IA local já programa bem, mas será que dá para usar no dia a dia?

Ver no idioma original →

Autoria: Rafael Quintanilha – QuantBrasil · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: português

Vídeo original: IA local já programa bem mas será que dá para usar no dia a dia? · Canal: Rafael Quintanilha – QuantBrasil · 07:32 · Assistir no YouTube

Tópicos: Agentes de IA, Avaliação e benchmarks de IA, Engenharia de software com IA, Modelos locais e open source, Open source e ecossistemas de software

Resumo

O vídeo compara Music Glimmer e Qwen 3.8 27B em uma tarefa de back end: criar um comando para consultar quando canais do YouTube atingiram determinada quantidade de inscritos. Os dois modelos implementam a funcionalidade corretamente, incluindo casos em que a meta ainda não foi alcançada. Music Glimmer conclui o trabalho mais rápido e com alterações mais enxutas, enquanto Qwen leva mais tempo, analisa mais o repositório e faz uma implementação mais abrangente. A conclusão é que ambos são opções promissoras para programação local, embora a velocidade ainda possa ser um obstáculo no uso diário.

Pontos-chave

• A tarefa consiste em criar um comando que recebe o ID de um canal e uma meta de inscritos e retorna quando ela foi atingida.
• O repositório já contém snapshots dos canais, então não é necessário consultar o YouTube nem alterar o banco de dados.
• Music Glimmer implementa e valida a funcionalidade rapidamente, com alterações em três arquivos.
• Qwen 3.8 27B também acerta os testes, mas leva mais tempo e modifica seis arquivos, incluindo skills e documentação.
• Os dois modelos retornam corretamente a data em que o canal principal chegou a 40.000 inscritos e indicam que a meta de 50.000 ainda não foi atingida.
• O teste com o canal de cortes confirma que a meta de 1.000 inscritos foi atingida em 27 de julho, após um snapshot de 954 inscritos.
• Na máquina do apresentador, Music Glimmer é mais rápido que Qwen 3.8 27B.
• O apresentador considera o resultado de programação local muito bom, mas avalia que os modelos ainda podem ser lentos para o uso diário.

Capítulos

Início	Capítulo	Resumo
00:00	Definição da tarefa de back end	O apresentador descreve o repositório e a criação de um comando para consultar quando um canal atingiu determinada meta de inscritos.
02:42	Teste da implementação com Music Glimmer	Music Glimmer conclui a tarefa e passa nos testes para o canal principal e para o canal de cortes.
04:19	Teste da implementação com Qwen 3.8 27B	Qwen leva mais tempo e faz alterações mais abrangentes, mas retorna os mesmos resultados corretos nos casos testados.
06:28	Comparação e conclusão	O apresentador compara velocidade e qualidade e conclui que ambos são promissores para programação local, embora ainda possam ser lentos.

Citações

Ele retorna o snapshot mais antigo em que identificou aquele número de inscritos. — 01:37

Funcionando exatamente como eu queria. — 03:15

Mesmo resultado: 18 de agosto. A contagem anterior era 39.900. — 05:55

Ambos são modelos interessantíssimos para trabalharmos localmente. — 06:28

O resultado do código, para quem trabalha localmente, é muito bom. — 07:02

Conceitos e entidades

• Music Glimmer (modelo): Modelo local testado na implementação de uma funcionalidade de back end, com execução mais rápida e alterações mais enxutas que as de Qwen 3.8 27B.
• Qwen3.8 27B (modelo): Modelo local que concluiu corretamente a tarefa após uma análise mais extensa do repositório e uma implementação mais abrangente.
• Qwen3.6 35B A3B (modelo): Modelo mencionado como referência de velocidade, mas que, segundo o apresentador, não era bom para programar.
• white central (repo): Repositório usado no teste, com ferramentas e dados relacionados ao acompanhamento de canais do YouTube.
• YT Central (ferramenta): Sistema onde já estão salvos os snapshots dos canais usados para consultar o histórico de inscritos.
• Harness (conceito): Estrutura de ferramentas e recursos que o apresentador usa para consultar e acompanhar informações do canal.
• snapshot (conceito): Registro dos dados de um canal em determinado momento, usado para identificar quando uma meta de inscritos foi atingida.
• Rafael Quintanilha (pessoa): Apresentador do vídeo, que compara o desempenho dos modelos em uma tarefa de programação local.

