A Writer lançou, em 13 de agosto de 2026, seu novo modelo principal Palmyra X6 para sua plataforma de agentes de IA voltada a empresas, simultaneamente à reconstrução da camada de coordenação de tarefas Writer Agent harness e à adição de ferramentas de governança para acompanhar o uso e estabelecer limites de gastos. A empresa afirma que operar seu produto com o Palmyra X6 reduz o custo em média em 52%, com uma melhora de 48% na velocidade e de 10% na qualidade.
A medida ocorre em um momento em que o custo dos agentes se tornou um fator importante nas decisões de compra de tecnologias de IA dentro das empresas. Os agentes normalmente não se limitam a produzir uma única resposta: eles executam ciclos repetidos de planejamento, recuperação, chamadas de ferramentas, verificação e novas tentativas, o que significa consumir mais tokens do que os chatbots tradicionais. Segundo as previsões da Goldman Sachs citadas no material, o consumo de tokens poderá aumentar 24 vezes entre 2026 e 2030, chegando a 120 quatrilhões de tokens por mês, impulsionado pela disseminação de agentes que operam continuamente.
Modelo baseado em pesos abertos
A Writer não afirma ter treinado o Palmyra X6 do zero. O modelo é uma versão submetida a treinamento posterior do GLM-5.2, um modelo mixture-of-experts de pesos abertos da empresa chinesa Z.ai, anteriormente conhecida como Zhipu AI. De acordo com o relatório técnico da empresa, o X6 mantém a arquitetura do GLM-5.2 e contém 744 bilhões de parâmetros, com cerca de 40 bilhões de parâmetros ativados por token.
A Writer utilizou uma abordagem que chamou de anchored supervised fine-tuning, ou ASFT, em um pequeno conjunto de 626 trajetórias sintéticas selecionadas para tarefas de agentes, durante um único ciclo de treinamento e com uma baixa taxa de aprendizado. A abordagem utiliza um mecanismo de ponderação de tokens e uma âncora baseada na divergência de Kullback-Leibler para limitar o afastamento do modelo treinado em relação a uma versão congelada do modelo-base. A empresa também substituiu o otimizador Adam pelo otimizador Muon nas matrizes de pesos principais.
Os dados de treinamento eram totalmente sintéticos: modelos professores geraram planos de tarefas, chamadas de ferramentas e respostas finais, que depois passaram por filtros de qualidade estrutural, por um verificador baseado em modelo e por um comitê de avaliação composto por dois modelos de linguagem antes de serem utilizados no treinamento.
Preço e desempenho segundo os testes da Writer
Em avaliações internas que abrangeram nove capacidades, incluindo recuperação fundamentada em fontes, uso de ferramentas, geração de conteúdo, delegação de tarefas a subagentes e adesão à voz da marca, o Palmyra X6 obteve uma média de 0,87 de 1,00. A Writer compara esse resultado a 0,86 do Claude Opus 4.8, 0,85 do Claude Sonnet 4.6, 0,80 do GPT-5.5 e 0,77 do Gemini 3.1.
A empresa cobra dois dólares por milhão de tokens de entrada e oito dólares por milhão de tokens de saída, em comparação com 15 e 75 dólares, respectivamente, no caso do Claude Opus 4.8. A empresa afirma que o X6 executa tarefas em 26 segundos, em média, e pode operar sem supervisão direta para atingir um único objetivo por até oito horas.
No entanto, essas comparações baseiam-se parcialmente em testes internos realizados pela própria Writer. Dan Bikel, que lidera a pesquisa de IA na empresa, afirmou que o relatório técnico inclui o protocolo dos testes públicos e as avaliações internas, esclarecendo que os testes públicos são usados como indicadores para verificar a ausência de grandes lacunas, e não como objetivos principais de treinamento.
Infraestrutura e governança
A Writer afirma que os pesos do modelo foram obtidos do repositório Hugging Face nos Estados Unidos e que o treinamento foi realizado inteiramente em uma infraestrutura americana, com a geração e o armazenamento dos conjuntos de dados nos Estados Unidos e o uso de equipamentos de treinamento localizados no país. A empresa também realizou uma avaliação pré-registrada dos riscos do modelo, abrangendo viés político, censura, precisão e comportamento de recusa, com 19.674 respostas avaliadas por avaliadores anônimos.
Os resultados da Writer indicam que o X6 apresentou um viés lateral em relação a questões políticas sensíveis em 80% dos casos na avaliação ModelSlant do jornal Washington Post. Além disso, ao utilizar a mensagem de sistema destinada à implantação, obteve uma melhora de 8,6 pontos na segurança contra ataques no benchmark FORTRESS, em comparação com a versão básica do GLM-5.2. O relatório, porém, reconheceu que o comportamento do modelo varia de acordo com o idioma, o que significa que o treinamento posterior limitado não elimina necessariamente todos os efeitos do modelo-base.
Além do modelo, a Writer reconstruiu a camada de coordenação que planeja tarefas, agrupa trabalhos, delega-os a subagentes e gerencia o contexto. A empresa afirma que essa camada reduz o custo em 41% e acelera a conclusão das tarefas em 44% em todos os modelos testados, incluindo modelos da Anthropic e da OpenAI, mantendo a qualidade.
A Writer também ampliou o suporte a múltiplos modelos dentro do Writer Agent, permitindo que os administradores ativem modelos da Anthropic, da OpenAI e de provedores de serviços de nuvem, incluindo Microsoft Azure, AWS Bedrock e Nvidia NIM, além de modelos de geração de imagens.
Uma visão unificada dos custos dos agentes
As novas ferramentas de governança adicionam uma visualização centralizada do uso de agentes em toda a empresa e análises de cada fluxo de trabalho dentro das Playbooks e Skills de automação compartilháveis, além de alertas de consumo e limites de gastos. Essas ferramentas têm como objetivo ajudar os administradores de TI e segurança a saber quanto custa cada fluxo de trabalho antes de ampliar seu uso.
A Writer afirma que a redução de custos não tem como objetivo diminuir sua receita, mas abrir espaço para casos de uso que as empresas não automatizariam anteriormente devido ao custo da mão de obra ou ao consumo de tokens. A empresa apresenta o lançamento do Palmyra X6, da camada de coordenação e das ferramentas de governança como um sistema único focado no custo da tarefa bem-sucedida, e não apenas no preço anunciado do token.