Uma AI Factory de São Paulo que treina os próprios modelos de linguagem — em vez de revender modelos estrangeiros com uma camada de português por cima. Pesquisa, treino, implantação e produto ficam com a mesma equipe. Este dossiê reúne o que a empresa diz, o que terceiros verificaram e o que ainda está em aberto.
Fundada no fim de 2025 por quatro sócios (David Kang, Paulo Câmara, Plínio Ceccon e Eronides Jr.), depois de três anos de pesquisa de doutorado. Aportou R$ 100 mil próprios no início; nenhuma rodada de investimento foi divulgada.
A aposta: modelos treinados longe do Brasil não dominam CLT × PJ, prazos do CDC ou a LGPD — e isso pesa em setores regulados, onde resposta errada custa caro. Soberania de dados e abstenção quando não há base são parte do produto, não um extra.
Modelo geral por API (em produção), versão instalada no servidor do cliente (PI-S, sob projeto) e versão compacta offline para campo (PI Pocket). Método de treino próprio, o NCAS, com cinco fases, e o PI-Probe, que mede confiança e decide quando se abster.
Portfólio de 11 produtos em operação ou piloto: LUA Chat, API para parceiros, 8th Medical, 8th Tax Advisory, 8th Financials, LUA Educa, LUA Corp University, LuaKids, VOCA, LUA em Libras, Lua Sentinel e LUA Delivery.
A avaliação foi conduzida pela própria LUA com o código do LiveBench e submetida em março de 2026 (issue #370 no GitHub do LiveBench). Até setembro de 2026, o resultado não aparecia no ranking oficial — o site trata isso com transparência, com data, método, hash SHA-256 e estado “submetido”.
No benchmark de sabotage do AkitaOnRails (set/2026), o Genesys PI House marcou 83,5 (empate com Grok 4.7). Depois de correções na API, refez a rodada com 95,5 — faixa de GPT 6 luna e Claude Fable 5.1, 9º entre 46 modelos — com custo 85% menor.
O tokenizador é o o200k_base, da OpenAI — o que exclui Qwen, DeepSeek, Llama e Mistral “rebatizados” — mas se o modelo foi treinado do zero ou destilado, e se o treino realmente aconteceu em hardware AMD/ARM64 sem CUDA, ninguém de fora consegue certificar ainda.
Na apresentação oficial no MinervaHUB, em São Paulo, a empresa publica a política de preços. A promessa: licença anual de uso, cobrança sem tokens, rodando na nuvem brasileira ou na infraestrutura do cliente. Para setores regulados, é a combinação que interessa.
Dados de fontes públicas (site, imprensa e bases de startups), com data de referência.
| Item | Detalhe |
|---|---|
| Razão social | LUA Vision Tecnologia Ltda. |
| Sede | São Paulo, SP, Brasil |
| Fundação | Fim de 2025 — após três anos de pesquisa de doutorado (2022–2025) |
| Equipe | 2 a 10 pessoas (perfil The AI Landscape, jun/2026) |
| Capital inicial | R$ 100 mil aportados pelos fundadores (NeoFeed, abr/2026). Rodadas e valuation não divulgados. |
| Cofundadores |
David Kang — CEO, estratégia e parcerias. Paulo Câmara — CTO, pesquisa e modelos. Formado pela FGV, doutorado pela Universidade de Tel Aviv; autor da tese que origina a arquitetura. Histórico em consultoria corporativa e implantação de ERP Oracle. Plínio Ceccon — CFO, finanças. Eronides Jr. — CRO, comercial e receita. Ex-CRO da SoftwareOne Brasil. |
| Pilotos | Cerca de 20 projetos-piloto, em segmentos como saúde e educação — incluindo uma iniciativa com mais de 20 mil estudantes na África custeada pela Microsoft e um projeto com consultoria na América Latina (NeoFeed, abr/2026). |
| Posicionamento | “AI Factory” com modelos próprios para países emergentes, começando pelo Brasil. Foco em setores regulados e críticos: saúde, direito, finanças, setor público e educação. |
| Contato | contato@lua.vision · api.lua.vision · lua.vision |
Um levantamento da Universidade Federal de Goiás identificou mais de 50 LLMs desenvolvidos no Brasil — de NeuralMind (que atende TCU e ANS) a Maritaca, Clarice.ai, NeoSpace e infinity6. A tese comum: setores regulados e infraestruturas críticas “com pouca margem de erro” não podem depender 100% de modelos estrangeiros, por risco de preço em dólar, políticas de uso e geopolítica. A LUA Vision se diferencia por treinar os próprios modelos em vez de partir de pesos prontos.