Tradução completa (pt-BR)

00:00 Muito bem, pessoal. Para o segundo teste de hoje, já que o primeiro foi basicamente uma tarefa de frontend, quero fazer uma tarefa de backend, tá? Então, estou aqui no repositório YT Central. Esse é um repositório que tem o meu harness, onde consigo controlar algumas informações do meu canal do YouTube, como número de inscritos, de visualizações, fazer as curvas de evolução e tudo mais. Então, já estou aqui com o Music Glimmer rodando no servidor. Deixa eu inicializar o Pi neste novo projeto, né? Um projeto novo. Vou autorizar aqui que ele confie no projeto e também vou enviar o meu

00:31 prompt, tá? Então, qual vai ser a tarefa aqui, pessoal? Bom, como eu disse, esse repositório tem um conjunto de ferramentas que utilizo nos meus harnesses, ou seja, para pegar informações ali. Você já consegue até ver aqui direto nas skills: White growth, White packaging, White Refresh, White stats, YT video content, várias coisas que uso como skills que chamam comandos, né? E quero criar um novo comando, chamado get channel subscriber milestone. Qual é a ideia desse comando? Eu passar o ID de um canal, o número de inscritos, e ele me retornar, por exemplo, quando foi que atingi

01:05 aquele número, tá? Então, como funciona esse repositório? Ele tem um cron job que fica tirando snapshots do meu canal e dos canais que estou monitorando. Ele diz: “Tá, ao meio-dia do dia 25 de agosto de 2026, você tinha 40.300 inscritos”. E aí vai tirando fotos ao longo do dia para me dizer exatamente quantos inscritos e visualizações eu tinha e quando. Então, a ideia aqui é ter um comando para eu passar exatamente o canal que estou monitorando, o número de inscritos, e ele me responder: “Ó, você atingiu esse número de inscritos no dia tal, na hora tal”. Então, essa é a ideia, e

01:37 aqui está o critério de aceite, né? Então, ele retorna o snapshot armazenado mais antigo do canal, ou seja, a foto mais antiga em que identificou aquele número de inscritos. E também retorna qual foi a foto anterior, e o resultado vai incluir o título e se você atingiu aquele número ou não. Por exemplo, se eu mandar um número que ainda não atingi, sei lá, 50.000 inscritos, ele tem que dizer que não atingi, tá? Então, a ideia aqui é muito simples, inclusive em relação a como eu deveria chamar a ferramenta, tá? Então, aqui está exatamente o comando, e o escopo diz que esses snapshots já estão

02:09 salvos no YT Central, que não precisa modificar o banco de dados, não precisa acessar o YouTube nem fazer nenhum tipo de hack, né? Ele já tem tudo o que é necessário para executar essa tarefa. Então, vocês veem que aqui é puramente backend, não tem nenhum tipo de frontend. E agora vamos deixar o Music Glimmer trabalhar. Vocês veem aqui que ele chega a bater, ó, 34, 32 tokens por segundo. Então, o Music Glimmer, aqui na minha máquina, é realmente bem rápido, tá? Caiu para 26, mas, ainda assim, é bem mais rápido do que consegui com o Beleza. Vamos ver se ele vai ser capaz de resolver essa tarefa de backend agora, pessoal.

