ai-powered-markdown-translatorArtigo traduzido do fr para o pt com gpt-6.1-sol.
Sexta-feira, 2 de outubro, a Meta publica seis artigos de matemática elaborados por investigadores com o seu modelo Muse Spark; segundo a Meta, cinco deles respondem a questões de investigação que permaneciam em aberto. A Anthropic compromete 100 milhões de dólares para formar 10 000 engenheiros de implementação com a Claude Frontier Academy e publica o Claude Code 2.1.288, enquanto a NVIDIA anuncia um DGX Spark de 64 GB a partir de 4 999 dólares. Dois anúncios da noite anterior completam o dia: a Decisions API da Perplexity, que responde com probabilidades usando um modelo publicado com pesos abertos, e o satélite da Google que leva as suas primeiras TPU para órbita.
Meta publica seis artigos de matemática escritos com Muse Spark, Ai2 disponibiliza AstaBrief, a IA da Google prevê a gripe
2 de outubro — A Meta publica no seu blog de investigação seis artigos de matemática elaborados por investigadores com Muse Spark, o seu modelo próprio. Segundo a Meta, cinco deles dão resposta a questões de investigação até então em aberto, sem que a publicação especifique qual é a exceção. Os matemáticos trabalharam nos últimos meses com Muse Spark 1.1 e 1.2 no modo Thinking, diretamente na interface de chat de meta.ai, sem uma estrutura de investigação à medida (custom research scaffold).
Following gold-medal-level performance from our AI models across five competitions in mathematics, physics, and chemistry, we asked a harder question: can AI contribute when a problem is genuinely open and without an existing solution path?
🇵🇹 Depois de os nossos modelos de IA alcançarem desempenhos ao nível de medalha de ouro em cinco competições de matemática, física e química, colocámos uma questão mais difícil: pode a IA contribuir quando um problema está realmente em aberto e não existe nenhum caminho para a sua solução? — @AIatMeta no X
O protocolo apresentado é rigoroso: uma equipa de matemáticos orienta a investigação, um segundo grupo revê o trabalho, e cada artigo identifica as passagens redigidas principalmente pelos investigadores ou pela IA. O contributo do modelo varia bastante de um artigo para outro, desde cálculos auxiliares até à redação de secções inteiras:
| Área matemática | Resultado anunciado pela Meta | Contributo de Muse Spark segundo a Meta |
|---|---|---|
| Probabilidades | Limiar estrito para ajustar um elipsoide que passa por pontos gaussianos aleatórios em dimensão elevada | Estratégias de demonstração |
| Equações diferenciais | Explosão em tempo finito das soluções radiais de energia negativa da equação de Schrödinger não linear bi-harmónica com massa crítica, questão em aberto desde 2015 | Cálculos, teste de argumentos, revisão da demonstração |
| Teoria dos grupos | Um grupo semiabeliano não é necessariamente monomial: contraexemplo de ordem 384 a uma conjectura de M. Kida (2024) | Programa de pesquisa escrito em GAP, que encontrou o contraexemplo |
| Otimização | Regra exata que indica quando uma relaxação por ciclos representa o problema original | Reformulação probabilística, contraexemplo, estratégia de demonstração |
| Física aritmética | A função de dois pontos da teoria das cordas p-ádica é igual a uma função de altura, numa classe de curvas muito mais ampla do que a curva de Tate | Demonstrações candidatas, três secções técnicas redigidas |
| Álgebra não associativa | Contraexemplo de dimensão 3 a uma conjectura sobre álgebras de evolução solúveis | Contraexemplo e caracterizações alternativas |
A Meta reconhece que três destes problemas também foram resolvidos noutros contextos: três trabalhos publicados em agosto sobre o limiar gaussiano, um contraexemplo à conjectura de Kida comunicado a 16 de setembro pelo agente de IA Nilradical, e contraexemplos sobre álgebras de evolução por Hu e Wen. Segundo a Meta, os seus próprios resultados foram obtidos de forma independente, através de outras abordagens. O anúncio segue-se ao da OpenAI, que afirmou a 21 de setembro que um modelo interno tinha resolvido mais de 100 problemas em aberto; a Meta insiste na utilização de um modelo disponível ao público, tal como é fornecido, e na transparência quanto ao contributo da IA, sendo todas as demonstrações verificadas, corrigidas e reescritas por matemáticos.
