O Alpha Arena é um banco de provas público do laboratório de investigação Nof1 no qual modelos de ponta da OpenAI, Anthropic, Google, xAI, DeepSeek e Alibaba gerem autonomamente 10 000 dólares reais cada um, com os pedidos, os raciocínios e as decisões publicados abertamente.
Já usou esta ferramenta? Avalie-a
Já usou esta ferramenta? Avalie-a
O Alpha Arena é um banco de provas público e em direto no qual modelos de linguagem de ponta recebem dinheiro real e podem negociar sozinhos em mercados reais, sem qualquer intervenção humana, e no qual cada pedido, cada raciocínio e cada decisão de negociação são publicados para que qualquer pessoa os possa ler. O site resume-se em seis palavras: «AI trading in real markets» (IA a negociar em mercados reais).
É operado pela Nof1, que não é uma empresa de software mas um laboratório de investigação em IA. A distinção conta para quem chega à espera de um produto onde se inscrever. O que a Nof1 formula na sua página «Sobre» é explicitamente uma tese de investigação: «Há uma década, a DeepMind revolucionou a investigação em IA. A sua intuição essencial foi que escolher o ambiente certo — os jogos — conduziria a um progresso rápido na IA de fronteira. Na Nof1 acreditamos que os mercados financeiros são o melhor ambiente de treino para a próxima era da IA. São o motor definitivo de modelação do mundo e o único banco de provas que se torna mais difícil à medida que a IA fica mais inteligente.»
A ambição declarada nessa página vai muito além de manter uma tabela classificativa. A Nof1 diz estar «a usar os mercados para treinar novos modelos de base que criam indefinidamente os seus próprios dados de treino», empregando «aprendizagem aberta e aprendizagem por reforço em larga escala para lidar com a complexidade dos mercados, o chefe final», e procura quem se entusiasme com a ideia de «construir o AlphaZero para o mundo real». Por outras palavras, o Alpha Arena é a experiência pública associada a um programa de investigação bastante maior.
O jornalismo independente corrobora essa identidade e não apenas a sua embalagem. A publicação especializada FinSMEs descreveu a empresa em maio de 2026 como «um laboratório remoto de investigação em IA que treina modelos de ponta focados nos mercados financeiros», noticiando uma ronda de 15 milhões de dólares co-liderada pela SUI Group — cotada na Nasdaq — e pelo fundo de cobertura Karatage Opportunities. O fundador é Jay Azhang, que anunciou publicamente o arranque do projeto a 17 de outubro de 2025 e que tanto a Protos como o meio ucraniano de criptomoedas Incrypted identificam como fundador da Nof1 em coberturas independentes.
O que torna este banco de provas invulgar não é a ideia de testar IA nos mercados — isso faz-se em simulação há anos — mas a recusa de simular. Capital real, execução real, derrapagem real e comissões reais. Como escreveu Azhang no arranque: «6 modelos de IA a negociar 10 000 dólares cada um, com total autonomia — dinheiro real, mercados reais, banco de provas real.»
E o resultado honesto, ao longo de duas temporadas, é que os modelos perderam na sua maioria. É isso o mais interessante neste projeto, e a Nof1 publica-o em vez de o esconder.
Um banco de provas em direto a funcionar com capital real. Cada modelo participante recebe 10 000 dólares de dinheiro efetivo e negoceia autonomamente. A cobertura do arranque pela Incrypted cita o laboratório a descrever modelos que «funcionam de forma completamente autónoma, realizando negócios reais nos mercados de criptomoedas em direto: bitcoin, Ethereum, Solana, Binance Coin, Dogecoin e XRP. Sem intervenção humana. Sem outras restrições além das que os próprios modelos decidam aplicar na gestão do risco.»
Condições idênticas entre fornecedores. O núcleo metodológico é que cada modelo recebe as mesmas entradas e a mesma estrutura de execução. O blogue de investigação da Nof1 expõe o desenho sem rodeios: «Demos 10 000 dólares a seis LLM líderes para negociarem autonomamente em mercados reais usando apenas dados numéricos de mercado como entrada e o mesmo pedido e estrutura.» Sem essa restrição, a comparação não teria sentido; com ela, as diferenças de resultado podem atribuir-se aos modelos e não ao seu andaime.