02:42 Olha só, foi até mais rápido do que eu imaginava, tá? Já vi aqui que está funcionando. Ele já testou algumas coisas, algumas passaram; alguns erros aqui ele está validando e dando como incorretos. Tipo, “target subscriber zero”, obviamente isso não faz sentido, então ele está só testando aqui. Mas, ó, neste momento ele acabou de terminar, tá? Então, foi bem mais rápido. Esse repositório é muito mais adequado para programação agêntica, né? Ele tem arquivos menores, packages e coisas do tipo. Então, conseguiu fazer isso aqui de uma forma bem fácil, tá? E até já me mandou o comando aqui para eu saber quando o meu canal principal atingiu 40.000 inscritos. Se eu executar aqui,

03:15 ó, Rafael Quintanilha Q Brasil, target subscribers 40.000, reached true. Foi no dia 18 de agosto que atingimos os 40.000 inscritos e, antes, tínhamos 39.900, né? Então, esse pulo aconteceu entre essas fotos. Poderia até passar aqui, ó, sei lá, target subscriber 50.000, que é um número de inscritos que eu não tenho. E ele retorna certinho aqui, ó, reached false. Então, maravilha, pessoal. Está funcionando exatamente como eu queria. Inclusive, este é o momento para você me ajudar a chegar aos 50.000 inscritos. Quem sabe a gente não consegue chegar lá antes do final do ano. Vamos fazer um

03:46 outro teste. Vou pegar outro canal aqui. Já deixei na agulha. Este aqui é o canal de cortes do YouTube. E quando atingimos 1.000 inscritos? Aqui também foi no dia 27 de julho. Estávamos com 954, né? E depois passou para mais de 1.000. Então, também convido você a se inscrever no canal de cortes. Lá estão os melhores momentos dos vídeos aqui do canal, que você sabe que são vídeos maiores. Você vê lá no canal de cortes, assim como os melhores momentos das lives do Cold Night e também do podcast do Limite Semanal. Maravilha, pessoal. O que vou fazer aqui? Então, olha, ele mexeu em três arquivos, tá? Também vou descartar esse trabalho aqui. Deixa eu

04:19 encerrar o servidor que está rodando o Music Glimmer. Vamos rodar o Qwen aqui de novo também. Vamos cancelar aqui outra vez. Vamos encerrar esse Pi. Vamos trocar o modelo para Qwen 3.8 27B. Já está inicializado. Mais uma vez, vou dar Command+V aqui no mesmo prompt da outra vez. E agora estamos com o Qwen 3.8 27B para trabalhar. Preciso dizer para vocês que o que o Music Glimmer fez na primeira tarefa foi exatamente o que eu imaginava. Não teve absolutamente nenhum erro. Funcionou perfeitamente, tá? Então, vamos ver aqui se o Qwen vai

04:52 resolver. Acredito que sim. Não vejo por que não resolveria. Minha grande questão aqui é quanto tempo vai demorar para finalizar, se também vai demorar bastante ou se, desta vez, vai conseguir ser um pouquinho mais rápido, tá, pessoal? E olha só, já se passaram 17 minutos e o Qwen ainda está trabalhando. Para vocês terem uma ideia, ele ficou 13 minutos só no planejamento, analisando todo o repositório. E aí decidiu fazer seis modificações. Então, aqui vocês já veem uma diferença do Qwen em relação ao Music Glimmer, tá? O Qwen é muito mais rigoroso com o código dele, né? Ele é muito

05:23 mais completo, analisa muito mais coisas, né? Inclusive, decidiu mudar as skills e a documentação. Não foi pela literalidade, como o Music Glimmer fez, tá? Então, isso também é algo bem positivo, tá? Ele trabalhou na implementação e já terminou. Agora, está só na validação. Como esta tarefa já está demorando bastante, vou me antecipar e verificar com vocês se ele acertou ou não. Então, primeiro vamos ver o que ele mudou. Ao contrário do Music Glimmer, como falamos, olha só, ele mexeu em seis arquivos. Então, vamos rodar os mesmos comandos. A primeira coisa é identificar quando chegamos a