🔗 Resolver juntos problemas de investigação em aberto (Meta AI Research)
AstaBrief 8B: Ai2 disponibiliza um modelo que redige relatórios científicos com citações
2 de outubro — A Ai2 disponibiliza AstaBrief 8B, um modelo que transforma uma questão de investigação e excertos de literatura num relatório científico com citações. Passa agora a alimentar o modo Fast da função « Gerar um relatório » de Asta, a plataforma de agentes da Ai2 para a ciência, ao lado do modo Thinking baseado em Claude. A receita continua simples: Qwen3-8B, um ajuste supervisionado (SFT) com 47 000 exemplos produzidos pelo pipeline ScholarQA, seguido de uma otimização direta de preferências (DPO) com cerca de 6 000 pares, sem aprendizagem por reforço. Os pesos, sob licença Apache-2.0 segundo a ficha do modelo, e os dados de treino são publicados: um laboratório pode executá-lo no seu próprio equipamento.
O modelo escreve o relatório numa única passagem. Considerando todo o pipeline de Asta, um relatório demora em média 51,1 segundos no modo Fast contra 178,5 no modo Thinking, ou seja, é cerca de 3,5 vezes mais rápido. Num pequeno estudo com avaliação humana (14 questões, 3 investigadores), DR Tulu vence na preferência global, mas dois dos três investigadores preferem AstaBrief pela exatidão das citações. A Ai2 avisa que a maior parte do treino e da avaliação data de 2025 e não foi repetida com os modelos atuais.
🔗 Disponibilização de AstaBrief em open-source (Ai2)
Gripe: um modelo concebido com a IA da Google fica em primeiro entre 39 na avaliação FluSight dos CDC
30 de setembro — A Google anuncia que um modelo de previsão da gripe concebido com a sua IA foi o melhor da época 2025-2026 no FluSight, o sistema dos Centros de Controlo e Prevenção de Doenças (CDC) dos Estados Unidos que agrega semanalmente, de outubro a maio, as previsões de admissões hospitalares. O relatório de fim de época dos CDC confirma-o: dos 39 modelos selecionados entre os 53 submetidos por 34 equipas, o primeiro dos modelos individuais é Google_SAI-FluEns, com um WIS relativo de 0,56 (uma pontuação de erro: quanto mais baixa, melhor a previsão), à frente de três modelos com 0,58, incluindo OHT_JHU-nbxd. O conjunto FluSight, que os CDC utilizam na sua comunicação pública, fica em 7.º lugar.
Estas previsões foram desenvolvidas com Empirical Research Assistance (ERA), uma ferramenta de IA da Google que gera algoritmos de otimização para diferentes áreas científicas, disponível para testadores de confiança. O artigo de investigação associado descreve um sistema autónomo que escreve, avalia e melhora o seu próprio código de previsão através de uma pesquisa em árvore orientada por um LLM; também produziu modelos para a COVID-19 e o vírus sincicial respiratório (VSR).
🔗 Publicação da Google Research · Relatório FluSight 2025-2026 dos CDC
Perplexity lança a Decisions API e disponibiliza pplx-decider-v1-27b, llama.cpp serve modelos de decisão
1 de outubro — A Perplexity disponibiliza uma nova API, a Decisions API, e publica sob licença Apache 2.0 o modelo que a alimenta, pplx-decider-v1-27b. O anúncio foi divulgado à noite por @perplexitydevs, a conta da empresa dedicada aos developers. Em vez de redigir uma resposta, este modelo de decisão (decision model) devolve uma distribuição de probabilidades sobre um conjunto fixo de respostas: lê texto, JSON ou imagens, mas não escreve respostas, não gera código e não explica o seu raciocínio.