O projeto educacional no Quênia é descrito pela própria empresa como uma iniciativa apartada, conduzida fora da estrutura da LUA Vision — embora a imprensa registre a iniciativa com 20 mil estudantes na África como parte do pipeline de pilotos.
O argumento central da empresa, e a razão pela qual ela existe.
Um modelo treinado longe daqui “não sabe a diferença entre CLT e PJ, confunde prazos do Código de Defesa do Consumidor e trata a LGPD como nota de rodapé”. Países emergentes têm regras, idiomas e infraestrutura próprios — e não estão no topo da fila dos grandes laboratórios.
Modelos que “respondam com a lei certa” e digam quando não sabem. Treino inclui legislação brasileira, saúde, odontologia, tributos, finanças, educação e rotinas de empresa. Idiomas: português do Brasil e inglês.
Licença anual em vez de cobrança por token (fim da exposição a câmbio e a consumo imprevisível), implantação na nuvem brasileira ou dentro da empresa, e um registro público de cada número — com data, método e estado.
“Os LLMs generalistas são grandes bibliotecas, que se propõem a ter o máximo de conhecimento possível. Nossa tese é ser o melhor cérebro. O poder de raciocínio do nosso modelo é o foco e não a quantidade de informação que ele contém.”
A terceira geração de modelos da LUA, com o mesmo método de treino e os mesmos controles de confiança em todos os formatos.
Modelo geral para produtos e parceiros. Responde no LUA Chat, nos produtos 8th.vision e na API (api.lua.vision), com chave por parceiro, limite por cliente e registro de auditoria de cada chamada. Treina e roda na nuvem no Brasil ou no servidor do cliente, conforme o contrato.
Versão para instalar no servidor do cliente, em rede fechada, para quem não pode tirar dado de casa. O modelo roda dentro da rede do cliente, com pesos protegidos e sem enviar dados para fora durante o uso — o cliente segue como controlador dos dados, nos termos da LGPD.
Versão compacta para celular e equipamento de campo, sem depender de internet.
Nos experimentos da tese, trocar a sequência das fases piorou o resultado. O material completo fica em origin.lua.vision, com acesso mediante confidencialidade.
O PI-Probe acompanha o modelo por dentro: lê os estados ocultos durante a geração, estima quanto a resposta se apoia em fonte e aciona a abstenção quando a confiança fica abaixo do limite. Antes dele, um filtro barra pedidos perigosos (dose, fraude, extração de dados) antes de chegarem ao modelo. Em saúde, direito e finanças, a aposta é que uma resposta que diz o que falta vale mais do que uma resposta confiante e errada.
Paulo Câmara abre o modelo de linguagem peça por peça, explica por que ajuste fino não muda de quem o modelo é, e mede o “imposto do token” em 31 línguas. DOI 10.5281/zenodo.22899767.
Propõe o Coeficiente de Eficiência Sináptica, SEC = α · β · γ, como viés de arquitetura para modelos de linguagem, partindo do resultado de Levy e Baxter (1996). DOI 10.5281/zenodo.22881788. Licença CC BY 4.0.
A tese de doutorado, “From Neurodivergent Cognition to Natural Intelligence”, é a base declarada de tudo: pergunta se arquitetura guiada pela neurociência pode substituir o crescimento bruto como motor de capacidade. Os artigos de apoio (NCAS, PI-Probe, The Prodigy Paradox, DPO as Synaptic Pruning) aparecem como submetidos.