Quatro pistas de competição paralelas. A Season 1.5 distribui os mesmos modelos por quatro regimes — designados 1: New Baseline, 2: Monk Mode, 3: Situational Awareness e 4: Max Leverage — com uma vista Aggregate Index que os atravessa. Assim, as diferenças de pedido e de postura perante o risco tornam-se variáveis controladas em vez de fatores de confusão, e é por isso que o mesmo modelo pode surgir várias vezes numa classificação com resultados radicalmente diferentes.
Transparência total do raciocínio. É a funcionalidade sem verdadeiro equivalente noutro lado. Cada decisão do fluxo em direto traz o nome do modelo, a sua pista, uma marca temporal e um resumo em linguagem simples, e desdobra-se em três campos em bruto: USER_PROMPT, CHAIN_OF_THOUGHT e TRADING_DECISIONS. Lê-se exatamente o que foi dito ao modelo, como raciocinou e o que acabou por fazer. Para quem estuda o comportamento de modelos sob pressão, esse arquivo é o produto.
Uma classificação com métricas de risco reais, não apenas retornos. A classificação mostra valor da conta, retorno percentual, P&L total, comissões, taxa de acerto, maior ganho, maior perda, rácio de Sharpe e número de operações, com filtro por pista ou vista agregada. Colocar comissões e Sharpe ao lado do retorno bruto é o que a distingue de um simples quadro de resultados e, olhando para os dados, é precisamente aí que está a história.
Modelos de ponta de laboratórios rivais, lado a lado. A classificação observada inclui GROK-4.20, GROK-4, GPT-5.1, CLAUDE-SONNET-4-5, GEMINI-3-PRO, DEEPSEEK-CHAT-V3.1, QWEN3-MAX e KIMI-K2-THINKING. Poucos cenários públicos colocam modelos da OpenAI, Anthropic, Google, xAI, DeepSeek, Alibaba e Moonshot em condições idênticas ao mesmo tempo.
Classes de ativos que mudaram entre temporadas. A temporada 1 negociou perpétuos de criptomoedas. A Season 1.5 passou a ações e índices norte-americanos — o fluxo em direto e a fita de cotações abrangem TSLA, NDX, NVDA, MSFT, AMZN, GOOGL e PLTR. Essa mudança é em si informativa: uma estratégia que funcionava num regime não transita automaticamente.
Calibrar as expectativas sobre o que os LLM realmente fazem. É o valor principal, e baixa as expectativas de forma útil. Se lhe disseram que basta apontar modelos de ponta aos mercados para gerar retornos, o registo publicado é a correção mais barata disponível: entre a temporada 1 e a Season 1.5, os modelos terminaram com lucro apenas seis vezes em 32 conjuntos de resultados.
Estudar o comportamento e a «personalidade» dos modelos em igualdade de condições. A descoberta inicial da própria Nof1 foi que os modelos exibem «diferenças comportamentais reais (risco, dimensionamento, tempo de detenção)». Azhang descreveu isto como «enviesamentos consistentes» equivalentes a «algo como uma 'personalidade' de investidor». Ao ler o arquivo de raciocínios vê-se um modelo a justificar paciência enquanto outro racionaliza alavancagem no mesmo instrumento e à mesma hora.
Investigação sobre sensibilidade aos pedidos. O blogue reporta «uma sensibilidade a pequenas alterações de pedido», e a estrutura de quatro pistas torna isso mensurável em vez de anedótico. Se constrói sistemas com agentes, a diferença visível entre New Baseline e Max Leverage no mesmo modelo é uma lição concreta sobre quanto do comportamento de um agente reside nas suas instruções e não nos seus pesos.
Ensinar e comentar promessas de capacidade em IA. A combinação de um quadro implacável com raciocínios integralmente publicados dá um material pedagógico invulgarmente bom — o raciocínio soa muitas vezes mais autoritário justamente nas passagens em que o resultado correu mal.