Estão previstos três tipos de questões: noul devolve a probabilidade de um sim, choice escolhe entre 1 e 255 opções com uma probabilidade para cada uma e um índice de confiança, score posiciona o conteúdo numa grelha com um máximo de 10 níveis. Um pedido pode colocar até 128 questões sobre o mesmo conteúdo e deve ficar, incluindo as questões, abaixo de 262 144 tokens de entrada. O preço é de 0,04 dólares por milhão de tokens de entrada, a saída é gratuita e não é cobrada nenhuma taxa por pedido; cada organização pode enviar 10 pedidos por segundo, independentemente do seu plano. A Perplexity visa a classificação, o encaminhamento e a atribuição de pontuações segundo uma grelha: o seu exemplo de referência (cookbook) faz a triagem de tickets de suporte, com a Decisions API a tomar a primeira decisão e a Agent API a tratar dos encaminhamentos para níveis superiores.
O modelo é ajustado a partir de Qwen3.8-27B; os seus pesos, no Hugging Face, exigem uma GPU CUDA capaz de alojar cerca de 49 GiB, além da memória de trabalho. A sua ficha compara-o com Jev, outro modelo de decisão, e com o seu modelo de base em onze benchmarks, sendo os resultados de pplx-decider-v1-27b medidos através da API da Perplexity:
| Benchmark (precisão) | Pontuação de Jev | Pontuação de Qwen3.8-27B (modelo de base) | Pontuação de pplx-decider-v1-27b |
|---|---|---|---|
| WinoGrande | 90,70 % | 73,10 % | 83,30 % |
| FinancialPhraseBank | 76,98 % | 75,68 % | 84,18 % |
| RAGTruth | 77,27 % | 61,53 % | 88,80 % |
| JudgeBench | 78,57 % | 68,86 % | 78,29 % |
| BBH | 94,27 % | 72,80 % | 82,80 % |
| JevBench public hard | 73,27 % | 72,28 % | 70,30 % |
| TabFact | 89,80 % | 78,60 % | 90,60 % |
| ContractNLI | 77,45 % | 80,78 % | 80,78 % |
| Circa | 84,60 % | 87,00 % | 89,20 % |
| Belebele | 95,00 % | 93,20 % | 94,00 % |
| TruthfulQA binary | 92,00 % | 82,80 % | 85,40 % |
| Global (segundo a ficha) | 84,51 % | 74,76 % | 85,71 % |
Na linha Global, destacada no anúncio, pplx-decider-v1-27b supera Jev, com 85,71 % contra 84,51 %, mas a ficha não especifica como esta linha é calculada. De acordo com a tabela publicada, Jev continua à frente em seis dos onze benchmarks, incluindo BBH e WinoGrande, e no JevBench public hard o modelo da Perplexity fica até atrás do seu modelo de base.
🔗 Anúncio de @perplexitydevs · Documentação da Decisions API · pplx-decider-v1-27b no Hugging Face
llama.cpp serve modelos de decisão com a API /v1/systemone, compatível com Jev
2 de outubro — O servidor de llama.cpp já consegue servir modelos de decisão através de um novo endpoint, /v1/systemone, introduzido pela PR n.º 29818, integrada a 2 de outubro. A publicação de ggml-org, assinada por Xuan-Son Nguyen e Victor Mustar, descreve o princípio: envia-se um estado (texto, JSON, captura de ecrã) e questões tipadas, choice, score (de 2 a 10 níveis) ou noul (sim ou não), e o modelo devolve uma probabilidade por opção numa única passagem. A API adota o formato System One introduzido por Jev, o modelo da TypeSafe: um cliente existente só precisa de alterar o URL de base. Um modo de encaminhamento carrega vários modelos a pedido no mesmo servidor.
| Modelo de decisão suportado | Tamanho do modelo | Modelo de base | Tempo mediano por questão |
|---|---|---|---|
| Julia-1 (mais de 50 línguas) | 144M | mmBERT-small | 3 ms |
| Laya | 421M | ModernBERT-large | 5 ms |
| Kev-4B | 4B | Qwen3.5-4B-Base | 12 ms |
| lev | 4B | Qwen3.5-4B | 36 ms |
| OpenJev (também lê imagens) | 27B | Qwen3.8-27B | 43 ms |
Os tempos são medidos numa NVIDIA RTX PRO 6000. Próximo modelo anunciado: Clef, que a Cloudflare apresentou a 1 de outubro com uma API compatível com a de Jev; ggml-org criou a 2 de outubro os repositórios GGUF de Clef e Clef-flash no Hugging Face.