05:55 40.000 inscritos no canal principal. Certinho aqui, ó, mesmo resultado: 18/08. A contagem de inscritos era 39.900, a mesma coisa. Maravilha. Vamos mudar isso para 50.000 para ver se ele também consegue lidar com esse caso de uso. Reached false. Então, também acertou. E agora vamos voltar ao canal de cortes para ver o resultado. Aqui está o comando. E, de novo, a mesma coisa, ó: 27 de julho, 1.000 inscritos e, antes, tínhamos 954, tá, pessoal? Certinho, exatamente como queríamos, só que o trabalho do Qwen foi muito mais completo,

06:28 tá? Vocês veem aqui que ele fica, em média, em 15 tokens por segundo, em comparação com uns 20 e poucos do Music Glimmer. Então, o Music Glimmer é, sim, mais rápido do que ele. Enquanto ele termina as verificações, já vi que está certo. Quero concluir este vídeo com vocês. O que podemos dizer aqui sobre o Music Glimmer e o Qwen 3.8 27B? Ambos são modelos muito interessantes para trabalharmos localmente. Parece que, sim, são avanços em relação ao que tínhamos antes, só que, para o dia a dia de quem trabalha com programação, ainda são um pouco lentos, principalmente o Qwen 3.8. Claro

07:02 que isso vai depender da sua máquina. Na minha máquina aqui, no Mac Studio M4 Max com 64 GB, ele funciona, ele vai bem, mas é lento, particularmente o Qwen 3.8, tá? Resultado do código: muito bom para quem trabalha localmente, excelente mesmo, tá? Então, fiquei bastante surpreso com o Qwen 3.8 27B para trabalho local. Usaria ele se quisesse ter ali uma tarefa mais complicada. Mus Glimmer, gostei dele. Ele é particularmente mais rápido, e acho que pode ser uma

07:32 substituição para o Qwen 3.6 35B A3B. Aquele ali rodava a 60, 70 tokens na minha máquina, só que, para programar, ele não era bom. Agora a gente tem o Qwen, que vai rodar a 1/3 dessa velocidade, só que é bom para programar; ainda assim, não é o ideal. O ideal para usar o máximo de capacidade, para quem quiser programar e não estiver se preocupando muito com velocidade. Qwen 3.8 27B

Transcrição original

[00:00] Muito bem, pessoal. E pro segundo teste de hoje, já que o primeiro foi basicamente uma tarefa de front end, esse segundo teste eu quero fazer uma tarefa de back end, tá? Então tô aqui no repositório white central. Esse é um repositório que tem o meu harness, onde eu consigo controlar algumas informações do meu canal do YouTube, número de inscrito, de views, né, fazer as curvas de evolução e tudo mais. Então, já estou aqui com o Music Glimmer rodando no servidor. Deixa eu inicializar o PI nesse novo projeto, né? um projeto novo. Vou autorizar aqui que ele confie no projeto e vou enviar aqui também o meu

[00:31] prompt, tá? Então, qual que vai ser a tarefa aqui, pessoal? Bom, como disse, esse repositório, ele tem um conjunto de ferramentas, né, que eu utilizo nos meus harnesses, ou seja, para pegar informações ali, ó, você já consegue até ver aqui direto nas skills, ó. White growth, White packaging, White Refresh, White stats, YT video content, várias coisas que eu uso de skills que chamam comandos, né? E eu quero criar um novo comando que é get channel subscriber milestone. Qual que é a ideia desse comando? É eu passar o ID de um canal, o número de subscribers e ele me retornar, por exemplo, quando foi que eu atingi

[01:05] aquele número, tá? Então, como que esse repositório funciona? Ele tem um Chrome job que fica tirando snapshots do meu canal, dos canais que eu estou monitorando. Ele fala: “Tá, no momento, na meio-dia do dia 25 de agosto de 2026, você tinha 40.300 inscritos”. E aí ele vai tirando fotos ao longo do dia para me dizer exatamente quando que quantos inscritos e views que eu tinha. Então a ideia aqui é ter um comando onde eu consiga passar, né, exatamente o canal que eu tô monitorando, o número de subscribers e ele me respondeu: “Ó, você atingiu esse número de inscritos no dia tal, a hora tal”. Então essa é a ideia e