Perceber porque os custos de transação dominam estratégias de agentes ingénuas. O próprio balanço da Nof1 nota que «o P&L foi dominado pelos custos de transação nas primeiras execuções, com os agentes a negociar em excesso e a retirar ganhos rápidos e minúsculos que as comissões apagaram». Quem desenhe um agente automatizado que atue com frequência num ambiente com comissões deve ler essa frase duas vezes.
Avaliação comparativa para lá dos bancos de provas estáticos. Para investigadores frustrados por os questionários saturados já não distinguirem modelos de ponta, um mercado real é um banco de provas que resiste à memorização e que, segundo a Nof1, se torna mais difícil à medida que os modelos melhoram.
Para que não serve. Não é um produto de investimento, nem uma ferramenta de negociação, nem um serviço de sinais, nem uma estratégia para copiar. Não oferece aos utilizadores carteira, execução, controlos de risco ou aconselhamento.
Passo 1 — comece pela classificação, não pelo fluxo em direto. O fluxo é cativante mas anedótico. A classificação dá a distribuição: que modelos, em que pistas, acabaram onde e a que custo em comissões.
Passo 2 — leia a coluna de Sharpe antes da coluna do retorno. O retorno diz o que aconteceu; o Sharpe diz se foi conquistado ou apenas sobrevivido. Na classificação observada, os valores de Sharpe agrupam-se perto de zero e passam a negativo — incluindo em modelos bem posicionados no retorno.
Passo 3 — compare um mesmo modelo nas quatro pistas. É o exercício individual mais instrutivo do site. Escolha um modelo presente em New Baseline, Monk Mode, Situational Awareness e Max Leverage e observe a dispersão. Os dados observados mostram o GROK-4.20 a terminar com 13 459 dólares numa pista, enquanto o GROK-4 acabou com 385,02 dólares noutra: o pedido e o regime de risco moveram o resultado mais do que a escolha do modelo.
Passo 4 — desdobre o raciocínio de uma operação perdedora. Abra USER_PROMPT, CHAIN_OF_THOUGHT e TRADING_DECISIONS numa decisão que correu mal. Ler um raciocínio confiante colado a um mau resultado é a cura mais rápida para a confiança excessiva em respostas fluentes de modelos.
Passo 5 — confronte a coluna das comissões com a do P&L. Em vários modelos, as comissões pagas representam uma fração considerável do P&L absoluto, ou excedem-no. É a forma concreta do problema de excesso de negociação documentado pelo laboratório.
Passo 6 — veja as datas antes de tirar conclusões. O site inclui um aviso explícito: «A competição oficial terminou a 3 de dezembro de 2025 às 17:00 EST. Os modelos já não estão a correr.» Salvo se entretanto tiver começado uma nova temporada, o que consulta é o arquivo de uma temporada concluída.
Passo 7 — leia o blogue de investigação pela metodologia, não só pelos resultados. A entrada explica o que foi e o que não foi dado aos modelos, contexto indispensável antes de tratar qualquer número como um veredicto sobre a capacidade geral de um modelo.
Passo 8 — trate com cautela o resultado do «Mystery Model». O vencedor da Season 1.5 é publicado como «Mystery Model», com 12,11 % de retorno agregado em duas semanas e 4 844 dólares obtidos no conjunto das competições. Sendo o vencedor anónimo, esse resultado não pode ser atribuído a nenhum fornecedor.
Dê mais peso ao agregado do que a qualquer pista isolada. Uma pista durante duas semanas é uma amostra muito pequena. O Aggregate Index existe precisamente porque os resultados de um regime isolado são ruidosos, e mesmo o agregado cobre uma janela curta.
Lembre-se do que foi negado aos modelos. Azhang foi explícito ao dizer que a montagem era deliberadamente difícil: «Os LLM não lidam muito bem com dados numéricos de séries temporais, mas foi esse todo o contexto que lhes demos», e aos modelos foi dado «um universo de ativos restrito e um espaço de ação bastante limitado». Maus resultados aqui são prova sobre esta configuração, não demonstração de que os LLM nunca poderão negociar.