🔗 Novidade em llama.cpp: modelos de decisão
Anthropic lança a Claude Frontier Academy e compromete 100 milhões de dólares para formar 10 000 engenheiros
2 de outubro — A Anthropic lança a Claude Frontier Academy, um programa de formação apoiado por um compromisso de 100 milhões de dólares. O objetivo é formar 10 000 engenheiros de implementação de ponta (Frontier Deployed Engineers, FDE) até ao final de 2027. Os primeiros grupos reúnem engenheiros da Accenture, Bain, Capgemini, Commonwealth Bank of Australia, Deloitte, McKinsey, Morgan Stanley e Novo Nordisk.
O primeiro programa, a Frontier Deployed Engineer Residency, segue o modelo da formação médica. Segundo a página do programa, começa com um módulo intensivo de quatro dias: três dias presenciais a construir um sistema Claude para uma empresa simulada, seguidos de uma prova avaliada que atribui o badge Claude Resident Engineer. Seguem-se doze semanas de residência a implementar o Claude na própria organização e, depois, uma avaliação final para obter o badge Claude Frontier Deployed Engineer; os primeiros são esperados no início de 2027.
O acesso continua restrito: participação por nomeação, acesso antecipado reservado a clientes e parceiros selecionados, grupos em São Francisco, Nova Iorque e Londres. A Academy dá continuidade ao Claude Partner Network (46 000 empresas, mais de 175 000 certificações), lançado em março com 100 milhões de dólares; a publicação não esclarece se a nova verba se soma a esse montante.
🔗 Anúncio da Anthropic · Página do programa
Agentes: Claude Code 2.1.288, GLM 5.3 no Cursor, Replit, DeepSeek Harness e o banco de testes SWE-sweep
Claude Code 2.1.288 elimina o limite dos comandos em segundo plano em sessões interativas
2 de outubro — O Claude Code 2.1.288 chega com 89 entradas, incluindo 64 correções. A alteração mais visível diz respeito aos comandos executados em segundo plano: o limite de tempo introduzido pela versão 2.1.285 (30 minutos por predefinição, 2 horas no máximo) passa a aplicar-se apenas às sessões sem supervisão (-p, Agent SDK, CI, cloud). No terminal, na aplicação de desktop e no VS Code, um comando em segundo plano pode voltar a ser executado sem limite.
Um prompt apagado por engano com Ctrl+C pode ser recuperado com a seta para cima, /code-review aceita --max-findings para apresentar mais ou menos problemas, claude project purge passa a ser claude purge, e os mods, lançados na véspera, recebem $.ui.selection(), que devolve o último texto selecionado em ecrã inteiro. Quando a API expira a meio de uma resposta, as sessões não interativas e os subagentes retomam a partir da resposta parcial em vez de falharem. Em matéria de segurança, um rm perigoso inserido num script bash -c deixa de passar sem confirmação no modo bypassPermissions, e um hook PreToolUse ou PermissionRequest cuja correspondência falhe passa a bloquear a chamada em vez de ser ignorado. Por fim, o classificador do modo auto do lado do cliente passa a ignorar uma variável ANTHROPIC_DEFAULT_SONNET_MODEL que indique Sonnet 5.5 ou Opus 5.5 e utiliza Claude Sonnet 5 em seu lugar.
Seis minutos após a release, @ClaudeDevs destacou You should know, um mod integrado que inicia um agente secundário encarregado de apresentar, acima do prompt, as informações que não se devem perder. Já figurava entre os seis mods integrados apresentados a 1 de outubro e continua desativado por predefinição.
