Modelos recomendados

Existem milhares de modelos que você poderia apontar para AI_MODEL. A maioria deles não funcionará para este curso, e o motivo se reduz a uma única capacidade.

O único requisito obrigatório: tool calling

Um agente é um modelo que consegue pedir à sua aplicação para executar algo em seu nome. Ele não executa nada por si próprio.

Ele retorna uma solicitação estruturada dizendo, basicamente, "chame get_weather com a cidade definida como Brasília, depois me diga o que voltou." Seu código executa a função e devolve o resultado.

Essa solicitação estruturada é tool calling, e um modelo sem ela não pode ser transformado em um agente, não importa como o código ao redor esteja escrito. Não é uma questão do modelo ser mais fraco ou mais lento. O formato de mensagem em que todo o curso se baseia simplesmente não existe.

Além de tool calling, o curso se apoia em dois comportamentos relacionados conforme avança: preenchimento exato dos argumentos de uma tool conforme seu schema define, e seguir uma instrução sobre se uma tool deve ou não deve ser usada. Os modelos variam em confiabilidade nessas tarefas, é por isso que a lista reduzida abaixo existe.

Se algo quebrar depois, desconfie do modelo

Esse é o instinto de debug mais útil para este curso. Se uma lição funciona para todos os outros e não para você, e seu código corresponde à solução, tente um modelo recomendado antes de assumir que seu código está errado. Uma limitação de modelo e um bug produzem uma saída de console muito parecida.

JunoO único requisito obrigatório: tool calling Tool calling significa que o modelo consegue responder com uma solicitação em vez de uma resposta: o nome de uma função e o que passar para ela. Seu código executa a função e devolve o resultado.

Esse vai-e-vem é o que torna um agente. Um modelo que não consegue fazer a solicitação não é um agente mais fraco, não é um agente de jeito nenhum, então essa é a primeira coisa a verificar sobre qualquer modelo em que você estiver curioso.

JunoO único requisito obrigatório: tool calling A divisão que importa: o modelo decide, seu código executa. Tool calling é o formato de mensagem que deixa o modelo dizer qual função e quais argumentos, e tudo que o curso constrói fica em cima disso.

Quando você olha para um modelo fora da lista abaixo, confirme isso primeiro. As páginas do provedor geralmente chamam de "function calling" ou "tools", e é um sim ou não, não uma questão de grau.

JunoO único requisito obrigatório: tool calling Suporte não é uma única flag, o que é onde as surpresas vêm. Um modelo consegue emitir chamadas de tool e ainda ser pouco confiável no que as lições se apoiam: honrar um schema de argumento rígido, ou respeitar um tool_choice que força ou proíbe uma chamada.

Então "supports tools" em um model card significa que o formato de mensagem existe, não que esses comportamentos vão se manter. Essa lacuna é o que a lista testada reduzida abaixo fecha.

A lista reduzida

Todo modelo abaixo foi testado contra o fluxo de agente real do curso, não comparado em abstrato: cada um completou um loop de tool pela Responses API, preencheu os argumentos de uma tool rígida exatamente, e obedeceu uma instrução para chamar uma tool ou deixar as tools sozinhas. Todos são rápidos e de baixo custo.

Use isso quando	Modelo	Rota do provedor
Você quer o padrão	gpt-5.4-nano	OpenAI
Você quer a rota não-OpenAI mais barata	mistralai/ministral-3b-2512	OpenRouter
Você quer mais espaço	gpt-5.4-mini	OpenAI
Você quer o modelo eficiente mais novo	gpt-5.6-luna	OpenAI
Você quer um modelo novo equilibrado	gpt-5.6-terra	OpenAI
Você quer um Mistral maior	mistralai/ministral-14b-2512	OpenRouter

gpt-5.4-nano é a recomendação se você não quiser pensar sobre isso. Passou em todas as verificações nas quais o curso se baseia, é o padrão do curso, e é uma das rotas de menor custo nesta lista.