[01:37] tá aqui o critério de aceite, né? Então ele retorna aqui o earliest store channel snapshot, né? Ou seja, aquela foto na foto mais cedo que ele identificou aquele número de inscritos. E aí retorna também qual foi a foto anterior e o resultado vai incluir também o título e se você atingiu aquele número ou não. Por exemplo, se eu mandar um número que eu ainda não atingi, sei lá, 50.000 inscritos, ele tem que retornar que eu não atingi, tá? Então, muito simples a ideia aqui e até como eu deveria chamar a ferramenta, tá? Então, tem aqui exatamente o comando e o escopo é dizendo que esses snapshots já estão

[02:09] salvos no YT Central, que não precisa modificar o banco de dados, não precisa ir no YouTube, nem fazer nenhum tipo de hard, né? ele já tem tudo o necessário para executar essa tarefa. Então você vê que aqui é puramente back end, não tem nenhum tipo de front end. E vamos deixar agora o mus glimmer trabalhar. Você vê aqui que ele tá chegando a bater, ó, 34, 32 tokens por segundo. Então o music glimmer aqui na minha máquina, ele realmente é bem rápido, tá? Caiu pr 26, mas ainda assim ele é bem mais rápido do que eu consegui com o beleza, vamos ver se ele vai ser capaz de resolver essa tarefa de back end aqui agora, pessoal.

[02:42] Olha só, foi até mais rápido do que eu imaginava, tá? Já vi aqui que ele tá funcionando. Eh, já testou aqui, algumas coisas passaram, é, alguns erros aqui ele tá validando e tá dando errado, tipo, ah, target subscribe zero, obviamente isso não faz sentido, então ele tá só testando aqui. Mas, ó, nesse momento ele acabou de terminar, tá? Então, foi bem mais rápido. Esse repositório ele é muito mais adequado pra programação agêntica, né? Ele tem arquivos menores, tem packages e coisas do tipo. Então, ele conseguiu fazer aqui de uma forma bem fácil, tá? E ele até já me mandou o comando aqui para eu saber quando que o meu canal principal atingiu 40.000 1000 inscritos. Se eu rodar aqui,

[03:15] ó, Rafael Quintanilha Qu Brasil, target squad das 40.000, Richard True. Foi visto dia 18 de agosto, nós atingimos ali os 40.000 inscritos e antes nós tínhamos de 39.900, né? Então entre essa foto foi desse pulo aqui. Poderia até passar aqui, ó, sei lá, target subscriber 50.000, que é um um número de inscrito que eu não tenho. E ele retorna certinho aqui, ó, Richard False. Então, maravilha, pessoal. Funcionando exatamente como eu queria. Inclusive, esse é o momento para você me ajudar a chegar ali nos 50.000 inscritos. Quem sabe a gente não consegue chegar ainda antes do final do ano. Vamos fazer um

[03:46] outro teste. Vou pegar aqui um outro canal aqui. Já deixei na agulha. Esse aqui é o canal de cortes aqui do YouTube. E quando que nós atingimos 1000 inscritos? Aqui também no dia 27 de julho. Foi de 954, né? E depois passou ali para mais de 1000. Então também o canal de cortes é algo que eu convido você a se inscrever ali. Os melhores momentos dos vídeos aqui do canal que você sabe são vídeos maiores. Você vê lá no canal de cortes, assim como os melhores momentos das lives do Cold Night e também do podcast do limite semanal. Maravilha, pessoal. O que que eu vou fazer aqui? Então, olha, ele mexeu em três arquivos, tá? Vou também descartar esse trabalho aqui. Deixa eu

[04:19] matar o servidor que tá rodando, o music glimmer. Vamos rodar aqui de novo o Quen também. Voltamos a cancelar aqui. Vamos matar esse pi aqui. Vamos trocar o modelo aqui para Quen 3.827B. Já está inicializado. Mais uma vez vou dar o command V aqui do nosso mesmo prompt da outra vez. E agora nós estamos com Quen 3.8 27B para trabalhar. Preciso dizer para vocês que o que o MUS fez na primeira tarefa foi exatamente o que eu imaginava. Não teve absolutamente erro nenhum. Ele funcionou perfeitamente, tá? Então vamos ver aqui se o Quen vai