We’re adding a new plugin to Claude Code: You should Know. It scans Claude’s output for important information you might miss to help keep you in the loop. Enable it with: /plugin enable cc-plugin-you-should-know@builtin
🇵🇹 Estamos a adicionar um novo plugin ao Claude Code: You should Know. Analisa a saída do Claude à procura de informações importantes que lhe possam escapar, para o manter informado. Ative-o com: /plugin enable cc-plugin-you-should-know@builtin — @ClaudeDevs no X
🔗 Notas de versão do Claude Code 2.1.288
GLM 5.3 e GLM 5.3 Flash chegam ao Cursor
1 de outubro — O Cursor adiciona GLM 5.3 e GLM 5.3 Flash, os modelos abertos da Z.ai, ao seu seletor de modelos e afirma que GLM 5.3 Max ocupa o primeiro lugar entre os modelos abertos no seu próprio banco de testes.
GLM 5.3 and GLM 5.3 Flash are now available in Cursor! GLM 5.3 Max is the best-scoring open-weight model on CursorBench 4.0.
🇵🇹 GLM 5.3 e GLM 5.3 Flash já estão disponíveis no Cursor! GLM 5.3 Max é o modelo de pesos abertos com a melhor pontuação no CursorBench 4.0. — @cursor_ai no X
O gráfico anexo posiciona os modelos segundo a sua pontuação no CursorBench 4.0 e o custo médio por tarefa, mas identifica apenas um ponto: o de GLM 5.3 assinalado com « (max) », a 42,6 % por 5,05 dólares por tarefa. Segundo esse gráfico, GLM 5.3 continua abaixo de Claude Opus 5.5, Claude Sonnet 5.5, Fable 5.1 e Grok 4.7; não aparece qualquer outro modelo aberto, nem GLM 5.3 Flash. O Cursor não publicou preços, uma publicação ou uma metodologia que sustente a sua classificação.
Replit disponibiliza GPT-6.1 Sol e Claude Sonnet 5.5 no Agent, e Jev nas suas AI Integrations
2 de outubro — O changelog da Replit adiciona dois modelos recentes às opções do Replit Agent: Claude Sonnet 5.5 no modo Power e GPT-6.1 Sol no modo Max. A mesma entrada disponibiliza Jev, o modelo de decisão já mencionado em comparação com pplx-decider-v1-27b, nas Replit AI Integrations: uma aplicação pode classificar conteúdo, encaminhar pedidos ou atribuir pontuações a potenciais clientes através de decisões rápidas e estruturadas, sem gerir uma chave API. A documentação especifica que Jev é disponibilizado com o identificador jev-latest através do OpenRouter. As definições passam a abrir numa página inteira, e as contas Enterprise podem estabelecer regras para toda a empresa, com exceções por equipa (Workspace). A entrada não indica preços.
🔗 Changelog da Replit de 2 de outubro
DeepSeek Harness pode ser instalado no macOS e no Windows
30 de setembro — A conta @DeepSeekHarness anuncia uma versão de desktop do DeepSeek Harness, o harness de agentes open source da DeepSeek, para macOS e Windows. A 2 de outubro, a conta principal @deepseek_ai partilha o anúncio e esclarece que os utilizadores de Linux recorrem ao pacote npm @deepseek-ai/dsh. Os instaladores podem ser descarregados no site da DeepSeek, para macOS com chip ARM e para Windows x64.
A página oficial, assinalada como PREVIEW, apresenta o Harness como uma versão preliminar pública, aberta a todo o mundo e open source. Assenta na arquitetura «tudo é um plugin» (everything is a plugin) do framework Cordis e abrange o trabalho de escritório (ficheiros, dados, documentos, apresentações), código, pesquisa com citação de fontes e tarefas em segundo plano, com um modo Creator que permite escrever novos plugins através da conversa. A novidade está na distribuição: a versão preliminar de 29 de setembro já integrava o comando dsh na aplicação de desktop, e ainda não foi publicada qualquer versão estável no GitHub.
