Benchmark de Latência de LLM por Casos de Uso

Cem Dilmegani

com

Nazlı Şipi

atualizado em 10 jun. 2026

Veja o nosso normas éticas

Citar Este Benchmark

A eficácia dos modelos de linguagem de grande escala (LLMs) é determinada não apenas pela sua precisão e capacidades, mas também pela velocidade com que interagem com os utilizadores.

Realizámos um benchmark do desempenho dos principais modelos de linguagem em vários casos de uso, medindo os seus tempos de resposta à entrada do utilizador. Concentrámo-nos em duas métricas principais: Latência do Primeiro Token, o tempo que o modelo demora a começar a gerar o primeiro token de uma resposta, e Latência por Token, o tempo necessário para gerar cada token ao longo da resposta.

Benchmark de latência de LLM

This is filter description

Loading Chart

Pode encontrar detalhes sobre como medimos a latência aqui.

Resultados do benchmark de latência de tempo até ao primeiro token

O tempo até ao primeiro token (TTFT) mede o tempo que um modelo demora a gerar o seu primeiro token após receber um prompt, refletindo a rapidez com que começa a responder.

Quando os resultados são generalizados para todos os casos de uso avaliados, o Mistral Large 2512 e o GPT-5.2 alcançam consistentemente latências de primeiro token inferiores a um segundo, indicando um comportamento de resposta inicial muito rápido.

O Claude 4.5 Sonnet apresenta uma latência de primeiro token visivelmente mais elevada, mas ainda estável, colocando-o num nível intermédio. Em contraste, o Grok 4.1 Fast Reasoning e o DeepSeek V3.2 exibem atrasos significativamente mais longos antes de produzir o primeiro token, com este padrão a manter-se consistente em todas as tarefas.

Resultados do benchmark de latência por token

A latência por token mede o tempo médio necessário para gerar cada token subsequente após o primeiro, refletindo a velocidade de geração sustentada do modelo.

O Mistral Large 2512 e o GPT-5.2 alcançam consistentemente latências de primeiro token inferiores a um segundo, indicando um comportamento de resposta inicial muito rápido.

Comparação de velocidade de LLM por caso de uso

Observamos que as variações de latência dependem do tipo de tarefa, indicando que estes modelos exibem perfis de desempenho diferentes consoante os casos de uso.

P&R

Em cenários de P&R, como suporte ao cliente, assistentes virtuais e ferramentas de conhecimento empresarial, a velocidade e os tempos de resposta impactam diretamente a experiência do utilizador.

Mistral Large 2512 oferece a resposta inicial mais rápida, com uma latência de primeiro token de 0,30 segundos, tornando-o ideal para sistemas de suporte em direto que exigem respostas imediatas. A sua latência por token de 0,025 segundos oferece uma excelente eficiência para gerar respostas de qualquer comprimento.
O GPT-5.2 segue de perto com uma latência de primeiro token de 0,60 segundos e uma latência por token de 0,020 segundos. Embora ligeiramente mais lento a iniciar, a sua menor latência por token torna-o altamente eficiente para respostas mais longas e detalhadas.
O Claude 4.5 Sonnet, com uma latência de primeiro token de 2 segundos e uma latência por token de 0,030 segundos, apresenta uma capacidade de resposta inicial moderada. O atraso antes do primeiro token pode impactar as interações em tempo real, embora a sua velocidade de geração constante mantenha um desempenho geral razoável.
O Grok 4.1 Fast Reasoning tem uma latência de primeiro token de 3 segundos e uma excelente latência por token de 0,010 segundos. Apesar do início mais lento, uma vez iniciada a geração, produz tokens extremamente rapidamente, tornando-o adequado para aplicações onde o tempo total de geração é mais importante do que a resposta imediata.
O DeepSeek V3.2, com uma latência de primeiro token de 7 segundos e uma latência por token de 0,032 segundos, é o modelo mais lento no geral. A espera significativa antes do primeiro token torna-o menos adequado para sistemas de P&R com exigências críticas de velocidade.