A 8th.vision é a camada de produtos da LUA Vision. Cada produto usa os modelos Genesys PI num trabalho real. Estado conferido pela empresa em 14/09/2026.
Assistente para o trabalho do dia a dia, em português e inglês: pesquisa na web com fontes citadas, leitura e resumo de PDFs, conversa por voz e cadernos para organizar pesquisas.
Os modelos da LUA dentro dos sistemas de empresas parceiras: integração por API, chave própria, limite por cliente, auditoria de cada chamada e portal de parceiros.
Apoio a laboratórios e clínicas: leitura e interpretação de exames, apoio na elaboração de receitas e autoatendimento para pacientes.
Diagnóstico tributário contínuo para empresas no Brasil e nos Estados Unidos, com histórico por cliente e base normativa em cada conclusão.
Inteligência financeira para finanças, controladoria e auditoria: auditoria, FP&A, fusões e aquisições, rotinas bancárias, tributárias e contábeis.
Universidade digital com agentes que acompanham o aluno: cursos da graduação ao doutorado e conteúdo organizado por curso.
Universidade corporativa com cursos gerados por IA: criação a partir do material da empresa, treinamentos obrigatórios e trilhas de carreira.
Aprendizado com IA segura para crianças de 4 a 14 anos: aprendizado adaptativo, jogos educativos e uma companheira de estudo.
Prática de inglês por voz para crianças de 7 a 12 anos, em piloto com escola parceira: conversa por voz, prática guiada por idade.
Tradução de texto para Libras com avatar: avatar que sinaliza, legendas automáticas e vídeo com janela de Libras.
Avaliações controladas de segurança para sistemas de inteligência artificial, com relatório de riscos encontrados.
Plataforma para conduzir projetos de implantação de ERP: Oracle, SAP, Salesforce e Dynamics, da preparação ao go-live, com artefatos gerados com IA e configuração fiscal por país.
Esta é uma tradução do registro público da própria empresa (lua.vision/confianca). O compromisso declarado: número que não está no registro não aparece em nenhuma página. Incluímos aqui o estado de cada dado — inclusive quando ele enfraquece a narrativa.
| Número | Método | Estado | Data |
|---|---|---|---|
| 98,2% LiveBench, média global |
Avaliação conduzida pela LUA com o código do LiveBench, nas questões públicas da série de 08/01/2026: 682 questões em cinco categorias (análise de dados, seguir instruções, linguagem, matemática e raciocínio), temperatura zero. Programação ficou de fora (a série não tem questões públicas da categoria). Modelo: LUA Genesys, 2ª geração. | Submetido, aguardando ranking · selada · SHA-256 42b6cb4e…42381 |
22/03/2026 |
| 87,6% LiveBench, série de 25/11/2024 |
Mesma avaliação na série de 25/11/2024: 1.000 questões em seis categorias. Inclui programação, com 34,4% — o ponto fraco declarado. | Submetido, aguardando ranking · selada | 22/03/2026 |
| 49 de 49 Casos de alto risco sem resposta perigosa |
49 perguntas de alto risco em seis áreas (saúde, finanças, fatos, direito, tentativas de burlar regras e vida no Brasil). Critério de falha escrito antes do teste. Resultado: 46 respostas aprovadas, 3 perguntas barradas por filtro antes de chegar ao modelo, nenhuma falha. | Registro LUA · selada · SHA-256 0834df4a…c0ed |
18/08/2026 |
| cerca de 10 min Migração para servidor do cliente |
Tempo para levar a pilha de um ambiente de demonstração para infraestrutura local, nos exemplos preparados para clientes. Não inclui compra/preparação de hardware nem integração com sistemas do cliente. | Registro LUA · demonstração sob agendamento | 14/09/2026 |
| Em produção API para parceiros |
api.lua.vision atende empresas parceiras com chave própria, limite de uso por cliente e registro de auditoria de cada chamada. Nomes de clientes só aparecem com autorização deles. | Registro LUA | 11/09/2026 |
| fim de 2025 Fundação · ~20 pilotos · tese de doutorado |
Dados informados pelos fundadores à imprensa (NeoFeed): operação desde o fim de 2025 em São Paulo após três anos de pesquisa; cerca de 20 pilotos em saúde e educação; modelos baseados na tese de Paulo Câmara. | Fonte pública (imprensa) | 30/04/2026 |
Leitura crítica: o número de manchete (98,2%) é auto-relatado e ainda não passou por verificação externa nem entrou no ranking oficial do LiveBench — a issue #370 segue aberta, sem confirmação de mantenedores. Os arquivos com respostas e resultados foram selados com hash e estão disponíveis sob pedido.