🔗 Anúncio de @deepseek_ai · Página do DeepSeek Harness
SWE-sweep: um banco de testes em que os agentes têm de encontrar sozinhos os bugs a corrigir
1 de outubro — Investigadores da Meta Superintelligence Labs, em colaboração com Harvard, a Universidade de Washington e Stanford, disponibilizam o SWE-sweep, um banco de testes que pede aos agentes de código que descubram por si próprios os bugs de um repositório real e corrijam o maior número possível, sem pistas sobre a sua natureza ou localização. O conjunto abrange 100 repositórios e 4 068 bugs; o código, sob licença MIT, assenta no framework Harbor, e Ofir Press e John Yang figuram entre os autores. Ainda não há qualquer anúncio a acompanhar o repositório, criado a 1 de outubro.
A classificação, atualizada a 24 de setembro e medida com o agente mini-SWE-agent, mostra a dimensão da tarefa:
| Posição na classificação | Modelo avaliado | Bugs resolvidos | Custo total |
|---|---|---|---|
| 1 | Sol 5.6 (xhigh), OpenAI | 4,7 % | 7 230 dollars |
| 2 | Luna 5.6 (xhigh), OpenAI | 2,5 % | 224 dollars |
| 3 | Terra 5.6 (xhigh), OpenAI | 1,5 % | 357 dollars |
| 4 | Luna 5.6 (high), OpenAI | 1,4 % | 28 dollars |
| 5 | Opus 5 (xhigh), Anthropic | 1,3 % | 5 363 dollars |
Computação e hardware: primeiras TPU em órbita, DGX Spark 64 Go, DeepGEMM e DeepEP no Ascend 950
Project Suncatcher: o satélite protótipo da Google leva as suas primeiras TPU para órbita
1 de outubro — Uma semana depois de anunciar o seu primeiro teste em órbita, a Google lançou o satélite protótipo do Project Suncatcher, um projeto de investigação de longo prazo (moonshot) que procura descobrir se o espaço poderá um dia acolher uma infraestrutura de aprendizagem automática em grande escala. Construído com a Planet, o satélite chegou à órbita a bordo da Transporter-18, uma missão de lançamento partilhado da SpaceX; segundo Travis Beals, da Google, a equipa estabeleceu contacto e o satélite funciona como previsto.
Nas próximas semanas, a Google medirá como as suas TPU suportam as exigências do voo espacial e os extremos de radiação e temperatura; em terra, as TPU Trillium já tinham suportado uma dose de radiação superior à de uma missão de cinco anos. O artigo revisto por pares que detalha a investigação é publicado na revista Joule. Ao partilhar o lançamento a 2 de outubro, @GoogleAI recorda o argumento do projeto: em órbita baixa, a luz solar é quase constante e os satélites podem produzir até 8 vezes mais energia solar do que na Terra. Próxima etapa anunciada: dois satélites em 2027 para testar ligações laser.
🔗 O protótipo do Project Suncatcher está em órbita · O artigo publicado na Joule · A partilha de @GoogleAI
DGX Spark 64 Go: NVIDIA adiciona uma configuração à venda a partir de 23 de outubro
2 de outubro — A NVIDIA adiciona ao seu DGX Spark uma configuração com 64 Go de memória unificada, a par do modelo de 128 Go. Será vendida exclusivamente por seis fabricantes parceiros, Acer, ASUS, Dell, Gigabyte, HP e MSI, a partir de sexta-feira, 23 de outubro, com um preço inicial de 4 999 dólares; a publicação não indica o preço atual do modelo de 128 Go. A base mantém-se: chip GB10 Grace Blackwell, DGX OS e stack de software NVIDIA AI, para modelos com até 100 mil milhões de parâmetros executados na máquina.