Geração de resumos

O caso de uso de geração de resumos desempenha um papel fundamental em aplicações onde os utilizadores precisam de compreender rapidamente textos longos. Por exemplo, em cenários onde as equipas de serviço ao cliente precisam de resumir uma gravação de chamada em segundos e tomar medidas, a latência do primeiro token impacta diretamente a experiência do utilizador.

O Mistral Large 2512 lidera com uma latência de primeiro token de 0,45 segundos e uma latência por token de 0,025 segundos, tornando-o uma opção eficaz para cenários que exigem resumo rápido de documentos.
O GPT-5.2 segue com uma latência de primeiro token de 0,60 segundos e a latência por token mais rápida, de 0,020 segundos, permitindo-lhe manter a velocidade mesmo com conteúdos mais longos.
O Claude 4.5 Sonnet tem uma resposta inicial mais lenta, com uma latência de primeiro token de 2 segundos. No entanto, a sua latência por token de 0,030 segundos ainda proporciona um desempenho geral decente para tarefas de resumo.
O Grok 4.1 Fast Reasoning apresenta uma latência de primeiro token de 4 segundos, mas compensa com uma excelente latência por token de 0,010 segundos, tornando-o eficiente uma vez iniciada a geração.
O DeepSeek V3.2 destaca-se como o modelo mais lento, com uma latência de primeiro token de 7,5 segundos e uma latência por token de 0,025 segundos.

Tradução de idiomas

Com base no nosso benchmark, as tarefas de tradução revelam compromissos de desempenho interessantes entre o tempo de resposta inicial e a velocidade de geração sustentada.

O Mistral Large 2512 oferece a resposta inicial mais rápida, com uma latência de primeiro token de 0,40 segundos e uma latência por token de 0,020 segundos, tornando-o ideal para cenários de tradução em tempo real.
O GPT-5.2 começa aos 0,55 segundos com a menor latência por token, de 0,010 segundos, proporcionando uma eficiência excecional para traduções mais longas uma vez iniciada a geração.
O Claude 4.5 Sonnet, com uma latência de primeiro token de 2 segundos e uma latência por token de 0,015 segundos, equilibra uma capacidade de resposta inicial moderada com uma forte velocidade de geração sustentada.
O Grok 4.1 Fast Reasoning tem uma latência de primeiro token de 6 segundos. Ainda assim, mantém uma excelente latência por token de 0,005 segundos, a mais rápida nesta categoria, tornando-o altamente eficiente para tarefas de tradução em lote.
O DeepSeek V3.2 exibe a latência de primeiro token mais elevada, de 7,5 segundos, com uma latência por token de 0,025 segundos, limitando a sua aplicabilidade em fluxos de trabalho de tradução sensíveis ao tempo.

Análise de negócios

Com base nos resultados que observámos no caso de uso de Análise de Negócios, os modelos exibem perfis de desempenho variados, adequados a diferentes cenários analíticos.

O Mistral Large 2512 oferece uma forte resposta inicial, com uma latência de primeiro token de 0,40 segundos, embora a sua latência por token de 0,040 segundos seja mais elevada do que noutros casos de uso. Continua a ser adequado para tarefas de análise de negócios de rotina.
O GPT-5.2 começa aos 0,50 segundos com uma latência por token de 0,020 segundos, tornando-o adequado para tarefas de análise de negócios que exigem tanto inícios rápidos como resultados mais longos e eficientes, tais como relatórios diários ou dashboards.
O Claude 4.5 Sonnet responde com uma latência de primeiro token de 2 segundos e uma latência por token de 0,035 segundos. Embora o atraso inicial possa causar lentidão em fluxos de trabalho em tempo real, proporciona uma velocidade de saída consistente para revisões de dados em lote ou relatórios programados.
O Grok 4.1 Fast Reasoning apresenta uma latência de primeiro token de 4 segundos, mas mantém uma excelente eficiência por token de 0,010 segundos, tornando-o eficaz para relatórios analíticos abrangentes onde o tempo total de conclusão é mais importante do que a resposta imediata.
O DeepSeek V3.2 foi o modelo mais lento, com uma latência de primeiro token de 8 segundos e uma latência por token de 0,030 segundos, tornando-o menos adequado para cenários de análise de negócios sensíveis ao tempo.

