisão (37 de 38), contra 68 a 82% para modelos de fronteira individuais. O verificador nunca deixou passar uma resposta errada em três rodadas completas.

Você não escolhe entre simples e minucioso decorando quando usar cada um. Você diz o que sabe, o Ailin¹ Collective completa o que você não disse, e a sobreposição está sempre a exatamente um campo de distância.

Construa com Inteligência Coletiva ⭐ Dê uma estrela em Collective Intelligence no GitHub

Milhares de modelos. Só os certos entram em ação.

O Coletivo é a vantagem

O acesso a mais modelos não é o avanço. O que importa é o que acontece quando inteligências diferentes conseguem trabalhar juntas. Ailin¹ transforma um ecossistema de 107.175 identificadores de modelos, descoberto continuamente, em um coletivo e depois ativa apenas o subconjunto que cada estratégia precisa.

107.175 identificadores de modelos descobertos. O que roda é escolhido pela diversidade, não contado pelo tamanho.

  • Sempre atual

    Um modelo recém-publicado é indexado no mesmo ciclo de descoberta em que aparece, sem precisar aguardar um ciclo de lançamento.

  • Espectro completo

    Texto, visão, áudio e embeddings no mesmo catálogo, por trás do mesmo endpoint.

Por que a inteligência se torna mais poderosa quando se torna coletiva

A IA foi construída em torno de modelos individuais. Sua próxima fronteira é coletiva. Modelos individuais podem ser extraordinariamente capazes, mas cada um ainda reflete sua própria arquitetura, histórico de treinamento, pontos cegos e modos de falha. A Inteligência Coletiva permite que modelos independentes contribuam com perspectivas diferentes, desafiem pressupostos, se especializem, comparem alternativas e verifiquem resultados onde a tarefa permite. O que vem a seguir não é uma lista de desejos. São cinco mecanismos que já rodam em produção, não um roadmap.

Custo próximo ao de um único modelo, quando importa

Em tarefas que uma máquina consegue conferir, um verificador determinístico aceita a resposta correta imediatamente e curto-circuita o restante do coletivo, de modo que o custo nessas tarefas fica muito mais próximo do de um único modelo do que do restante do coletivo, exatamente onde a vantagem de precisão do coletivo é mais forte.

Resiliência

A queda de um provedor não precisa virar a sua queda. O coletivo desvia sozinho de modelos degradados e falhas, e toda resposta ainda carrega a proveniência da decisão: qual estratégia rodou, quais modelos e quanto custou.

Diversidade por construção

Provedor, arquitetura e objetivo de treinamento são forçados a se separar por uma seleção round-robin, de modo que modelos consecutivos em uma execução nunca compartilham o mesmo provedor. Isso é o Teorema da Previsão pela Diversidade de Hong and Page embutido na camada de roteamento, não uma esperança de que dados de treinamento diferentes discordem de forma útil por acaso. Isso expõe pontos cegos; não promete eliminá-los.

Menor dependência de um único provedor

Um coletivo abrange vários provedores, de modo que o roadmap, o preço ou a política de um único provedor não definem seu produto sozinhos.

Especialização dinâmica

O especialista certo para a tarefa certa: raciocínio, código, visão, contexto longo ou baixa latência, eleito em tempo real para cada requisição.

Perguntas frequentes

Respostas diretas, com o campo, o arquivo ou o número por trás de cada uma.

Integração & básico

Sim. A superfície principal (chat/completions, responses, embeddings, models) é compatível por substituição direta, com um bloco adicional ailin_metadata carregando a proveniência da decisão. Aponte seu cliente atual para o endpoint da Ailin¹, troque o cabeçalho de autenticação, e o mesmo formato de requisição funciona.

