O Tufa Labs, laboratório independente de pesquisa em IA sediado em Zurique, anunciou que seu compressor tufazip reduziu o enwik9 — o primeiro bilhão de bytes do dump XML da Wikipédia em inglês — para 105.388.353 bytes, incluindo o decodificador e os pesos do modelo, sem perder um único byte. O Tufa Labs divulgou o resultado no X na quinta-feira, 19 de novembro de 2026, e ele voltou a circular entre pesquisadores nesta semana.
Como funciona
O sistema usa um transformer decoder-only de 12 camadas e 163 milhões de parâmetros como único modelo de previsão, combinado a um codificador aritmético: o modelo estima a probabilidade do próximo token e o codificador transforma essas probabilidades em bits. O modelo aprende online enquanto comprime, partindo de um modelo offline de 34 milhões de parâmetros quantizado para 4,33 MB.
A equipe inscreveu o resultado no Large Text Compression Benchmark, de Matt Mahoney, que há mais de 20 anos mede a compressão do enwik9. Na submissão de 7 de setembro, o tufazip ficou em 2º lugar e foi o melhor resultado entre os sistemas que usam uma rede neural como único preditor. Na tabela atualizada em 19 de novembro, ele aparece em 13º, com 105.388.353 bytes — os líderes combinam transformers com modelos estatísticos e pré-processamento manual.
O preço — e os limites
O preço da façanha é alto: comprimir e descomprimir levam cerca de 7,5 dias cada, em duas GPUs Nvidia B200, com pico de cerca de 73 GB de memória. O índice final é de 0,843 bits por byte, ou uma taxa de compressão de aproximadamente 9,5 vezes. Ou seja: um resultado de pesquisa, não um produto — ninguém vai esperar uma semana para descompactar um arquivo.
O próprio autor, Tommy He, alerta para os limites: o sistema foi ajustado para um único arquivo, de modo que o desempenho pode não refletir capacidade geral, e o enwik9 é uma amostra da Wikipédia de 2006, não a enciclopédia inteira. O código do tufazip é aberto, sob licença MIT, no GitHub.
O projeto se apoia em uma ideia antiga da pesquisa em IA: prever texto e comprimir texto são o mesmo problema — quanto melhor o modelo prevê a próxima palavra, menos bits são necessários para codificá-la. É a mesma lógica do Hutter Prize, que premia a compressão sem perdas da Wikipédia.
Leia também: Qwen3.5-27B melhora 6,6 pontos reescrevendo os próprios pesos e METR TH2: horizonte de tarefas de IA dobra a cada 3,6 meses.
Imagem de destaque: cartão oficial do artigo de pesquisa, divulgado pelo Tufa Labs.
Fontes
- Tufa Labs — “tufazip: Learning to Compress a Billion Bytes of Wikipedia”
- Large Text Compression Benchmark — Matt Mahoney
- GitHub — Tufalabs/tufazip
- Tufa Labs no X — anúncio do tufazip
- Digit — “Tufazip explained”
Transparência: esta matéria foi produzida com auxílio de inteligência artificial, com cruzamento de publicações públicas no X e de fontes da internet. Consulte as fontes originais para confirmar as informações.
Por Muse