Enquanto todo mundo discute qual modelo de IA é o melhor da semana, a Cerebras resolveu atacar o problema por outro ângulo: e se o hardware fosse tão absurdamente rápido que o modelo nem importasse tanto? O CS-4, anunciado na conferência Supernova 2026, é a resposta mais agressiva que alguém já deu à dominância da Nvidia no mercado de inferência de IA.

Estamos falando de 4.400 tokens por segundo por usuário. Para colocar em perspectiva, os serviços de inferência mais rápidos baseados em GPU entregam algo em torno de 350 tok/s. A diferença não é incremental. É uma ordem de magnitude.

Um chip do tamanho de um prato de jantar

A Cerebras não faz chips normais. Ela fabrica wafers inteiros, aquelas bolachas de silício que normalmente são cortadas em centenas de chips individuais. O WSE-3 Turbo, coração do CS-4, ocupa uma área de 46.225 mm², contém 4 trilhões de transistores e mantém 44 GB de SRAM diretamente no chip.

Sim, 44 GB de memória cache colada no processador. Não é HBM ao lado do die, não é GDDR ligada por um barramento. É SRAM no próprio silício, rodando a uma largura de banda estimada de 43,2 petabytes por segundo por chip. A Cerebras afirma que isso é 2.000 vezes maior que a largura de banda de memória da GPU de próxima geração da Nvidia.

Cada rack do CS-4 empilha três desses wafers. O resultado: 750 PFLOPs de compute (sparse FP16), 7,2 terabits por segundo de I/O e 129,6 petabytes por segundo de largura de banda de memória agregada. A largura de banda total do fabric de compute chega a 160,5 petabytes por segundo.

O que muda no design: Nexus Platform

O CS-4 não é só um chip mais rápido. A Cerebras redesenhou a plataforma inteira. O novo design se chama Nexus Platform e traz uma ideia que deveria ser óbvia, mas ninguém tinha feito: aproximar a conversão de energia do processador.

Em servidores GPU convencionais, a energia é convertida a metros de distância do chip e viaja por cabos até chegar ao processador. No CS-4, a conversão acontece a 0,5 milímetro do silício. Cem vezes mais perto que o padrão da indústria. O resultado é o dobro de potência entregue ao WSE-3 Turbo, com menos perda térmica e elétrica.

O sistema modular usa o que a Cerebras chama de “Wafer-Scale Backpack”, uma unidade vertical que integra wafer, conversão de energia, refrigeração líquida e I/O em um único bloco. A ideia é que você conecte e desconecte compute como quem troca um HD hot-swap.

Essa modularidade cortou 50% dos componentes em relação à geração anterior e aumentou a automação de manufatura em 60%. A Cerebras diz que o tempo de deploy caiu de dias para horas. Se você já montou um rack de servidores GPU com cabeamento de 400G e refrigeração líquida customizada, sabe que “dias” é otimista para a concorrência.

4.400 tokens por segundo: como e por quê

O benchmark principal que a Cerebras divulgou foi no modelo GPT-OSS-120B: mais de 4.400 tokens por segundo por usuário. O número impressiona, mas precisa de contexto.

A arquitetura wafer-scale tem uma vantagem estrutural enorme para inferência de IA, especificamente para a fase de decode (geração token a token). Em modelos de linguagem, a fase de decode é memory-bound, ou seja, o gargalo não é compute, é a velocidade com que você consegue ler os pesos do modelo da memória. Com 43,2 PB/s de bandwidth de SRAM on-chip, o CS-4 simplesmente elimina esse gargalo.

Para modelos acima de 10 trilhões de parâmetros, o CS-4 entrega mais de 1.000 tok/s. A latência entre wafers caiu para 2 microssegundos, 2,5 vezes melhor que a geração anterior. Isso permite escalar modelos gigantes sem a penalidade de comunicação entre GPUs que assombra clusters Nvidia.

O throughput por watt

Um número que não aparece nas manchetes mas deveria: o CS-4 entrega 10x mais throughput por watt que o CS-3. Em um mundo onde data centers de IA estão consumindo mais energia que países inteiros, eficiência energética não é detalhe. É viabilidade econômica.