Construída para a Inteligência Coletiva, e essa é uma afirmação de engenharia específica, não um slogan. Roteamento decide para onde uma requisição vai; orquestração executa uma sequência que você mesmo escreve; a Inteligência Coletiva é a camada que define como vários modelos raciocinam, verificam uns aos outros e sintetizam juntos, com roteamento, orquestração e verificação como mecanismos que a servem. Os mecanismos remontam a pesquisas nomeadas: o Teorema da Previsão pela Diversidade de Hong and Page (PNAS, 2004), o Teorema do Júri de Condorcet (1785) e o fator de inteligência coletiva "c" de Woolley et al. (Science, 2010). Uma estratégia até leva esse nome no código-fonte: diversity-ensemble é registrada como "Diversity Ensemble (Page Theorem)". Uma requisição ativa vários modelos sob uma dessas estratégias, e então devolve uma única resposta com a proveniência da decisão de como chegou até ali.

O catálogo ao vivo reúne 107.175 identificadores de modelos descobríveis, descobertos continuamente e marcados por capacidade em dezenas de provedores, nunca uma lista estática que alguém edita à mão. Uma única requisição jamais toca todos eles: cada estratégia coletiva ativa apenas o subconjunto que requer, nunca o catálogo inteiro.

Coletivo Ailin¹ & estratégias

ailin-auto (padrão equilibrado, deixe a cascata decidir), ailin-best (qualidade primeiro, sem limite de custo), ailin-fast (latência primeiro, modelo único), ailin-economy (custo primeiro, com teto rígido aplicado), ailin-consensus (correção por verificação cruzada independente). Comece com ailin-auto. Recorra a outro só quando você souber algo que o roteador não sabe.

Por padrão, a Ailin¹ decide, pela cascata de roteamento do Ailin¹ Collective: primeiro o roteamento explícito, se você nomeou algo, depois a triagem, se não nomeou. Você pode sobrepor qualquer camada fixando um modelo, um alias ou uma estratégia diretamente, e essa escolha sempre prevalece. A maioria das integrações nunca precisa disso.

Uma cascata em camadas, avaliada da mais rápida para a mais lenta: roteamento explícito, se você nomeou; triagem, que classifica a tarefa e a mapeia para uma estratégia; um arquivo de configurações que reaproveita o que historicamente funcionou para aquele nicho exato de tarefa; uma fronteira de custo, qualidade e latência que otimiza o trade-off diretamente; e um modelo de preferência de estratégia aprendida (um bandit de Thompson Sampling) que pondera as estratégias por resultados reais ao longo do tempo. Essas três camadas do meio precisam de pelo menos 5 resultados registrados para um dado nicho antes de entrarem em ação; até lá, quem decide é uma heurística de reserva determinística e auditável, a mesma heurística que serve de rede de segurança para todas as camadas acima dela caso nenhuma resolva a requisição.

32 estratégias estão registradas no motor de coordenação, de um único modelo roteado até enxames de nove agentes explorando um problema em paralelo. A maioria é alcançável automaticamente; as demais são exclusivas por chamada explícita. Você também pode acionar qualquer uma delas diretamente como <strategy>:<tier>, por exemplo consensus:large, travando o mecanismo exato e a faixa de preço.

Em escrita criativa aberta e em refatoração de código, nossas próprias comparações de estratégias (com amostra pequena) mostram um único modelo forte batendo o coletivo completo de forma direta. Em tarefas objetivamente verificáveis, essa comparação se inverte: uma estratégia de consenso verificado pontuou 37 de 38 (97%), contra 68 a 82% dos modelos de fronteira individuais testados ao lado dela. A Ailin¹ não força consenso nessas requisições por padrão, e também não prende você ao próprio palpite dela em nenhuma direção: um campo entrega uma voz única e consistente (ailin-fast, strategy: "single"), e esse mesmo campo entrega verificação independente com múltiplos modelos (expert-panel, tri-role-collective) se for isso que você realmente quer em vez disso.

Custo & responsabilidade

Sim, por requisição. max_cost impõe um teto rígido de gasto antes de qualquer modelo ser chamado; se o custo estimado da estratégia que seria executada ultrapassar esse teto, a requisição falha com 400 strategy_budget_exceeded em vez de gastar além silenciosamente. quality_target é o piso correspondente. Cada resposta devolve o número real: ailin_metadata.cost_usd, com detalhamento item a item. Estratégias multimodelo custam significativamente mais do que um único modelo. Em tarefas que uma máquina consegue conferir (extração estruturada, matemática, código com testes, perguntas e respostas factuais), esse adicional praticamente desaparece: quando o curto-circuito determinístico de uma estratégia verificada dispara, o nosso benchmark de fronteira mais recente mediu o custo do coletivo em cerca de US$ 2,98/Mtok, cerca de 100x mais barato do que o caminho não verificado do coletivo e dentro da mesma ordem de grandeza do preço de um único modelo.