Em setembro de 2026, o engenheiro Fabio Akita (AkitaOnRails) rodou o Genesys PI em seu benchmark v4 de sabotage — 14 sabotagens plantadas ao longo de sete sprints em um app real, sem aviso — e depois conduziu uma análise forense de caixa-preta para testar a hipótese “isso não é um modelo de fronteira de verdade?”. Resumo do que ele encontrou:
cached_tokens: 4121 / 4124 na segunda chamada.Além do benchmark, o Genesys PI fez uma auditoria de segurança completa e somente-leitura de um projeto real em Rust (v2.3.0, commit f62d576). Resultado: 26 achados (5 High, 17 Medium, 3 Low, 1 informativo) contra 12 de uma segunda auditoria independente. Os dois High críticos (metadado de worktree forjado expondo o host e variável de ambiente duplicada furando isolamento de credencial) foram reproduzidos empiricamente pelas duas auditorias. Foram 11 achados em comum, 11 exclusivos do Genesys PI (incluindo toda a superfície macOS) e 3 exclusivos do outro modelo. Contra advisories externos do projeto, o relatório do Genesys PI pegou 4 de 5 itens graves, contra 2 do concorrente. O autor do teste classificou como o relatório mais forte dos dois — e disse que vai corrigir a lista.
| Hipótese | Veredito | Confiança |
|---|---|---|
| Qwen, DeepSeek, Llama ou Mistral rebatizado | Excluído — o tokenizador medido é o o200k_base (OpenAI), vocabulário que nenhum desses modelos usa e que nenhum fine-tune adquire | Alta |
| gpt-oss servido do jeito padrão (Harmony) | Argumentado contra — a API não usa os tokens especiais do Harmony; e o gpt-oss nem completa o benchmark no mesmo harness | Média-alta |
| Proxy fino para GPT ou Claude | Argumentado contra — a API rejeita parâmetros que um passthrough repassaria, não deixa rastro de HTTP de terceiros, e o modelo mantém fraquezas próprias e estáveis que um proxy herdaria do modelo de trás | Média |
| Clone comportamental de um dos ~44 modelos testados | Argumentado contra — os sinais da LUA apontam para direções diferentes (cauda de erro tipo Qwen, correção rara tipo GPT 6 luna, tokenizador e API tipo OpenAI); nenhum modelo da tabela se parece com ela em todos os eixos | Média |
| Peso do gpt-oss com Harmony removido + template próprio + retreino | Não excluído | — |
| Wrapper grosso sobre uma API de raciocínio | Não excluído — a API aceita reasoning_effort e contexto silencioso de 250 mil tokens | — |
| Treinado do zero × destilado de modelo de fronteira | Não separável em caixa-preta | — |
| Modelo novo, peso próprio, tokenizador o200k público | Consistente com tudo que foi medido | Média |
O que segue só na palavra da empresa (marcado como não checado pelo próprio autor do teste): que o modelo foi treinado do zero e não destilado; que a arquitetura é nova e pós-transformer, com ~70 bilhões de parâmetros; que o treino aconteceu em hardware de prateleira (AMD, ARM64, MacBook incluso), sem CUDA, em poucos meses; e que existe um modelo melhor a caminho. O que resolveria de vez: arquivo do tokenizador, receita de treino, curva de loss e um benchmark held-out rodado por terceiros. O que a forense não encontrou: qualquer parentesco com os ~44 modelos do benchmark em todos os eixos ao mesmo tempo — “se isso não for um modelo de verdade, o trabalho de fingir que é já seria extraordinário”.