Programação

As tarefas de programação revelam características de desempenho distintas, com modelos otimizados para diferentes aspetos da geração de código.

O Mistral Large 2512 teve a latência de primeiro token mais baixa, de 0,30 segundos, com uma latência por token de 0,025 segundos, tornando-o o modelo mais rápido a começar a gerar código e a manter um rendimento sólido ao longo do processo.
O GPT-5.2 seguiu com uma latência de primeiro token de 0,50 segundos e a melhor latência por token, de 0,015 segundos. Esta combinação permite que o GPT-5.2 recupere rapidamente após um início ligeiramente mais lento, tornando-o altamente eficiente no tratamento de tarefas de programação mais longas ou complexas, onde a velocidade sustentada de geração de tokens é importante.
O Claude 4.5 Sonnet, com uma latência de primeiro token de 2 segundos e uma latência por token de 0,028 segundos, demonstrou uma capacidade de resposta moderada. Embora não seja o mais rápido a iniciar, mantém uma velocidade de geração razoável para fluxos de trabalho de programação típicos.
O Grok 4.1 Fast Reasoning teve uma latência de primeiro token de 11 segundos, mas a latência por token mais rápida foi de 0,005 segundos. Apesar do atraso inicial significativo, uma vez iniciada a geração, produz código extremamente rapidamente, tornando-o potencialmente adequado para tarefas de geração de código em lote.
O DeepSeek V3.2 teve a latência de primeiro token mais elevada, de 19 segundos, com uma latência por token de 0,030 segundos, tornando-o o mais lento entre o grupo para tarefas de programação e limitando a sua aplicabilidade em ambientes de desenvolvimento interativos onde o feedback imediato é essencial.

Raciocínio de LLM e o seu efeito na velocidade

Os modelos de raciocínio demoram mais tempo a começar porque se envolvem em processamento de cadeia de pensamento, "pensam" no problema passo a passo internamente antes de produzir uma resposta. Este raciocínio interno adicional causa o atraso inicial.

A razão para este início mais lento é que estes modelos não se limitam a gerar texto; realizam primeiro uma análise mais profunda e inferência lógica, o que requer tempo de computação adicional. Este "pensamento" interno conduz a resultados mais precisos e ponderados.

Por exemplo, no nosso benchmark, o Grok 4.1 Fast Reasoning apresentou um Tempo Até ao Primeiro Token mais elevado em comparação com modelos generativos mais simples, porque passa mais tempo a raciocinar internamente. Apesar do início mais lento, a qualidade e precisão das suas respostas foram significativamente melhores.

O que é a latência de LLM e porque é importante?

A latência de LLM refere-se ao tempo que um modelo de linguagem de grande escala demora a gerar uma resposta após receber a entrada do utilizador. Na prática, a latência não é um número único, mas um conjunto de medidas de latência que descrevem a rapidez com que um sistema reage e conclui a geração de saída.

Uma das distinções mais importantes é a latência de ponta a ponta (latência E2E). A latência E2E mede o tempo total desde que o servidor recebe um pedido até que conclui o envio da resposta, incluindo o token final. Este valor reflete o tempo de espera total experienciado pelo utilizador e está intimamente relacionado com o que os utilizadores percebem como capacidade de resposta.