Algumas notas sobre o resto. Ministral 3B é uma alternativa econômica e não uma atualização de qualidade, então escolha por preço. Luna e Terra são os níveis eficiente e equilibrado da nova família 5.6; ambos passaram nas mesmas verificações, e ser mais novo não é em si uma razão para deixar Nano. Ministral 14B funciona mas foi ligeiramente menos consistente que o 3B em uma verificação adicional que combina chamadas de tool com uma resposta final rigidamente moldada, é por isso que fica mais baixo. O curso não exige essa combinação, então isso é um desempate em vez de um aviso.

Os modelos OpenAI também são acessíveis através do OpenRouter se você preferir manter uma conta e uma chave. openai/gpt-5.4-nano no OpenRouter é uma rota verificada.

JunoA lista reduzida Pegue gpt-5.4-nano, copie para AI_MODEL no seu ambiente Scrimba, salve, e siga com o curso. Escolher um modelo não é a parte interessante disso.

Se você quiser tentar algo else depois, a tabela está aqui e nada o impede.

JunoA lista reduzida Escolha pelo provedor que você configurou. No OpenAI, comece com gpt-5.4-nano e passe para gpt-5.4-mini se quiser mais espaço. No OpenRouter, mistralai/ministral-3b-2512 é a escolha econômica e openai/gpt-5.4-nano lhe dá o modelo padrão através da mesma chave.

Qualquer que seja sua escolha, mantenha-a como seu modelo principal durante todo o curso, para que uma surpresa em uma lição posterior tenha uma variável a menos.

JunoA lista reduzida "Testado" aqui significa três gates retiradas dos próprios turnos do curso: um loop de tool completo, argumentos exatos contra um schema strict: true, e tool_choice definido como obrigatório e como nenhum. Esse é um teste mais estreito que um benchmark e mais relevante.

Vale a pena generalizar: quando você avalia um modelo para trabalho de agente, teste a forma de seus turnos reais. Um modelo mais barato que mantém seu schema de forma confiável bate um mais inteligente que desvia, e pontuações agregadas não vão te dizer qual é qual.

Chamadas de tool sequenciais versus paralelas

Alguns modelos emitem várias chamadas de tool em um turno, e alguns emitem uma chamada por turno e fazem um loop. Ambos completam o curso.

Se seu modelo apenas chamar uma tool por vez, você ainda chegará ao mesmo resultado. Você não verá o turno em lote demonstrado em uma lição posterior, onde o modelo pede duas tools ao mesmo tempo. Essa é uma escolha de design no modelo, e nada que você precise corrigir.

JunoChamadas de tool sequenciais versus paralelas Alguns modelos pedem várias tools ao mesmo tempo; outros pedem uma, esperam, depois pedem a próxima. Ambos terminam o curso e chegam à mesma resposta.

Então se uma lição mostra duas chamadas de tool em uma resposta e a sua faz uma após a outra, nada está quebrado.

JunoChamadas de tool sequenciais versus paralelas Quando você compara sua saída do Runner contra uma lição, espere essa diferença. Um modelo que faz um loop uma chamada por vez leva mais idas-e-voltas, então é mais lento e usa alguns tokens a mais por tarefa.

O código que você escreve é idêntico de qualquer jeito, porque o loop lida com toda chamada de tool na resposta do modelo, seja uma ou várias.

JunoChamadas de tool sequenciais versus paralelas Chamadas paralelas agrupam buscas independentes em uma ida-e-volta, enquanto um modelo sequencial paga latência completa por tool, e isso se acumula em um turno que toca quatro ou cinco.

Também molda o tratamento de erros. Um turno em lote pode incluir uma chamada que falha, e o loop ainda tem que devolver um resultado para toda chamada que recebeu, falhas incluídas, senão o próximo pedido chega com uma chamada que não tem resposta.

Modelos gratuitos

Endpoints gratuitos existem, principalmente através do OpenRouter, e são uma boa forma de aprender sem gastar nada.

O modelo gratuito para este curso é dots-studio/dots-3-note-preview:free no OpenRouter. Ele executou o loop de agente do curso em nossas verificações em 19 de outubro de 2026: chamou as tools do OpenSwap com os argumentos certos, verificou a saúde do projeto antes de dizer que um projeto estava mantido, e respondeu com base no que as tools retornaram.

Rotas gratuitas vêm e vão. Um modelo gratuito que funciona hoje pode ser limitado por taxa ou retirado mês que vem, então se o ID acima parar de funcionar, verifique a lista de modelos do OpenRouter para um modelo gratuito com tool calling e tente esse.