Não leia um retorno de duas semanas como perícia. Com taxas de acerto agrupadas entre 25 % e 30 % na temporada 1, as diferenças de resultado em quinze dias estão fortemente carregadas de sorte. O Sharpe, o número de operações e o peso das comissões transportam mais informação do que a posição.
Vigie a dispersão do número de operações. Na temporada 1, o Gemini fez 238 operações contra 38 do Claude Sonnet. A frequência é uma assinatura comportamental que interage diretamente com as comissões e prevê muitas vezes o resultado melhor do que o acerto direcional.
Use a ronda de teste como aviso sobre variância. Antes da temporada pública, a equipa fez um ensaio a 11 de outubro de 2025 com 200 dólares por modelo, no qual o Grok-4 registou 500 % de retorno no primeiro dia. Esse número não tem sentido como sinal de capacidade e ilustra bem por que razão janelas curtas e apostas pequenas induzem em erro.
Não extrapole entre classes de ativos. A temporada 1 foram perpétuos de criptomoedas; a Season 1.5, ações norte-americanas. Os resultados de um regime dizem pouco sobre o outro.
Trate o raciocínio publicado como dados, não como conselho. O arquivo de cadeias de raciocínio tem valor genuíno para investigação. Não é um conjunto de ideias de negociação, e os modelos que o produziram perderam dinheiro mais vezes do que ganharam.
Verifique se há temporada a decorrer antes de assumir que os números estão atuais. O site é honesto quanto ao estado da competição; os leitores que chegam de um artigo com meses muitas vezes não o são.
Investigadores de IA e especialistas em avaliação. Se o seu trabalho envolve medir capacidades de modelos, este é um exemplo raro de banco de provas com um ambiente genuinamente adverso, consequências reais e transparência completa do raciocínio.
Engenheiros que constroem sistemas com agentes. A diferença visível entre pistas é uma lição prática sobre sensibilidade a pedidos e andaime, e a relação entre comissões e P&L é um aviso direto sobre agentes que atuam demasiadas vezes.
Operadores quantitativos e sistemáticos. Não como fonte de estratégia, mas como prova sobre se os modelos de linguagem generalistas representam hoje uma ameaça às abordagens sistemáticas ou lhes dão alavancagem. Os rácios de Sharpe publicados são a resposta pertinente.
Jornalistas, docentes e analistas que cobrem promessas de IA. O conjunto de dados é público, a metodologia está declarada e os resultados contrariam o marketing mais inflacionado do setor. Essa combinação não é fácil de encontrar.
Observadores informados do setor da IA. Se quer saber se modelos de ponta conseguem agir com competência num ambiente aberto e implacável, esta é a prova pública mais direta disponível.
Quem deve ficar de fora. Investidores particulares à procura de sinais para copiar; quem procure uma ferramenta de negociação, gestão de carteira ou serviço de aconselhamento; e quem tomasse uma classificação de duas semanas como base para alocar o próprio dinheiro. A Nof1 não publica qualquer declaração de exoneração em matéria de investimento no seu site, mas os resultados falam por si: a maioria dos participantes perdeu.
O Alpha Arena é um produto exclusivamente web, acedido em nof1.ai. Todo o site consiste em cinco destinos de navegação — LIVE, LEADERBOARD, BLOG, MODELS e ABOUT — e não há aplicação de secretária, aplicação móvel, extensão de navegador nem documentação pública de API. Tudo o que o projeto oferece ao público lê-se num navegador e sem conta.
A infraestrutura de execução difere da camada de apresentação. As operações da temporada 1 foram executadas na Hyperliquid, uma bolsa descentralizada de futuros perpétuos. Segundo a Incrypted, o desempenho dos modelos era ainda acompanhado através de uma folha de cálculo de acesso público que media rácios de Sharpe e valor total da carteira. Terceiros construíram capacidade de seguimento sobre os dados públicos — a Incrypted nota que os utilizadores podiam «seguir os êxitos dos modelos, bem como copiar a sua estratégia, por exemplo através da plataforma Coinpilot». Esse caminho de copy-trading é fornecido por uma plataforma externa e não pela Nof1, o que determina onde ficam o risco e a responsabilidade.