A latência é geralmente decomposta em métricas-chave como:

Tempo até ao primeiro token (TTFT) ou latência do primeiro token, que captura quanto tempo demora até o modelo começar a gerar saída
Latência entre tokens (ITL), que mede o atraso entre os tokens gerados durante a resposta
Tempo total de geração, que abrange desde o envio do prompt até à conclusão da resposta

Uma latência baixa é fundamental em aplicações interativas como chatbots, assistentes de programação e ferramentas de suporte ao cliente. Uma latência elevada pode interromper o fluxo natural da interação, reduzir o envolvimento e afetar negativamente a satisfação do utilizador. Ao longo do tempo, uma latência consistentemente elevada também pode limitar a adoção de soluções alimentadas por IA, especialmente em casos de uso em tempo real ou voltados para o cliente.

Porque é importante se a latência de LLM é alta ou baixa para a experiência do utilizador?

O impacto da latência na experiência do utilizador vai além do inconveniente. Os utilizadores percebem os tempos de resposta de forma diferente dependendo do contexto, da complexidade do pedido e das expectativas definidas pela aplicação. Um pequeno atraso pode ser aceitável para tarefas de raciocínio complexas, enquanto até mesmo pequenos atrasos podem parecer perturbadores em interfaces conversacionais.

Respostas atrasadas podem quebrar o fluxo conversacional em sistemas de IA interativos.
Tempos de resposta consistentes geralmente conduzem a uma maior satisfação do utilizador do que tempos altamente variáveis.
Uma velocidade de resposta ligeiramente mais lenta, mas mais previsível, é muitas vezes preferida a respostas rápidas ocasionais misturadas com longos atrasos.

Este aspeto psicológico da espera explica porque é que a capacidade de resposta percebida é tão importante quanto os tempos de resposta brutos. Em muitos casos, manter um desempenho consistente é mais importante do que alcançar a latência mais baixa possível para um único pedido.

Não perca os nossos benchmarks e insights baseados em dados. O botão abre o Google; selecionar a AIMultiple confirma que deseja ver a AIMultiple com mais frequência nos resultados de pesquisa do Google.

Adicionar como fonte preferencial

Fatores que afetam a latência de LLM

A latência de LLM varia com base em vários fatores técnicos e operacionais. Compreender estes fatores-chave ajuda as equipas a identificar estrangulamentos de desempenho e a aplicar estratégias direcionadas de otimização de latência.

Tamanho e configuração do modelo

O tamanho do modelo afeta diretamente a velocidade de processamento. Modelos maiores geralmente exigem mais recursos de computação e mais tempo para processar os mesmos tokens de entrada. Embora modelos maiores possam oferecer melhor qualidade de saída, muitas vezes aumentam a latência do primeiro token e a latência geral dos tokens.

Considerações importantes incluem:

Tamanho do modelo e arquitetura interna
Configurações do modelo, como o comprimento da janela de contexto
Compromissos entre qualidade de resposta e baixa latência

Selecionar um modelo que se alinhe com os requisitos de desempenho da aplicação é uma parte central da otimização do modelo.

Hardware e arquitetura do sistema

O hardware desempenha um papel fundamental na determinação dos tempos de resposta. GPUs potentes ou aceleradores de IA podem reduzir significativamente o tempo de computação, diminuindo a latência tanto no TTFT como na latência entre tokens. Os principais contribuintes incluem:

Utilização e disponibilidade de GPU
Largura de banda da memória e eficiência na transferência de dados
Arquitetura global do sistema e recursos de computação

O rendimento do sistema, normalmente medido em tokens por segundo (TPS), indica quanta saída um sistema pode gerar sob carga concorrente. Métricas de alto rendimento são essenciais para lidar com múltiplos pedidos sem degradar os tempos de resposta.

Concorrência, processamento em lote e carga do sistema

A latência comporta-se de forma diferente em cenários de pedido único e de pedidos concorrentes. Embora o processamento em lote possa melhorar o rendimento, também pode introduzir atrasos de fila que aumentam o tempo de resposta inicial.

Os fatores que influenciam a latência aqui incluem:

Número de pedidos concorrentes
Políticas de processamento em lote e agendamento
Carga atual do sistema e padrões de utilização

Os sistemas otimizados apenas para o rendimento podem sofrer latência elevada durante picos de utilização, mesmo que o desempenho médio pareça aceitável.