[04:52] resolver. Eu acredito que sim. Não vejo porque ele não resolveria. A minha grande questão aqui é quanto tempo ele vai demorar para finalizar, se ele vai também demorar bastante ou se dessa vez ele vai conseguir ser um pouquinho mais rápido, tá pessoal? E olha só, 17 minutos se passaram, nós ainda temos aqui o Quen trabalhando. Para vocês terem uma ideia, ele ficou 13 minutos só no planejamento, tá? Só analisando todo o repositório. E aí ele decidiu fazer seis modificações. Então aqui você já vê uma diferença do Quen em relação ao Music Glimmer, tá? O Quen é muito mais duro no código dele, né? Ele é muito

[05:23] mais completo, ele analisa muito mais coisa, né? Inclusive ele decidiu mudar aqui a skills, mudar a documentação. Ele não foi ali, né? da literalidade que o Music Glimmer fez, tá? Então isso aqui é algo bem positivo também, tá? Então ele trabalhou aqui na implementação e ele já terminou implementação. Agora ele tá só na validação. Como essa aqui já tá demorando bastante, eu já vou me antecipar e vou verificar com vocês aqui se ele acertou ou não. Então primeiro vamos ver aqui o que que ele mexeu. Então ao contrário do Music Glimmer, como a gente falou, ó que ele mexeu em seis arquivos. Então vamos aqui rodar os mesmos comandos. Primeira coisa pra gente identificar quando a gente bateu

[05:55] 40.000 inscritos no canal principal, certinho aqui, ó, mesmo resultado, 18/08. O subscribe account 39.900, mesma coisa. Maravilha. Vamos trocar isso aqui para 50.000 para ver se ele é capaz de pegar esse caso de uso também. Richard false. Então, também acertou. E agora vamos voltar lá pro canal de cortes pra gente ver o resultado. Tá aqui o comando. E novamente, mesma coisa, ó. 27 de julho, 1000 inscritos e antes tínhamos 954, tá pessoal? Certinho, exatamente como nós queríamos, só que um trabalho muito mais completo do Quemen,

[06:28] tá? Você vê aqui que ele acaba saindo a 15 tokens por segundo na média frente a uns 20 e poucos ali do Musicimmer. Então o Music Glimmer é sim mais rápido do que ele. Enquanto ele vai finalizando aqui as verificações, eu já vi que ele tá certo. Eu quero fazer a conclusão desse vídeo com você. O que que a gente pode dizer aqui do Music Glimmer e do Quen 3.827B? Ambos modelos interessantíssimos para nós trabalharmos localmente. Me parece que eles são sim avanços em relação ao que nós tínhamos antes, só que para o dia a dia, para quem trabalha com programação, eles ainda são um pouco lentos, principalmente o Quen 3.8. Claro

[07:02] que isso vai depender da sua máquina. Na minha máquina aqui no Mac Studio M4 Max com 64 GB, ele funciona, ele vai bem, mas ele é lento, particularmente o Quen 3.8, tá? Resultado do código, muito bom pr quem trabalha local, excelente mesmo, tá? Então, fiquei bastante surpreso com o Quen 3.8 27B para trabalho local. Usaria ele se eu quisesse ter ali uma tarefa mais complicada. Mus Glimmer, gostei dele. Ele é particularmente mais rápido e eu acho que ele pode ser uma

[07:32] substituição pro Quen 3.6 35B A3B. Aquele ali rodava 60, 70 tokens na minha máquina, só que para programar ele não era bom. Agora a gente tem o Quen, que vai rodar ali 1/3 dessa velocidade, só que bom para programar, mas ainda assim não é o ideal. O ideal para usar o máximo de capacidade para quem quiser programar e não está se preocupando muito com velocidade. Comen 3.827B