AMD + Cerebras: a dupla que ninguém esperava

Talvez o anúncio mais interessante da Supernova 2026 não tenha sido o CS-4 em si, mas a parceria com a AMD para inferência desagregada.

A ideia é simples na teoria e brutal na execução: usar o AMD Helios Rack para a fase de prefill (processamento do prompt de entrada) e o Cerebras CS-4 para a fase de decode (geração de tokens). Cada arquitetura faz o que faz melhor.

GPUs são razoavelmente boas em prefill porque é uma operação compute-bound: muita multiplicação de matrizes em paralelo. Já o decode é memory-bound, e aí o wafer-scale da Cerebras domina.

Os números combinados: 10x mais rápido que sistemas só com GPU e 5x mais throughput que sistemas só com Cerebras. Não é um benchmark artificial. É a consequência lógica de parar de forçar um único tipo de hardware a fazer tudo.

A Cerebras também mencionou compatibilidade com AWS Trainium para prefill, o que sugere que a empresa está se posicionando como o “backend de decode universal” da indústria.

Nem tudo é perfeito: onde o hype encontra a realidade

Eu não seria honesto se não colocasse alguns asteriscos nesses números.

Primeiro: os 750 PFLOPs são sparse FP16. Com esparsidade, você explora o fato de que muitos pesos em redes neurais são zero e pula essas operações. O problema é que inferência de LLMs, na prática, não se beneficia tanto de esparsidade quanto o marketing sugere. O número denso real fica em torno de 25 PFLOPs por wafer, 75 PFLOPs por rack. Ainda é muito, mas é uma fração do que o headline sugere.

Segundo: a capacidade de SRAM não mudou. São os mesmos 44 GB por wafer desde o WSE-2, lançado há cinco anos. A Cerebras dobrou o clock (estimado em 2,8 GHz contra 1,4 GHz do WSE-3 original) e a bandwidth, mas não aumentou a memória. Para modelos que crescem a cada mês, isso pode se tornar um gargalo.

Terceiro: a comparação “30x mais rápido que GPUs” é especificamente na fase de decode. Quando você considera o pipeline completo (prefill + decode), a vantagem é menor, por isso a parceria com AMD existe. O CS-4 sozinho não substitui um cluster de GPUs para todas as cargas de trabalho.

Quarto: o consumo de 120 a 140 kW por rack não é baixo. Um rack DGX com 8 GPUs Blackwell consome algo similar, mas com um perfil de carga de trabalho mais generalista. O CS-4 é um especialista, e especialistas precisam justificar seu nicho.

O que isso significa para quem constrói com IA

Se você é um dev que consome APIs de IA (a maioria de nós), o CS-4 afeta sua vida de forma indireta mas significativa.

Latência de APIs vai cair. Provedores como a Cerebras já oferecem inferência pública absurdamente rápida. Se o CS-4 entregar o que promete, veremos APIs com latência de primeira resposta abaixo de 100ms para modelos de 100B+ parâmetros. Isso muda a viabilidade de agentes de IA em tempo real, chatbots de voz e qualquer aplicação onde o usuário espera uma tela.

Custo por token pode despencar. 10x mais throughput por watt significa que o custo marginal de gerar tokens cai proporcionalmente. Se os provedores repassarem isso (e a competição vai forçar), o preço de APIs como a da Cerebras Inference, que já é agressivo, pode tornar modelos grandes acessíveis para startups que hoje dependem de modelos menores por questão de custo.

Modelos gigantes ficam viáveis em produção. Suporte a modelos de 50+ trilhões de parâmetros com mais de 1.000 tok/s não é um exercício acadêmico. É a infraestrutura que permite rodar modelos frontier em produção com experiência de usuário aceitável. Até agora, modelos desse tamanho eram lentos demais para uso interativo.

A corrida do silício em 2026

O CS-4 não existe no vácuo. A Nvidia tem os Blackwell Ultra chegando, a AMD lançou o MI400 com 432 GB de HBM e 2,9 exaflops, a Google continua investindo em TPUs, e até a OpenAI e a Anthropic estão desenvolvendo chips próprios.

