Como avaliar uma “cota grátis”
Olhe para quatro coisas. Unidade: por uso (N imagens ou músicas por dia), por token ou caractere (APIs e TTS), por créditos (comum em imagem e vídeo, com custo diferente por operação) ou por tempo (transcrição). Ciclo de renovação: diário é o mais confortável; mensal exige planejamento; os créditos de boas-vindas acabam e não voltam. Corte de qualidade: a camada grátis costuma vir com resolução baixa, marca d'água, modelo antigo e fila lenta — a saída grátis do remove.bg e do Clipdrop só tem resolução de prévia. Condições escondidas: cartão cadastrado (a cota grátis da API da OpenAI acabou e agora exige recarga), convite, e-mail institucional. Grátis de verdade e sem limite só existe rodando modelo aberto na sua máquina — e o preço é o hardware e a conta de luz. Na hora de escolher: veja a qualidade nos rankings, o preço no Artificial Analysis e teste sua tarefa real na camada grátis.
Contas, cadastro e limites regionais
Três noções costumam se misturar. Acesso: se o site abre diretamente da sua região; alguns serviços bloqueiam por IP. Cadastro: mesmo acessível, o registro costuma verificar telefone ou cartão, e alguns produtos são bloqueados por região. Área de serviço: conseguir entrar não garante que o serviço funcione; alguns produtos restringem funções por região. Este diretório só lista serviços que podem ser registrados e usados em várias regiões; exigências de cadastro e limites regionais ficam na avaliação de cada cartão, e quando algo não permite cadastro costuma haver uma alternativa utilizável no mesmo grupo.
BYOK e o destino dos dados
Ao usar um serviço de IA, os dados podem seguir três caminhos. O produto do provedor (ChatGPT web, app do Claude): o conteúdo fica no provedor e costuma ser usado para treinamento por padrão; dá para desligar nas configurações. Camadas de terceiros: o conteúdo passa por outro servidor antes de chegar ao provedor do modelo, com risco de vazamento raramente informado. Ferramentas BYOK (o chat de IA deste site, Continue, Aider, Open WebUI com API na nuvem): sua chave, sua requisição, direto do seu dispositivo ao provedor, sem intermediário; o histórico fica local. Este site mantém as chaves na memória da sessão por padrão e só grava no localStorage se você marcar "lembrar chave". Execução local (Ollama, LM Studio, Whisper, ComfyUI, recorte / OCR deste site): os dados nunca saem do dispositivo — o único caminho tranquilo para contratos, prontuários e código não publicado.
Que hardware é preciso para rodar localmente
Para modelos de texto, estime pelo número de parâmetros: um modelo de 7–9B em quantização 4-bit ocupa cerca de 5 GB de memória e roda num notebook; 14B fica em torno de 9 GB; 32B pede uns 20 GB, ou seja, GPU dedicada ou um Mac com 32 GB ou mais de memória unificada; acima de 70B é estação de trabalho. O Ollama e o LM Studio escolhem sozinhos a quantização GGUF e distribuem a carga entre CPU e GPU. Modelos de imagem: SDXL pede 6–8 GB de VRAM, FLUX fica confortável com 12 GB ou mais; modelos de vídeo em geral querem 16–24 GB. Para transcrever com Whisper, o whisper.cpp roda em tempo real só com CPU. A memória unificada dos chips M da Apple rende um ótimo custo-benefício em inferência local no Mac; no Windows, prefira uma GPU NVIDIA (o ecossistema CUDA é o mais completo).
Como ler rankings
O LMArena usa batalhas anônimas com voto dos usuários e reflete “de qual resposta as pessoas gostaram mais” — é o mais útil para tarefas de conversa, mas tende a favorecer respostas longas e bonitas. O LiveBench troca as perguntas de tempos em tempos para evitar contaminação do conjunto de treino; o SWE-bench e o ranking do Aider medem programação com tarefas reais; o Artificial Analysis cruza qualidade, velocidade e preço, sendo a primeira parada para escolher uma API; o OpenCompass e o SuperCLUE cobrem tarefas em chinês. Qualquer ranking isolado pode ser otimizado de propósito; escolha modelos olhando a intersecção de dois ou três rankings e depois teste com as suas tarefas reais.
Agentes, fluxos de trabalho e MCP
Ir de "conversar com um modelo" para "deixar o modelo fazer coisas por mim" exige três ingredientes: chamada de ferramentas (o modelo pode buscar, ler arquivos, chamar APIs), planejamento em várias etapas (decidir o próximo passo a partir dos resultados) e estado com memória. Dify e Flowise montam isso visualmente; n8n e Zapier fizeram crescer nós de IA a partir da automação; LangGraph, CrewAI, AutoGen e o OpenAI Agents SDK são frameworks de código. MCP (Model Context Protocol) resolve a conexão uniforme de ferramentas: uma ferramenta exposta por um servidor MCP funciona no Claude, Cursor, ChatGPT e qualquer cliente compatível, sem reescrever para cada cliente.