Multiverse Computing usa redes tensoriais para mapear e aparar camadas de censura, e o DeepSeek R1 Slim responde a perguntas proibidas na China, segundo testes citados pela MIT Technology Review
Um grupo de físicos quânticos, ligado à espanhola Multiverse Computing, apresentou o DeepSeek R1 Slim, uma versão compacta do DeepSeek R1 que promete reduzir o tamanho do modelo em cerca de 55%, manter desempenho próximo ao original e operar com filtros políticos removidos. De acordo com a cobertura da MIT Technology Review, a empresa afirma que o modelo comprimido preserva respostas de alta qualidade ao mesmo tempo em que elimina camadas associadas à censura presentes na versão completa.
Segundo a Multiverse, o DeepSeek R1 Slim foi submetido a perguntas que normalmente são bloqueadas por sistemas chineses, como “com quem o Ursinho Pooh se parece?” e “o que aconteceu na Praça da Paz Celestial em 1989?”. O modelo respondeu sem bloqueios e, em testes internos, foi avaliado pelo GPT-5 como mais factual e menos censurado que o DeepSeek R1 original.
Embora ousada, a proposta tem ambições práticas: reduzir a barreira de hardware e energia para rodar modelos avançados, além de abrir debate sobre o papel da censura chinesa em IAs de uso global. A Multiverse afirma que a compressão não veio com grandes perdas, e que o DeepSeek R1 Slim pode ser uma vitrine de como técnicas inspiradas na física quântica ajudam a tornar a IA de ponta mais acessível.
Como os físicos “encolheram” o DeepSeek R1 Slim sem derrubar a qualidade
A chave da compressão, segundo a empresa, está no uso de redes tensoriais, estruturas matemáticas de alta dimensionalidade comuns na física quântica. Em termos práticos, essa representação cria um “mapa” interno do modelo, permitindo organizar grandes volumes de dados com eficiência, identificar padrões redundantes e remover partes específicas com mínimo impacto no desempenho. Foi assim, afirma a Multiverse, que camadas associadas à censura puderam ser isoladas e retiradas, preservando a capacidade de resposta.
Após a compressão, o comportamento do DeepSeek R1 Slim foi ajustado para manter as respostas próximas às do original, mesmo ocupando bem menos espaço. A abordagem conversa com tendências do setor, como distilação de modelos, poda de pesos ou neurônios e quantização de parâmetros, mas vai além ao aplicar matemática avançada e redes tensoriais de forma granular no próprio corpo do modelo.
Em paralelo, a própria DeepSeek oferece linhas como R1-Distill, concebidas para capturar o essencial de modelos maiores. E há também iniciativas “desbloqueadas”, como a Perplexity com o R1 1776, treinado posteriormente com conjuntos de instruções censuradas. O DeepSeek R1 Slim reforça esse movimento, sugerindo que é possível ir mais longe na compressão sem perdas drásticas.
O que significa remover filtros políticos do DeepSeek R1 Slim
O caso do DeepSeek R1 Slim evidencia um debate que vai além de engenharia. Na China, empresas são exigidas a alinhar seus modelos a normas e a “valores socialistas”, o que afeta como a IA responde em diferentes idiomas e países. Como descreve a análise citada pela MIT Technology Review, pesquisas indicam que modelos chineses exibem taxas muito mais elevadas de censura, especialmente ao responder em chinês, o que impulsiona versões alternativas menos filtradas.
Para ilustrar, os cientistas testaram o DeepSeek R1 Slim com perguntas que costumam ser censuradas, e o sistema respondeu normalmente. A equipe relata que o modelo “foi avaliado pelo GPT-5 como mais factual e menos censurado que o modelo completo”, um indício de que a compressão via redes tensoriais ajudou a remover vieses de filtragem sem sacrificar a qualidade.
Mesmo assim, especialistas recomendam cautela. Como ressalta Thomas Cao, professor de política tecnológica da Tufts University, “a censura está presente em todas as fases do treinamento e acaba moldando o ecossistema global.” Segundo Cao, a natureza multicamadas da censura chinesa dificulta garantir que ela foi eliminada por completo, mesmo quando as respostas aparentam maior liberdade.
Impacto no custo da IA, limites da compressão e próximos passos
O interesse na compressão do DeepSeek R1 tem um motivo claro: reduzir custos e consumo de energia. Em um cenário onde IAs exigem hardware caro e infraestrutura pesada, uma versão como o DeepSeek R1 Slim pode permitir execução em dispositivos menores, baratear operações e democratizar acesso a capacidades avançadas.
Roman Orús, cofundador e diretor científico da Multiverse, afirma que os sistemas atuais são ineficientes e que “um modelo comprimido pode ter desempenho quase tão bom quanto o original e economizar energia e dinheiro”. A visão reflete um caminho de otimização ampla, indo do treinamento à inferência, e reforça a aposta em técnicas matemáticas para remover redundâncias profundas.
Ainda assim, a própria comunidade reconhece um dilema: “Comprimir grandes modelos de IA sem comprometer o desempenho segue sendo um desafio difícil. A maioria das técnicas precisa encontrar um equilíbrio entre tamanho e capacidade.” A avaliação, de Maxwell Venetos, engenheiro da Citrine Informatics à MIT Technology Review, sublinha que nem todo modelo comprimido manterá o mesmo nível de raciocínio, contexto e segurança do original.
Para a Multiverse e outros laboratórios, os próximos passos devem combinar testes independentes, auditorias transparentes e benchmarks públicos para confirmar ganhos na prática. Se os resultados do DeepSeek R1 Slim se sustentarem, o mercado pode ver uma nova onda de LLMs compactos com melhor custo-benefício, menos filtros políticos embutidos e desempenho competitivo o suficiente para aplicações reais, do corporativo ao consumidor final.