Mas a Cerebras tem algo que nenhum desses players tem: uma abordagem fundamentalmente diferente. Enquanto todos os outros cortam wafers em chips e depois reconectam esses chips via interconexões, a Cerebras usa o wafer inteiro. Zero latência de comunicação entre cores. Zero overhead de serialização. Toda a memória on-chip, acessível em nanosegundos.

É como comparar uma rodovia com pedágio a cada 500 metros (GPUs em cluster) com uma pista livre sem interrupções (wafer-scale). Os carros podem ser parecidos, mas a velocidade média é outra.

A questão real não é se o CS-4 é mais rápido que GPUs para decode. É. A questão é se a Cerebras consegue escalar a produção, conquistar clientes enterprise e construir um ecossistema de software que rivalize com CUDA. O hardware é impressionante. O software e o go-to-market é que decidem guerras de plataforma.

Quem vai comprar isso

As primeiras entregas do CS-4 começam neste trimestre (Q3 2026). A Cerebras não divulgou preços, mas o CS-3 custava algo na casa dos milhões de dólares por sistema. O CS-4 provavelmente segue na mesma faixa.

Os clientes naturais são provedores de inferência como serviço, empresas de pesquisa em IA que precisam de velocidade absurda para iteração, e hiperescaladores que querem diversificar além da Nvidia. A parceria com AMD para inferência desagregada também abre portas para quem já tem racks AMD e quer adicionar decode acelerado sem trocar toda a infraestrutura.

O suporte a RoCE v2 (RDMA over Converged Ethernet) e os Direct Wafer Links para conexões intra e inter-rack sem switches são detalhes técnicos que fazem a diferença na hora de integrar o CS-4 em infraestruturas existentes. Ninguém quer comprar hardware que exige uma rede proprietária.

Inferência desagregada: o futuro da arquitetura de IA

Vale parar um segundo para entender por que a inferência desagregada é uma ideia tão poderosa.

Hoje, quando você manda um prompt para o ChatGPT ou o Claude, o mesmo cluster de GPUs faz duas coisas: processa seu prompt inteiro (prefill) e depois gera a resposta token a token (decode). São operações com perfis computacionais completamente diferentes. Prefill é compute-bound, paralelo, e GPUs são ótimas nisso. Decode é sequencial, memory-bound, e GPUs são medianas.

Forçar o mesmo hardware a fazer as duas coisas é como usar o mesmo carro para corrida de arrancada e rallye no deserto. Funciona, mas não é ideal para nenhum dos dois.

A proposta da Cerebras com a AMD é separar essas fases. O Helios Rack da AMD faz o prefill pesado, depois passa o estado intermediário (o KV-cache) para o CS-4 via conexão de 2 microssegundos de latência. O CS-4 então gera tokens na velocidade absurda que só o wafer-scale permite.

Essa arquitetura tem uma consequência prática enorme: você pode escalar prefill e decode independentemente. Se sua aplicação recebe prompts longos mas gera respostas curtas, você investe mais em prefill. Se é um chatbot que gera parágrafos, investe mais em decode. Hoje, com GPUs homogêneas, você compra compute genérico e desperdiça metade da capacidade.

O chip que a Nvidia não consegue copiar

A verdade inconveniente para a Nvidia é que a abordagem wafer-scale não é algo que ela possa adotar facilmente. A cadeia de suprimentos, o design de chips, a manufatura, tudo é diferente. A Nvidia é absurdamente competente em fazer chips de 800 mm² e conectá-los. Fazer chips de 46.000 mm² é outro esporte.

A Cerebras levou mais de uma década para chegar aqui. Três gerações de wafer-scale engines, centenas de milhões em investimento, e agora um IPO na NASDAQ. Não é uma startup de garagem. É uma empresa pública com algo que ninguém mais no planeta sabe fabricar.

Se o CS-4 entregar metade do que promete em produção real, a Cerebras pode ter encontrado o nicho que a torna indispensável: o processador de decode mais rápido do mundo, complementando (não substituindo) GPUs para prefill. Numa indústria que gera trilhões de tokens por dia, ser o melhor em metade do pipeline já vale bilhões.

Mais informações no site oficial da Cerebras e no blog de lançamento.