Pular para o conteúdo
    Em focoAgentes e automação

    ARC 1.0: como funciona o roteador Apache 2.0 para agentes entre nuvem e local

    Conheça a arquitetura, a equação de utilidade e os limites reais de auto-hospedagem do ARC 1.0, modelo decisório da Rayline baseado no Qwen3.5-0.8B.

    Close-up de um rack de servidor moderno em um ambiente escuro, com cabos de fibra óptica brilhantes divididos entre feixes azuis que sobem e feixes âmbar conectados a placas locais.
    O roteador ARC 1.0 otimiza a distribuição de tarefas de agentes entre infraestruturas de nuvem e processamento local.
    Neste artigo

    Na documentação da interface de roteamento da Rayline (abre em nova aba), um detalhe de cobrança chama a atenção de quem opera agentes de codificação em múltiplas etapas: a chamada Routes API ainda não reaproveita o cache de prefixo (prefix caching, mecanismo que armazena o início repetido de um histórico de conversa para evitar reprocessamento) entre requisições consecutivas, o que faz cada token lido pelo roteador ser tarifado pelo valor cheio de entrada codificada. Pagar a leitura completa do contexto em um modelo pequeno, contudo, cumpre o papel de evitar um gasto ordens de grandeza maior na etapa seguinte, quando um agente acionaria um modelo de fronteira com esforço máximo de raciocínio apenas para executar uma edição simples de arquivo ou validar um teste no terminal. Essa economia por turno é a consequência direta buscada pelo ARC 1.0 (abre em nova aba) (Adaptive Routing Controller), modelo decisório anunciado em 11 de novembro de 2026 por David Valerio Gilmore, fundador da Rayline, com pesos publicados sob licença Apache 2.0 no dia anterior para arbitrar o fluxo de trabalho entre APIs em nuvem e servidores locais.⁠​‌​​‌​​‌​‌​​​​​‌​​‌​‌‌‌​​‌‌​​​‌‌​‌‌​‌‌‌‌​‌‌​‌‌​‌​​‌​‌‌‌​​‌‌​​​‌​​‌‌‌​​‌​​‌‌‌‌‌​​​‌‌​​‌‌​​‌‌​​‌​‌​‌‌​​​‌‌​​‌‌​​​‌​‌‌​​​‌​​​‌‌​‌​​​​‌‌​‌​​​‌‌​​​‌​​​‌​‌‌​‌​‌‌​​​‌‌​‌‌​​‌​‌​‌‌​​​​‌​‌‌​​‌​​​​‌​‌‌​‌​​‌‌​‌​​​​‌‌​​‌‌​‌‌​​​‌​​‌‌​​​‌‌​​‌​‌‌​‌​‌‌​​​‌​​​‌‌​‌​​​‌‌​​‌​‌​​‌‌​​​​​​‌​‌‌​‌​​‌‌​​‌​​​‌‌​‌‌‌​​‌‌‌​​​​​‌‌​‌‌​​‌‌​​‌​​​​‌‌​​​​​‌‌​​​‌​​​‌‌​​‌‌​​‌‌​​​‌​‌‌​​‌‌​​‌‌​​​​‌​‌‌​​‌​‌⁠

    Arbitrar esse fluxo a cada turno exige que o controlador compreenda o estado acumulado da conversa antes de emitir qualquer instrução de despacho. Em ferramentas de desenvolvimento assistido como Claude Code, Cursor, OpenCode, Codex e OpenClaw, uma mesma sessão alterna entre planejamento arquitetural complexo, leitura de logs e formatação trivial de sintaxe, mas a configuração padrão dessas ferramentas costuma manter um único modelo fixo durante toda a execução. O ARC 1.0 atua como um intermediário em duas etapas: primeiro seleciona qual modelo do conjunto disponível (como famílias Claude, OpenAI, DeepSeek, Qwen, Gemini, Gemma, GLM, Kimi ou Mistral) deve responder ao turno atual; em seguida, define o nível de esforço de raciocínio (reasoning effort, a quantidade de processamento e tokens intermediários dedicados a pensar antes da resposta final) adequado para a tarefa.