Os anúncios e as atualizações de temporada são distribuídos pela conta oficial de X @the_nof1 e pela conta pessoal do fundador Jay Azhang, onde o arranque foi anunciado pela primeira vez a 17 de outubro de 2025.
Uma nota prática sobre o acesso: o site está atrás do ponto de controlo de segurança da Vercel e pode devolver HTTP 429 a pedidos automatizados. O acesso a partir de um navegador comum não é afetado.
O Alpha Arena é integralmente gratuito para consultar, e não existe qualquer escalão pago.
Não há em parte alguma do site página de preços, sistema de contas, início de sessão, subscrição ou processo de pagamento. Todo o painel público — o fluxo de decisões em direto, a classificação com todas as métricas, os gráficos agregados e o blogue de investigação — está acessível sem registo. A única ação de conversão presente é um convite «Join the Waitlist», e o único apelo à ação da página «Sobre» é de recrutamento: «estamos a contratar: engenheiros, investigadores, fundadores, pensadores originais», seguido de uma ligação de contacto.
Isto é coerente com a natureza da organização. A Nof1 financia-se como laboratório de investigação e não através dos utilizadores. A FinSMEs noticiou em maio de 2026 a ronda de 15 milhões de dólares co-liderada pela SUI Group e pela Karatage Opportunities, com fundos destinados «a expandir as operações e os esforços de desenvolvimento».
Há um produto comercial previsto, mas ainda não existe. Segundo o mesmo artigo, depois da temporada 2 «a Nof1 tenciona lançar uma plataforma de consumo com os primeiros agentes de programação do mundo dedicados aos mercados», construída sobre os modelos de ponta do próprio laboratório. A temporada 2 é descrita como acrescentando pesquisa web, tempo de raciocínio alargado e execução em vários passos, além de desenvolver modelos próprios da Nof1 em vez de apenas testar os alheios. Tudo isto deve ser tratado como um roteiro divulgado e não como funcionalidade entregue — nada disso está disponível hoje.
A implicação prática para quem avalia esta ficha: não há nada para comprar, nada para experimentar e nenhum compromisso a assumir. Também não há relação de suporte, acordo de nível de serviço nem garantia de que alguma temporada específica se realize.
A comparação honesta é que a força do Alpha Arena é exatamente a sua fraqueza. Os mercados reais tornam-no infalsificável e insaturável; tornam-no também escasso em amostra, caro e ruidoso. Complementa os bancos de provas estatísticos mais do que os substitui.
O resultado principal é que os modelos perderam maioritariamente, e esse contexto deve enquadrar tudo o resto. A Protos, numa cobertura independente intitulada «Concurso de negociação de cripto com LLM conclui que os LLM não sabem negociar cripto», noticiou que «quatro dos seis grandes modelos de linguagem que se defrontaram na competição de negociação de cripto 'Alpha Arena' terminaram em prejuízo, com o ChatGPT da OpenAI a liderar as perdas depois de perder 63 % dos seus fundos».
As perdas por modelo foram substanciais. Números da Protos para a temporada 1: o ChatGPT perdeu 6 267 dólares, o Gemini 5 671, o Grok 4 531 e o Claude Sonnet 3 081. Apenas dois terminaram à frente — a DeepSeek com +489 dólares e o QWEN3 MAX com +2 232.
O padrão manteve-se entre temporadas. A FinSMEs noticia que na temporada 1 e na Season 1.5 combinadas, com oito modelos a receberem 10 000 dólares cada, «em 32 conjuntos de resultados os modelos terminaram com lucro apenas seis vezes». Isso equivale a cerca de 81 % de insucessos ao nível modelo-pista.
As taxas de acerto foram fracas e homogéneas. Os seis modelos da temporada 1 situaram-se todos entre 25 % e 30 %. A frequência de negociação variou enormemente — 238 operações do Gemini contra 38 do Claude Sonnet —, o que significa que se comparam estratégias comportamentais bastante diferentes e não apenas qualidades de julgamento.
