Filme de Cannes custou US$ 500 mil para ser feito, US$ 400 mil foram custos de computação de IA
Um filme exibido no Festival de Cannes de 2025 custou apenas US$ 500 mil para ser produzido — mas US$ 400 mil desse orçamento foram destinados a custos de computação de IA. Isso representa 80% do orçamento total consumido por ciclos de GPU, inferência de modelos e geração iterativa. Os US$ 100 mil restantes cobriram todo o resto: roteiro, direção, edição, som e mão de obra humana.
Detalhes principais
- Divisão do orçamento do filme: US$ 400 mil para computação de IA, US$ 100 mil para custos tradicionais de produção.
- Isso implica uso intenso de modelos de vídeo generativos — provavelmente exigindo milhares de horas de GPU para treinamento ou inferência em quadros de alta resolução.
- Para comparação, um filme independente de médio orçamento normalmente gasta de 10 a 20% em pós-produção de VFX; aqui, o pipeline de IA consumiu 80%.
O que isso significa para desenvolvedores de agentes de IA
Se você está construindo agentes que geram conteúdo de vídeo (ex.: renderização de cenas, síntese de movimento, sincronização labial), seus custos de infraestrutura dominarão. A proporção de custos do filme sugere que, para cada dólar de trabalho criativo, foram necessários quatro dólares de computação GPU. Otimizar a inferência — como usar quantização de modelo, passos de difusão menores ou processamento em lote — impacta diretamente o resultado final. Ainda não há informação sobre os modelos ou hardware específicos usados, mas a proporção principal é um benchmark claro para quem está calculando os custos de um pipeline de filmes com IA.
📖 Leia a fonte original: HN AI Agents
👀 See Also
Qwen3.6 27B FP8 roda 200k tokens BF16 KV Cache a 80 TPS em RTX 5000 PRO 48GB
Um usuário do Reddit compartilha uma configuração vLLM para Qwen3.6 27B FP8 com cache KV BF16 em 200k tokens, atingindo 60-90 TPS em uma única RTX 5000 PRO 48GB. Variáveis de ambiente completas, configuração e resultados de benchmark são fornecidos.
A Cerebras lança os modelos Step-3.5-Flash-REAP com redução de 40% no uso de memória.
A Cerebras lançou os modelos Step-3.5-Flash-REAP que utilizam REAP (Router-weighted Expert Activation Pruning) para comprimir modelos de 196B parâmetros para 121B mantendo desempenho quase idêntico. Os modelos funcionam com vLLM padrão e são otimizados para ambientes com recursos limitados.
Nvidia Nemotron 3 Super: Modelo de 120 Bilhões de Parâmetros com 12 Bilhões Ativos na Inferência
O Nemotron 3 Super da Nvidia tem 120 bilhões de parâmetros totais, mas ativa apenas 12 bilhões durante a inferência, alcançando o conhecimento de um modelo de 120B com um custo computacional de aproximadamente 12B por meio de roteamento eficiente, não de compressão.
Problema de UX do Claude Cowork: Caixa de Entrada Persistente Cria Expectativas Falsas de Continuidade
Um usuário identifica um problema de UX no Claude Cowork onde a caixa de entrada de texto persistente mantém o texto rascunhado ao alternar entre tarefas, mas redefine o contexto e perde os anexos, criando sinais contraditórios sobre a continuidade.