Efeitos de rede e implementação

A latência de rede pode adicionar atrasos significativos, especialmente em sistemas distribuídos ou baseados na nuvem. A comunicação entre serviços, regiões e utilizadores contribui para a latência global de ponta a ponta.

Os arranques a frio são outro fator crítico. Quando os modelos são reduzidos a zero durante períodos de inatividade, o primeiro pedido tem de esperar que o modelo carregue, o que pode aumentar significativamente a latência. Os efeitos de arranque a frio podem distorcer as medições precisas de latência se não forem contabilizados separadamente do desempenho em estado estacionário.

Estratégias para reduzir a latência de LLM

Reduzir a latência requer mudanças coordenadas nos modelos, na infraestrutura e no design da aplicação. A otimização eficaz da latência concentra-se tanto na capacidade de resposta real como na percebida.

Abordagens de otimização de modelos

As técnicas de otimização de modelos visam melhorar a velocidade de processamento, mantendo uma qualidade de resposta aceitável. Os métodos comuns incluem:

Quantização e poda para reduzir o tamanho do modelo
Fine-tuning de modelos mais pequenos para tarefas específicas
Ajuste das configurações do modelo para priorizar baixa latência

A otimização dos processos do modelo pode reduzir significativamente a latência e diminuir os custos operacionais.

Design de prompts e eficiência de tokens

A engenharia de prompts afeta diretamente a latência. Prompts mais longos aumentam o número de tokens de entrada que o modelo tem de processar, atrasando tanto o TTFT como a geração de saída.

As melhores práticas incluem:

Utilizar apenas o contexto relevante
Reduzir a complexidade do prompt e as instruções desnecessárias
Limitar os tokens gerados quando não é necessária uma resposta completa

Streaming, caching e gestão de respostas

As técnicas de resposta em streaming permitem que o modelo comece a gerar saída assim que o primeiro token está pronto, em vez de esperar pelo token final. Isto melhora a capacidade de resposta percebida mesmo quando o tempo total de geração permanece inalterado.

As técnicas adicionais incluem:

Caching de respostas para consultas repetidas ou de entrada idêntica
Caching semântico para prompts semelhantes com intenção sobreposta
Otimização de infraestrutura e rendimento

A afinação da infraestrutura é essencial para manter o desempenho em escala. Isto inclui:

Equilibrar métricas de rendimento e medidas de latência
Garantir recursos de computação suficientes para a procura de pico
Reduzir atrasos de fila durante pedidos concorrentes

Medição e monitorização da latência de llm em produção

Medições precisas de latência são essenciais para diagnosticar problemas e validar melhorias. Diferentes métodos de teste servem diferentes propósitos:

O teste síncrono processa um pedido de cada vez, fornecendo dados de latência limpos e isolados.
O teste assíncrono simula cenários do mundo real com múltiplos pedidos simultâneos, embora possa complicar o isolamento de latências individuais.

A monitorização de métricas de desempenho chave ajuda as equipas a identificar estrangulamentos de desempenho, acompanhar tendências de desempenho e manter o desempenho ao longo do tempo. A monitorização contínua é fundamental à medida que os padrões de utilização evoluem.

As ferramentas comuns utilizadas em produção incluem:

NVIDIA GenAI-Perf e LLMPerf para capturar métricas de latência
Prometheus e Grafana para monitorizar e visualizar distribuições de latência

Estas ferramentas apoiam a otimização contínua e ajudam a garantir um desempenho consistente sob cargas de trabalho variáveis.

Porque é que a consistência importa mais do que a velocidade por si só

Embora uma latência baixa seja essencial, a consistência muitas vezes importa mais para a satisfação do utilizador. Sistemas com tempos de resposta altamente variáveis tendem a parecer pouco fiáveis, mesmo que algumas respostas sejam rápidas. Em contraste, tempos de resposta consistentes criam interações previsíveis e melhoram a capacidade de resposta percebida.

