Meta alcança benchmarks do GPT-5.5 com seu novo modelo de IA 'Watermelon'

O GPT-5.5 não é um modelo público da OpenAI, nem tem documentação oficial, é um rótulo usado internamente por analistas e mídia para descrever uma versão intermediária entre o GPT-5 e o GPT-5.6, lançado em abril de 2026 fonte. Não há model card, nem acesso aberto, nem detalhes técnicos publicados pela OpenAI. O que sabemos vem de relatos de benchmark interno citados por executivos, como o de Alexandr Wang na Meta. Isso torna a comparação com Watermelon uma referência frágil: sem dados de avaliação replicáveis, 'igualar o GPT-5.5' significa apenas que ambos pontuaram parecido em testes fechados, provavelmente no MMLU, GSM8K e HumanEval, mas não necessariamente nos mesmos subconjuntos ou com as mesmas configurações.

Watermelon não é uma evolução direta do Muse Spark no sentido arquitetônico. É um novo treinamento, com dez vezes mais computação, e parte de uma linha de modelos que já passou por Avocado (adiado em março por falhas em raciocínio e codificação) e agora busca superar os limites do que o Muse Spark conseguiu em abril, especialmente em tarefas agênticas e multimodais. A Meta está apostando em escala bruta porque, até agora, não conseguiu fechar a lacuna com otimizações de algoritmo ou eficiência de inferência.

A Meta saiu da fase de adiamentos sucessivos (Avocado em março, Muse Spark adiado até abril) para uma nova fase de escalonamento agressivo: Watermelon usa uma ordem de grandeza a mais de computação que o Muse Spark, um salto quantitativo, não qualitativo. Enquanto o Muse Spark foi lançado com foco em tool use e multi-agent orchestration, Watermelon ainda está em treinamento e não tem API, nem integração com assistentes. Ou seja: o que mudou não é a capacidade funcional declarada, mas a aposta estratégica, deixar de priorizar entrega imediata para priorizar poder bruto de treinamento, mesmo sem ter resolvido os gargalos anteriores de raciocínio lógico e coerência textual.

Isso importa porque mostra que a corrida de modelos não está virando uma competição de eficiência ou especialização, pelo menos não na Meta. Apesar de o Muse Spark ter sido projetado para superinteligência pessoal e agentes autônomos, a empresa voltou ao playbook clássico: mais dados, mais FLOPs, mais chips. Isso impacta diretamente quem usa infraestrutura de IA: se Watermelon for lançado com essa abordagem, sua latência, custo por token e exigência de hardware serão significativamente maiores que os do Muse Spark, o que pode inviabilizar implantações em edge ou em apps leves. Também reforça que benchmarks isolados não preveem desempenho real em produção, especialmente quando o modelo ainda não roda em nenhuma aplicação pública.