Cada resposta carrega ailin_metadata.final_decider_model_id, o modelo exato que produziu sua resposta, além de final_decider_role (primary, synthesizer, fallback ou cache) e um array completo subcalls[] listando cada participante com seu próprio custo, latência e resultado. Se você for escalar um problema de qualidade com um provedor, é esse identificador que importa, não "a API da Ailin¹". Se você precisar reconstruir por que uma decisão multimodelo saiu do jeito que saiu, ative o rastro de coordenação persistido: GET /v1/collective/runs/:id/trace devolve uma linha do tempo em nível de milissegundo de cada fase, e é construído de modo que um tenant nunca consiga confirmar que a execução de outro tenant sequer existe: uma consulta pelo ID de execução de outra pessoa devolve o mesmo 404 de uma execução que nunca foi criada.

Evidência & confiança

Em um benchmark de 10 tarefas objetivamente verificáveis (respostas conferíveis por máquina, não um julgamento de gosto), executado 38 vezes, uma estratégia de consenso pareada com um verificador determinístico respondeu corretamente 37 de 38 vezes na nossa própria avaliação, contra 68 a 82% dos modelos de fronteira individuais testados ao lado dela (GPT-5.5-pro, Claude Opus 4.8, Gemini 3.1 Pro, Grok 4.3). Ao longo das três rodadas, o verificador nunca selecionou uma resposta objetivamente errada sequer. Sem ele, outras estratégias coletivas voltam para a mesma faixa dos modelos de ponta individuais, de modo que a vantagem acompanha o verificador, não os modelos extras. O resultado relatado pode ser recomputado a partir das saídas brutas publicadas e do verificador de avaliação. Rode você mesmo em vez de acreditar na nossa palavra.

Não, seus prompts brutos não. O pipeline de exportação de dados de treinamento nunca toca no conteúdo do prompt: ele exporta apenas metadados operacionais anonimizados (estratégia usada, custo, latência, notas de qualidade), com IDs de rastreamento hasheados via SHA-256 mais um pepper secreto e truncados para 16 caracteres, e os identificadores da sua organização e dos seus usuários removidos antes de qualquer coisa ser preparada. Se esse pepper não estiver configurado, o job de exportação se recusa a rodar em vez de exportar dados desprotegidos.

Cada chamada passa por autenticação, isolamento entre tenants, aplicação de cotas, roteamento filtrado por capacidade e rastreamento de requisições. Isso já está em produção hoje, assim como o lado de cadeia de suprimentos e licenciamento: endpoints de conformidade com a seção 13 da AGPL (/source, /license), proveniência de release via SLSA/Sigstore e um SBOM em formato SPDX acompanham cada release. O que ainda não está pronto: a certificação formal. SOC 2 e ISO 27001 estão em andamento, não certificados; se o seu processo de compras exige uma atestação específica, pergunte ao seu time de conta em vez de supor uma a partir de material de marketing, inclusive o nosso. Você também não precisa confiar só na nossa palavra: o motor de coordenação por trás dos números desta página é público em github.com/ailinone/collective-intelligence (AGPL-3.0-or-later), com os scripts do benchmark e os dados brutos incluídos.

Ajude a construir a Era Coletiva da IA

A próxima fronteira da IA é coletiva, e deve ser construída em aberto. No nosso próprio benchmark, um consenso verificado respondeu corretamente 37 de 38 tarefas objetivamente verificáveis, contra 68 a 82% dos modelos de fronteira isolados, e nunca selecionou uma resposta errada sequer. A documentação cobre toda a superfície da API. O repositório contém o motor de coordenação, os scripts de benchmark e os dados brutos por trás desse resultado.

Solicitar acesso antecipado Construa com Inteligência Coletiva ⭐ Dê uma estrela em Collective Intelligence no GitHub