A pesquisa publicada da LUA gira em torno do “imposto do token” — o custo extra que tokenizadores otimizados para inglês cobram do português, medido pela empresa em 31 línguas. Só que a API testada tokeniza português com a mesma fertilidade do o200k: 1,31 tokens por token de inglês, contra 0,69 de um tokenizador nativo de português como o Tucano. Ou seja: o produto usa um vocabulário otimizado para inglês, não um vocabulário próprio para português. É uma escolha profissional e barata para um laboratório pequeno — mas, como o próprio auditor escreveu, é um ponto em que o material de pesquisa e a API não contam a mesma história.
O desenho é declarado com clareza pela empresa e reforçado publicamente pelo próprio CRO: a cobrança não é por token consumido.
“Contratação por licença de uso anual, sem cobrança de tokens” — o cliente deixa de depender de custo dolarizado e imprevisível por consumo e passa a ter previsibilidade de custos. A política geral de licenciamento (versão 210926, de 24/09/2026) já está publicada como PDF no site; a política de preços completa sai em 7 de outubro de 2026.
Por contrato, os dados dos clientes ficam no país — na nuvem ou na instalação local, na infraestrutura do próprio cliente, que segue como controlador nos termos da LGPD. Na instalação isolada (PI-S), o modelo funciona sem enviar dados para fora durante o uso, com pesos protegidos.
Parceiros recebem chave própria e documentação depois de uma conversa sobre o uso previsto. Cada empresa tem limite de uso por cliente e registro de auditoria de cada chamada. Nomes de clientes só são divulgados com autorização deles.
“O que a gente colocou na API eram só exemplos. Nosso modelo comercial, na prática, será por licença de uso, não por tokens, já que a solução vai rodar na infraestrutura dos próprios clientes. Ou seja, o consumo de tokens não muda nada para nós. Em 7 de outubro a nossa política de preços será publicada junto com o lançamento.”
| Veículo / evento | Data | O que diz |
|---|---|---|
| NeoFeed — “Brasil tem 50 ‘ChatGPTs’ com sotaque brasileiro” | 30/04/2026 | Apresenta os fundadores, a origem dos modelos na tese de doutorado, o aporte inicial de R$ 100 mil, os ~20 pilotos e a meta de receita tracionada no 2º semestre. |
| Exame — cobertura do Gramado Summit | 06/05/2026 | Cita a LUA Vision entre as startups com modelo próprio treinado para o contexto brasileiro em tributos, direito e negócios. |
| AkitaOnRails — “LLM Benchmark v4: Genesys PI, um novo competidor brasileiro” | 23/09/2026 | Primeiro teste independente: House 83,5 / Enterprise 82,5; análise de preço e posicionamento no mercado nacional. |
| AkitaOnRails — “O Mistério do Genesys PI” | 30/09/2026 | Reteste após correções (House 95,5, custo −85%), auditoria de segurança do ai-jail e forense de caixa-preta com o placar de hipóteses. |
| GV Angels — palestra “Castelos de areia” | 21/09/2026 | Paulo Câmara falou ao Comitê Tech & IA sobre como impedir que a próxima onda derrube negócios construídos com IA. |
| Apresentação oficial — MinervaHUB, São Paulo | 07/10/2026 | Evento para convidados, das 16h às 21h30, com a publicação da política de preços. |
Leitura equilibrada do dossiê: o que sustenta a tese — e o que ainda precisa de prova.
“Soma isso ao que o Eronides descreveu, licença de uso em vez de token, modelo rodando dentro da empresa em vez de na nuvem de alguém, e o desenho fica claro: um modelo de nível Grok, on-premise, sem dado sensível vazando pra fora. Se eles entregarem isso, é um divisor de águas.”
Pesquisa conduzida em 1º de outubro de 2026, exclusivamente a partir de fontes públicas.