As comissões devoraram a vantagem. A própria Nof1 reconheceu que «o P&L foi dominado pelos custos de transação nas primeiras execuções, com os agentes a negociar em excesso e a retirar ganhos rápidos e minúsculos que as comissões apagaram». O QWEN3 MAX foi quem mais pagou em comissões, 1 654 dólares; o Gemini pagou 1 331 enquanto perdia pesadamente.
Mesmo entre os vencedores, o desempenho ajustado ao risco foi fraco. A classificação observada mostra rácios de Sharpe agrupados perto de zero — 0,019158 no modelo com maior valor de conta, 0,009537 e 0,000667 nos dois seguintes, com valores negativos como -0,010358 e -0,038861 mais abaixo. Retornos positivos com Sharpe quase nulo em duas semanas não atestam perícia.
A dispersão dentro de um mesmo modelo mina as conclusões ao nível do modelo. O GROK-4.20 terminou uma pista com 13 459 dólares (+34,59 %) enquanto o GROK-4 acabou outra com 385,02 dólares — quase uma perda total. Quando os modelos do mesmo fornecedor ocupam ambos os extremos, a classificação diz mais sobre o regime e a sorte do que sobre capacidade.
A amostra é demasiado pequena para afirmações estatísticas, e o laboratório concorda. A Protos noticia que a Nof1 «diz que haverá outra competição com melhores pedidos e 'rigor estatístico'» — reconhecimento implícito de que as temporadas existentes carecem disso. Duas semanas, um punhado de modelos e algumas dezenas de conjuntos de resultados não sustentam inferências fortes.
A estrutura restringe os modelos, algo que o laboratório documenta abertamente. O balanço da Nof1 afirma: «Trabalhámos para dar aos modelos uma oportunidade justa, mas a estrutura impõe restrições reais. Cada agente tem de analisar características de mercado ruidosas, relacioná-las com o estado atual da conta, raciocinar sob regras estritas e devolver uma ação estruturada, tudo dentro de uma janela de contexto limitada.» Azhang acrescentou que aos modelos foi dado «um universo de ativos restrito e um espaço de ação bastante limitado» e apenas séries temporais numéricas, um formato que os LLM tratam mal. Maus resultados são, por isso, prova sobre esta configuração específica.
A competição não está atualmente a decorrer. O site di-lo sem rodeios: «A competição oficial terminou a 3 de dezembro de 2025 às 17:00 EST. Os modelos já não estão a correr.» Quem chegue à espera de ação em direto pode encontrar apenas um arquivo.
O vencedor da Season 1.5 não é atribuível. A entrada vencedora é publicada como «Mystery Model» — 12,11 % de retorno agregado em duas semanas e 4 844 dólares no conjunto das competições. Um vencedor anónimo não pode ser creditado a nenhum fornecedor, o que limita o alcance desse resultado.
Não há qualquer divulgação jurídica ou de governação no site. A página «Sobre» não nomeia entidade jurídica registada, jurisdição de constituição, morada nem equipa. Na página inicial, em «Sobre» e na classificação não existe ligação para política de privacidade, condições de serviço ou política de cookies. A identidade da empresa é corroborada pela imprensa financeira de terceiros e não pelo próprio site.
Não há declaração de exoneração em matéria de investimento nem estatuto regulatório declarado. O site não afirma que os resultados não constituem aconselhamento de investimento, e a Nof1 não divulga qualquer licença financeira ou autorização regulatória. Trata-se de uma demonstração de investigação e não de um serviço financeiro regulado; as operações publicadas não devem ser lidas como recomendações.
O copy-trading acontece fora do perímetro da Nof1. Uma vez que plataformas de terceiros permitem espelhar as estratégias dos modelos, quem o faça assume risco de capital e exposição regulatória num local que a Nof1 não opera nem supervisiona.
Os pedidos e raciocínios publicados não têm licença declarada. Os registos completos de USER_PROMPT e CHAIN_OF_THOUGHT são consultáveis abertamente, mas o site não fixa condições explícitas para a sua reutilização, o que deixa indefinida a posição quanto a republicação ou uso como conjunto de dados.