Verifique as configurações de Privacidade primeiro

Antes de ativar endpoints gratuitos de jeito nenhum, abra as configurações de Privacy do OpenRouter. Rotas gratuitas podem enviar seus pedidos para provedores com políticas de dados diferentes, incluindo provedores que podem treinar com o que você envia, e essa página é onde você decide quais são permitidos. Modelos gratuitos e pagos têm configurações separadas lá.

JunoModelos gratuitos Você consegue seguir o curso no modelo gratuito. Copie seu ID para AI_MODEL, salve, e continue.

Um modelo gratuito nem sempre se comportará exatamente como o da gravação. Isso é normal, e descobrir por quê é parte de aprender como agentes se comportam.

JunoModelos gratuitos Diferentes modelos fazem caminhos diferentes através do mesmo loop: mais ou menos turnos, uma ordem diferente de chamadas de tool, redação diferente na resposta final. Compare sua execução com a lição pelo que o agente fez, não pelo texto exato.

Se um modelo gratuito faz algo que o modelo da lição não fez, algumas poucas linhas de seu próprio código ao redor do loop é frequentemente o suficiente para lidar com isso, e isso é uma boa prática para qualquer modelo que você use depois.

JunoModelos gratuitos Um limite de taxa volta como um erro HTTP 429. Na saída do Runner ele fica entre os detalhes de qualquer outro pedido falhado, então raramente se anuncia como um problema de quota a menos que você leia o status.

Dê à configuração de Privacy uma resposta deliberada em vez da padrão. Retenção e termos de treinamento pertencem a qualquer provedor em que seu pedido caia, e a menos que você restrinja os provedores permitidos lá, o router faz essa escolha para você em cada pedido.

Saindo da lista

Experimente livremente. Essa é a maior parte da diversão. Mantenha a uma regra de debug acima: quando algo não funciona como esperado em uma lição posterior, verifique se é uma limitação do modelo antes de você se ver caçando através de seu código.

Catálogos de modelos e preços mudam mais rápido que documentação, então trate qualquer nome de modelo específico aqui como um snapshot. A própria página de modelo do provedor é sempre a verdade atual sobre o que existe e quanto custa.

JunoSaindo da lista Vá e tente outros modelos. A lista é um ponto de partida, não uma cerca.

Dois hábitos mantêm isso sem dor: verifique se o modelo consegue chamar tools antes de culpar seu código, e copie IDs de modelo da própria página do provedor em vez de qualquer coisa escrita há um tempo, esta página incluída.

JunoSaindo da lista Antes de mudar, procure por tool ou function calling na página do provedor do modelo. Se uma lição posterior então se comportar mal, volte para um modelo da tabela e execute o mesmo pedido novamente.

Se o problema desaparecer, era o modelo. Se permanecer, vale a pena ler seu código contra a solução.

JunoSaindo da lista Trate todo nome de modelo nesta página como uma afirmação datada. Catálogos de provedores se renovam em semanas, então a parte durável desta página é a capacidade que importa, tool calling, e o apontador para o catálogo ao vivo para o que atualmente tem.

Quando você avalia algo novo, teste contra um turno do curso em vez de uma pontuação de benchmark. A falha que você se importa é um modelo que responde bem e mantém seu schema de tool mal, e nenhuma pontuação agregada vai avisar você sobre isso.

Para onde isso vai a seguir

Chat Completions and Responses cobre os dois formatos de API que você encontrará e por que este curso se estabelece em um deles. Se seus valores de provedor não foram salvos ainda, Provider setup é a página que faz isso.

JunoPara onde isso vai a seguir Uma vez que seu ID de modelo está salvo em AI_MODEL, você está pronto para a próxima página, que mostra o pedido que seu código envia para esse modelo.

JunoPara onde isso vai a seguir O modelo é um de três valores que se movem juntos. Se você mudar de provedor para alcançar um modelo nesta lista, mude AI_URL e AI_KEY com ele, como Provider setup explica.

JunoPara onde isso vai a seguir Todo modelo da lista reduzida foi testado através da Responses API, que é o formato que a próxima página explica. Um modelo que apenas funciona através de Chat Completions não teria passado.