    Arquitetura em camadas divididas e separação entre predição e política

    Para tomar essas decisões sem introduzir a latência de um modelo generativo de grande porte, o ARC 1.0 parte da base Qwen/Qwen3.5-0.8B, uma arquitetura enxuta na faixa de 800 milhões de parâmetros que foi adaptada com código customizado e cabeças de classificação em formato Safetensors. Segundo o registro técnico do catálogo DecisionModels (abre em nova aba), a rede não processa todos os sinais na mesma profundidade: as cabeças especializadas de roteamento e análise de conteúdo utilizam apenas as 12 camadas inferiores do modelo base, reduzindo o custo computacional da inferência, enquanto uma cabeça de perguntas de propósito geral (question head) percorre todas as 24 camadas da arquitetura.

    Estrutura de cristal translúcida em ambiente de servidor com doze camadas inferiores iluminadas por feixes de luz azul e âmbar que se dividem em duas direções.
    A arquitetura enxuta do ARC 1.0 utiliza camadas otimizadas para rotear tarefas com baixa latência e eficiência computacional.

    Essa estrutura física sustenta a principal escolha de engenharia do projeto, que é o desacoplamento estrito entre predição estatística e política de negócios. Em roteadores tradicionais que embutem regras de custo no próprio treinamento, qualquer corte de preço feito por um provedor de nuvem ou a adição de uma máquina local amortizada invalida o comportamento do classificador. No ARC 1.0, as cabeças da rede neural limitam-se a estimar grandezas técnicas invariantes ao mercado, cabendo à aplicação fornecer a tabela de preços em tempo de execução (o pacote de pesos não inclui nenhum retrato fixo de preços).

    Mudar a tabela de preços de um provedor não exige retreinar o modelo.

    Quando os modelos candidatos e a configuração de serviço permanecem fixos, os preditores continuam válidos e alimentam uma equação explícita de utilidade documentada no cartão do modelo:

    Utility = V × predicted success - expected cost⁠​‌​​‌​​‌​‌​​​​​‌​​‌​‌‌‌​​‌‌​​​‌‌​‌‌​‌‌‌‌​‌‌​‌‌​‌​​‌​‌‌‌​​‌‌​​​‌​​‌‌‌​​‌​​‌‌‌‌‌​​​‌‌​​‌‌​​‌‌​​‌​‌​‌‌​​​‌‌​​‌‌​​​‌​‌‌​​​‌​​​‌‌​‌​​​​‌‌​‌​​​‌‌​​​‌​​​‌​‌‌​‌​‌‌​​​‌‌​‌‌​​‌​‌​‌‌​​​​‌​‌‌​​‌​​​​‌​‌‌​‌​​‌‌​‌​​​​‌‌​​‌‌​‌‌​​​‌​​‌‌​​​‌‌​​‌​‌‌​‌​‌‌​​​‌​​​‌‌​‌​​​‌‌​​‌​‌​​‌‌​​​​​​‌​‌‌​‌​​‌‌​​‌​​​‌‌​‌‌‌​​‌‌‌​​​​​‌‌​‌‌​​‌‌​​‌​​​​‌‌​​​​​‌‌​​​‌​​​‌‌​​‌‌​​‌‌​​​‌​‌‌​​‌‌​​‌‌​​​​‌​‌‌​​‌​‌⁠

    Nessa fórmula, a utilidade de cada escolha resulta da probabilidade prevista de sucesso na tarefa multiplicada por um coeficiente V (que representa o valor atribuído pela equipe à conclusão bem-sucedida), subtraindo-se o custo financeiro esperado daquela execução. O custo esperado não é um número genérico: o modelo estima separadamente quatro componentes de consumo de tokens (unidades básicas de texto processadas pela IA), dividindo-os em entrada não armazenada em cache, leitura de cache, escrita em cache e geração de saída.

    Além das estimativas de sucesso por modelo, da projeção quádrupla de tokens e da relação entre qualidade e consumo dos diferentes níveis de raciocínio interno de um mesmo modelo, o controlador emite três sinais adicionais que ampliam seu escopo. O primeiro é a detecção de informações pessoais identificáveis (PII, do inglês Personally Identifiable Information, abrangendo dados sensíveis como credenciais, nomes e documentos na entrada), funcionalidade que preserva nos arquivos de distribuição os avisos de atribuição CC-BY-4.0 do conjunto nvidia/Nemotron-PII. O segundo é a categorização multirrótulo da requisição, que classifica as operações solicitadas e os domínios técnicos envolvidos. O terceiro, enfim, é a geração de probabilidades para perguntas abertas definidas pelo desenvolvedor por meio da cabeça de 24 camadas, permitindo consultar programaticamente questões como "esta requisição exige um modelo mais forte?" ou "qual destes modelos deve responder?" com opções tipadas de resposta.