Totalmente. O fluxo de decisões em direto, a classificação com todas as métricas, os gráficos agregados e o blogue de investigação podem ser consultados sem conta, e não existe página de preços, subscrição ou processo de pagamento em lado nenhum. Os únicos dados que pode submeter são um endereço de email para a lista de espera ou uma mensagem através do formulário de contacto.
Sim. A cada modelo participante foram atribuídos 10 000 dólares de capital real, negociando autonomamente sem intervenção humana. A temporada 1 executou perpétuos de criptomoedas na bolsa descentralizada Hyperliquid; a Season 1.5 negociou ações e índices norte-americanos, incluindo TSLA, NVDA, MSFT, AMZN, GOOGL, PLTR e o índice NDX.
Modelos de ponta de laboratórios rivais correm lado a lado em condições idênticas. A classificação observada inclui GROK-4.20, GROK-4, GPT-5.1, CLAUDE-SONNET-4-5, GEMINI-3-PRO, DEEPSEEK-CHAT-V3.1, QWEN3-MAX e KIMI-K2-THINKING, abrangendo OpenAI, Anthropic, Google, xAI, DeepSeek, Alibaba e Moonshot.
Na sua maioria não, e essa é a conclusão central. Quatro dos seis modelos terminaram a temporada 1 em prejuízo, com o ChatGPT a perder 63 % dos seus fundos. Entre a temporada 1 e a Season 1.5, os modelos terminaram com lucro apenas seis vezes em 32 conjuntos de resultados. Mesmo nas execuções lucrativas, os rácios de Sharpe rondavam o zero.
A Nof1 não oferece qualquer funcionalidade de copy-trading. Plataformas de terceiros como a Coinpilot construíram sobre os dados públicos a possibilidade de espelhar estratégias, mas isso está fora do controlo da Nof1 e, dado que a maioria dos modelos perdeu dinheiro nas temporadas publicadas, fazê-lo seria pouco aconselhável.
O site indica que a competição oficial terminou a 3 de dezembro de 2025 às 17:00 EST e que os modelos já não correm. Salvo se entretanto tiver começado uma nova temporada, o que se mostra é o arquivo de uma temporada concluída. A Nof1 afirmou que planeia outra competição com melhores pedidos e maior rigor estatístico.
A Nof1 é um laboratório de investigação em IA fundado por Jay Azhang, descrito pela FinSMEs como «um laboratório remoto de investigação em IA que treina modelos de ponta focados nos mercados financeiros». Angariou 15 milhões de dólares em maio de 2026 numa ronda co-liderada pela SUI Group, cotada na Nasdaq, e pelo fundo Karatage Opportunities. O próprio site não publica nome de entidade jurídica registada, morada nem equipa.
A Season 1.5 correu quatro regimes — New Baseline, Monk Mode, Situational Awareness e Max Leverage — que variam as instruções e a postura perante o risco dadas aos mesmos modelos. O blogue de investigação da Nof1 reporta «uma sensibilidade a pequenas alterações de pedido», e a classificação confirma-o: os modelos do mesmo fornecedor ocupam tanto o topo como o fundo da tabela observada.
Não. É um banco de provas de investigação, não um serviço financeiro. O site não publica declaração de exoneração em matéria de investimento e a Nof1 não divulga licença financeira nem autorização regulatória, pelo que nada do que é mostrado deve ser lido como recomendação. O próprio registo público a mostrar que a maioria dos modelos perdeu dinheiro é o argumento mais forte contra usá-lo como orientação.
Não deve considerá-los estatisticamente sólidos, e a Nof1 também não o pretende: anunciou que as competições futuras acrescentarão «rigor estatístico», concedendo implicitamente que às atuais isso falta. O valor está na transparência e na direção da conclusão, não na precisão: uma amostra pequena continua a ser informativa quando a taxa de insucesso ronda os 81 % e o raciocínio por trás de cada operação é publicado e verificável.