Em aplicações de IA interativas, a velocidade de resposta molda a confiança, a usabilidade e a adoção a longo prazo. Otimizar a latência de LLM não se trata, portanto, apenas de minimizar milissegundos, mas de proporcionar um desempenho estável e previsível que se alinhe com as expectativas do utilizador.

Ao combinar medições precisas, design de sistema ponderado e monitorização contínua, as equipas podem reduzir significativamente a latência, mantendo o desempenho, a qualidade de resposta e a eficiência de custos.

Metodologia do benchmark de latência de LLM

Configuração do benchmark

Medimos o desempenho de latência de múltiplos LLMs em cinco casos de uso. O benchmark foi executado num servidor remoto para garantir condições de rede consistentes. Todos os modelos foram testados utilizando as respetivas APIs oficiais. Definimos a temperatura para 0,1.

Recolha de dados

Foi realizada uma única execução com 500 perguntas no total (100 perguntas por caso de uso). Cada pergunta foi enviada para o endpoint de API de streaming do modelo, e as medições de tempo foram capturadas em três pontos críticos:

Pedido enviado: Timestamp quando o pedido à API foi iniciado
Primeiro token recebido: Timestamp quando o primeiro token de resposta chegou
Token final recebido: Timestamp quando a resposta em streaming foi concluída

Métricas

Tempo até ao Primeiro Token (TTFT)

1TTFT = time_first_token - time_request_sent

Mede a latência de resposta inicial – quanto tempo o modelo demora a começar a gerar uma resposta.

Latência por Token (PTL)

1Per Token Latency = (time_final_token - time_first_token) / (total_tokens - first_chunk_tokens) * 1000

Mede o tempo médio (em milissegundos) necessário para gerar cada token após a resposta inicial.

P&R

Realizámos o benchmark dos modelos num conjunto de 10 perguntas que abrangem uma variedade de tópicos factuais e conceptuais comuns nos domínios técnico, empresarial e de conhecimento geral. Estas entradas tiveram uma média de cerca de 13 tokens por prompt, tornando-as relativamente curtas.

Este caso de uso avalia a capacidade dos modelos de gerar respostas claras, precisas e informativas, adequadas para contextos educacionais, de documentação e de suporte ao cliente. As respostas necessárias envolvem normalmente explicações de comprimento moderado que equilibram detalhe com clareza.

Programação

Avaliámos os modelos num conjunto de 10 tarefas de programação distintas, desde funções simples até desenvolvimento mais avançado de APIs. Estas tarefas envolveram a geração de snippets de código Python, tais como scripts básicos, aplicações web utilizando Flask ou FastAPI e scripts de processamento de dados.

Este caso de uso avalia a capacidade dos modelos de produzir código estruturado, funcional e coerente, o que muitas vezes exige saídas mais longas e complexas do que a geração de texto típica. Os prompts de entrada tiveram uma média de cerca de 20 tokens cada, refletindo pedidos de programação concisos mas descritivos.

Tradução de idiomas

Realizámos o benchmark dos modelos utilizando um conjunto de 10 prompts de tradução diversos, abrangendo vários idiomas (espanhol, chinês, russo) e tipos de texto, incluindo passagens académicas longas, frases curtas do dia a dia, resumos científicos, e-mails comerciais e excertos literários. Estas entradas variaram significativamente em comprimento e complexidade, desde frases curtas de cerca de 10 tokens até textos detalhados com múltiplos parágrafos que excedem várias centenas de tokens.

Este caso de uso avalia a capacidade dos modelos de compreender com precisão e reproduzir fielmente o significado em diferentes idiomas e domínios, preservando nuances, estilo e conteúdo técnico. Ao utilizar tipos e comprimentos de texto variados, testámos tanto a qualidade geral da tradução como o tratamento de linguagem especializada ou formal pelos modelos.