    Modos de operação, políticas predefinidas e limites de API

    Na prática, a adoção do ARC 1.0 divide-se entre o consumo da infraestrutura hospedada pela Rayline (atualmente em fase beta pelo endereço api.rayline.ai, compatível com os formatos de mensagens da Anthropic e de Chat Completions da OpenAI) e o uso apenas dos sinais decisórios. A empresa disponibiliza três caminhos de integração por API, cujos parâmetros operacionais e políticas predefinidas estão detalhados na tabela a seguir:

    Modo ou PolíticaParâmetro V / RegraExecução da InferênciaModelo de Cobrança e Limites Documentados
    ARC Sage (arc-sage-1.0)V = 4.5 (prioriza sucesso em tarefas exigentes)Hospedada pela Rayline (Generation API)Tarifa fixa em dólares por milhão de tokens (entrada, saída e cache); janela anunciada de 1.000.000 de tokens e saída máxima de 128.000.
    ARC Swift (arc-swift-1.0)V = 0.1 (prioriza redução agressiva de custo)Hospedada pela Rayline (Generation API)Tarifa fixa em dólares por milhão de tokens; mesma janela anunciada de 1.000.000 de tokens com suporte a visão, ferramentas e raciocínio.
    ARC Dynamic (arc-1.0)Ajustável pelo desenvolvedorHospedada pela Rayline (Generation API)Cobrado pelo preço de catálogo do modelo efetivamente acionado na Rayline, com alegação oficial de 0% de comissão sobre o roteamento.
    Prefer-localLimiar de sucesso (ex.: 0.85 no relatório técnico)Híbrida (local com fallback para nuvem)Executa no modelo local elegível se a probabilidade prevista atingir o limiar; caso contrário, aciona a política de retorno configurada.
    Routes APIDefinido pelo perfil de preço e valor do usuárioExecutada nos endpoints do próprio clienteRetorna apenas a decisão de modelo e esforço; ainda não reutiliza prefixo em cache entre chamadas, cobrando cada token lido como entrada codificada.
    Decisions APIPerguntas tipadas (compatível com padrão Jev)Sem geração de texto (retorna escolhas e escores)Limite de taxa de 30 requisições por minuto por usuário (contabilizado à parte da Routes API); requisições recusadas não são faturadas.

    O que dizem os números oficiais frente à auditoria independente

    O consenso em torno do roteamento de agentes parte da premissa de que combinar modelos locais rápidos com chamadas seletivas à nuvem reduz drasticamente a fatura de inferência sem degradar a entrega final. De acordo com o relatório técnico ARC: Learned Model Routing for Long-Horizon Agentic Workflows e o cartão do modelo no Hugging Face, a configuração híbrida entre borda e nuvem da Rayline retém 97,5% da qualidade do modelo Opus 5.5 com um custo 92,9% menor na média de seis benchmarks avaliados. Esse resultado específico, segundo os autores, utilizou o modelo DeepSeek V4.1 Flash combinado a um arranjo de múltiplas máquinas DGX Spark e um limiar prefer-local configurado em 0.85. Em recortes individuais citados na documentação, o perfil ARC Sage teria alcançado 68,7% de sucesso no benchmark DeepSWE contra 69,9% do Opus 5.5 (a 7% do custo relativo), e 92,4% no Terminal-Bench 2.1 contra 91,0% do Opus 5.5 (a 58% do custo relativo), além de registrar na tabela comparativa geral 71,6% de sucesso da tarefa no modelo selecionado (frente a 65,4% da base de comparação), custo por tentativa de US$ 0,77 (frente a US$ 1,19) e taxa de inversão por ordem de opções de 19,0% (contra 9,3%).

    Quando esses números passam pelo escrutínio externo, surgem ressalvas documentadas que separam a publicação de pesos abertos da disponibilidade imediata de um sistema autônomo em produção. Uma auditoria conduzida pelo grupo Mycelium Protocol (abre em nova aba) em 12 de novembro de 2026, colocada lado a lado com o levantamento do portal FastToolHub (abre em nova aba), aponta divergências aritméticas e fronteiras técnicas claras para quem pretende hospedar o modelo por conta própria:

    1. Divergência na reprodução das médias e variações de vitrine: enquanto o anúncio original fala em 97,5% da qualidade por até um décimo do custo e o relatório cita 92,9% de economia na configuração híbrida, a página inicial da própria Rayline exibe outra bateria de comparação com 97,4% da qualidade a 14,3% do custo (ou 7,1% combinando modelos locais). Ao recalcular as seis linhas da tabela de qualidade exibida no cartão do Hugging Face pelo método de média ali indicado, a auditoria do Mycelium Protocol constatou que os dados públicos da tabela não reproduzem os 97,5% do título, e observou que a redução percentual agregada de custo não pode ser auditada matematicamente sem a divulgação dos gastos absolutos e do tamanho das amostras de cada tarefa.
    2. Fronteira real do pacote Apache 2.0: embora os pesos no Hugging Face, o conector de inferência e o gateway local utilizem a licença Apache 2.0, o corpus de treinamento curado e o sistema de treinamento de produção permanecem proprietários. A alegação promocional da empresa de que o ARC seria o "primeiro modelo unificado de roteamento do mundo" tampouco possui verificação independente de anterioridade.
    3. Incompletude do plugin de serviço para vLLM: por utilizar uma arquitetura customizada sobre o Qwen3.5-0.8B com divisão de camadas entre cabeças, o modelo não pode ser carregado diretamente em uma instalação padrão do motor de inferência vLLM. O repositório oficial do plugin vllm-arc (abre em nova aba) está marcado como trabalho em andamento (WIP): ele implementa a integração do codificador e a pontuação de primeiro estágio (Stage-1 scoring), mas ainda não oferece o serviço de ponta a ponta nem a API completa de políticas, sinais de conteúdo e perguntas. Já o repositório raydock (abre em nova aba) (para onde o antigo endereço rayline-ai/rayline agora redireciona) fornece a interface de linha de comando e o gateway local para conectar modelos em nuvem e na máquina, operando sob modos distintos de autenticação.

    Verificação técnica antes de adotar o ARC 1.0 em produção

    • Validar os artefatos baixados do Hugging Face e confirmar quais interfaces o commit atual do plugin vllm-arc suporta no seu ambiente.
    • Definir um conjunto fixo de tarefas rotuladas e travar o pool de modelos candidatos (locais e em nuvem) antes de comparar políticas.
    • Fornecer a tabela real de preços da sua infraestrutura em tempo de execução para alimentar a fórmula Utility = V × predicted success - expected cost.
    • Medir em sessões completas de múltiplos turnos a taxa real de conclusão, o comportamento de leitura e escrita de cache, as retentativas e o gasto financeiro absoluto.
    • Avaliar a ocupação de memória de vídeo (VRAM) e a concorrência no hardware local caso utilize a política prefer-local com limiar de confiança.

    Para verificar o estado atual do código público sem depender de provedores pagos de geração, o Mycelium Protocol executou a suíte de testes unitários de CPU do repositório vllm-arc em um commit fixo, utilizando um substituto simulado (stand-in) para o vLLM que não roda os pesos reais do ARC nem comprova paridade em placas CUDA, mas confirmou a aprovação nos cinco testes estruturais do pacote: registro da arquitetura customizada, restrições do motor de imagem, descarte intencional de pesos de cabeças não utilizadas e a execução exata de uma chamada visual em formato float32 por imagem.⁠​‌​​‌​​‌​‌​​​​​‌​​‌​‌‌‌​​‌‌​​​‌‌​‌‌​‌‌‌‌​‌‌​‌‌​‌​​‌​‌‌‌​​‌‌​​​‌​​‌‌‌​​‌​​‌‌‌‌‌​​​‌‌​​‌‌​​‌‌​​‌​‌​‌‌​​​‌‌​​‌‌​​​‌​‌‌​​​‌​​​‌‌​‌​​​​‌‌​‌​​​‌‌​​​‌​​​‌​‌‌​‌​‌‌​​​‌‌​‌‌​​‌​‌​‌‌​​​​‌​‌‌​​‌​​​​‌​‌‌​‌​​‌‌​‌​​​​‌‌​​‌‌​‌‌​​​‌​​‌‌​​​‌‌​​‌​‌‌​‌​‌‌​​​‌​​​‌‌​‌​​​‌‌​​‌​‌​​‌‌​​​​​​‌​‌‌​‌​​‌‌​​‌​​​‌‌​‌‌‌​​‌‌‌​​​​​‌‌​‌‌​​‌‌​​‌​​​​‌‌​​​​​‌‌​​​‌​​​‌‌​​‌‌​​‌‌​​​‌​‌‌​​‌‌​​‌‌​​​​‌​‌‌​​‌​‌⁠

    Este conteúdo foi útil para você?

    Filipe Mendes

    Ver perfil completo