Análise de negócios

Avaliámos os modelos utilizando 10 prompts distintos de análise de negócios, cada um simulando cenários reais de tomada de decisão em domínios como desempenho de vendas, retenção de clientes, estrangulamentos na cadeia de abastecimento, ROI de marketing, produtividade dos funcionários e estratégia competitiva. Os prompts incluíram dados tabulares estruturados e perguntas analíticas abertas, exigindo que os modelos interpretassem múltiplas métricas de negócio e gerassem insights concisos e acionáveis. As entradas variaram em complexidade, com um comprimento médio de entrada de aproximadamente 105 tokens.

Este caso de uso testa a capacidade de um modelo de sintetizar dados quantitativos, aplicar raciocínio lógico e comunicar recomendações de forma clara num contexto empresarial.

Geração de resumos

Solicitámos aos modelos que produzissem resumos de estilo académico (~500 tokens) de artigos técnicos sobre tópicos diversos, incluindo IA na saúde, alterações climáticas, energias renováveis, blockchain, trabalho remoto, veículos elétricos, cibersegurança, redes sociais, urbanização e computação quântica. Cada resumo foi estruturado em argumentos principais, ideias de suporte e conclusões, com termos-chave destacados e brevemente explicados.

Este caso de uso testa a capacidade de um modelo de compreender artigos técnicos detalhados e gerar resumos claros, estruturados e de estilo académico com explicações de termos-chave.

Cite este benchmark

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

Cem Dilmegani and Nazlı Şipi (2026) - "Benchmark de Latência de LLM por Casos de Uso". Publicado on-line em AIMultiple.com. Acessado em 10 Junho 2026, em: https://aimultiple.com/llm-latency-benchmark [Recurso on-line]

Dilmegani, C., & Şipi, N. (2026, 10 Junho). Benchmark de Latência de LLM por Casos de Uso. AIMultiple. https://aimultiple.com/llm-latency-benchmark

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Şipi, Nazlı},
  title  = {{Benchmark de Latência de LLM por Casos de Uso}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/llm-latency-benchmark}},
  note   = {AIMultiple. Acessado em 10 Junho 2026}
}

Cem Dilmegani

Analista Principal

Cem é o analista principal da AIMultiple desde 2017. A AIMultiple fornece informações para centenas de milhares de empresas (segundo o SimilarWeb), incluindo 55% das empresas da Fortune 500, todos os meses. O trabalho de Cem foi citado por importantes publicações globais, como Business Insider, Forbes e Washington Post, além de empresas globais como Deloitte e HPE, ONGs como o Fórum Econômico Mundial e organizações supranacionais como a Comissão Europeia. Você pode ver mais empresas e recursos renomados que mencionaram a AIMultiple. Ao longo de sua carreira, Cem atuou como consultor de tecnologia, comprador de tecnologia e empreendedor na área. Ele assessorou empresas em suas decisões tecnológicas na McKinsey & Company e na Altman Solon por mais de uma década. Também publicou um relatório da McKinsey sobre digitalização. Liderou a estratégia de tecnologia e a área de compras de uma empresa de telecomunicações, reportando-se diretamente ao CEO. Além disso, liderou o crescimento comercial da empresa de tecnologia avançada Hypatos, que atingiu uma receita recorrente anual de sete dígitos e uma avaliação de nove dígitos, partindo de zero, em apenas dois anos. O trabalho de Cem no Hypatos foi noticiado por importantes publicações de tecnologia, como TechCrunch e Business Insider. Cem participa regularmente como palestrante em conferências internacionais de tecnologia. Ele se formou em engenharia da computação pela Universidade Bogazici e possui um MBA pela Columbia Business School.

Ver perfil completo

Pesquisado por

Nazlı Şipi

Pesquisador de IA

Nazlı é analista de dados na AIMultiple. Ela possui experiência prévia em análise de dados em diversos setores, onde trabalhou na transformação de conjuntos de dados complexos em insights acionáveis.

Ver perfil completo