O principal argumento é o agrupamento em cluster: duas unidades ligadas por um cabo QSFP nas suas placas de rede ConnectX-7 partilham a memória.
| Característica técnica | Um DGX Spark 64 Go | Dois DGX Spark 64 Go em cluster |
|---|---|---|
| Memória unificada | 64 Go | 128 Go partilhados |
| Dimensão de modelo anunciada | Até 100 mil milhões de parâmetros | Até 200 mil milhões de parâmetros |
| Desempenho no Qwen 3.8 27B (teste NVIDIA) | Referência | Até 1,7 vezes |
A aplicação NVIDIA Sync trata disso com o Cluster Assistant, que deteta as unidades e configura a rede. O NVIDIA Sync Model Launcher, anunciado para o final do mês, descarregará e executará Qwen3.8 27B numa máquina ou num cluster, e configurará o OpenCode para o utilizar.
🔗 Publicação da NVIDIA sobre o DGX Spark 64 Go
DeepSeek adapta DeepGEMM e DeepEP às NPU Ascend 950 da Huawei
29 e 30 de setembro — A DeepSeek publicou no GitHub, sem anúncio, duas adaptações das suas bibliotecas de computação às NPU Ascend da Huawei. DeepGEMM-Ascend, cujo README data a primeira versão de 30 de setembro, reproduz integralmente a API do DeepGEMM: multiplicações de matrizes em BF16, FP8 e FP4, logits MQA e MegaMoE, sob licença MIT, para a série Ascend 950. DeepEP-Ascend adapta a biblioteca de comunicação do paralelismo de especialistas (expert parallelism) dos modelos MoE, com as operações all-to-all de distribuição (dispatch) e recombinação (combine).
No Ascend 950DT, o DeepEP-Ascend mede uma distribuição de 373 a 375 Go/s com 8 ranks e de 313 a 320 Go/s com 128 ranks; até 32 ranks, atinge cerca de 90 a 95 % do limite físico da largura de banda. Estes valores foram obtidos com um kit de hardware (HDK) de prova de conceito fornecido à DeepSeek e uma configuração manual, que não foram disponibilizados publicamente; o README remete para a versão comercial, cuja disponibilidade a Huawei prevê para cerca de 15 de outubro.
🔗 DeepGEMM-Ascend no GitHub · DeepEP-Ascend no GitHub
Voz e áudio: Suno Speech em beta, ElevenLabs com certificação FedRAMP 20x Class A
Suno Speech gera voz falada e música de fundo numa única faixa
1 de outubro — A Suno disponibiliza em beta o Speech, uma funcionalidade que cria áudio falado sobre música de fundo original, diretamente no Suno: introduz-se uma ideia, um poema ou um texto e, depois, descrevem-se a voz e o estilo musical pretendidos. A Suno apresenta o Speech como o primeiro modelo de áudio que gera voz e música em conjunto, numa única faixa coesa. Testada durante um mês por um pequeno grupo de utilizadores, a funcionalidade está agora disponível para todos, após uma atualização da aplicação.
A publicação, assinada pelo diretor de produto Jack Brody, refere sobretudo utilizações pessoais: mensagens de amigos transformadas em leituras dramáticas, notas de voz acompanhadas de música, meditações ou histórias para adormecer. A Suno avisa que a beta ainda é imperfeita: um sotaque britânico pode passar a australiano, e as pausas dramáticas podem ser muito acentuadas. Não são especificados preços, planos ou idiomas suportados.
🔗 Apresentação do Speech (Suno)
ElevenLabs obtém certificação FedRAMP 20x Class A para ElevenAgents e as suas API de voz
1 de outubro — A ElevenLabs obtém a certificação FedRAMP 20x Class A, o quadro através do qual as agências federais dos Estados Unidos decidem se um produto cloud pode ser utilizado em segurança com dados governamentais. Abrange o ElevenAgents e as API Text to Speech e Speech to Text, desde que funcionem em Zero Retention Mode com residência dos dados nos Estados Unidos. Amplia a oferta ElevenLabs for Government, e a empresa passa a figurar no FedRAMP Marketplace. Segundo o FedRAMP, citado pela ElevenLabs, o nível Class A é suficiente para a maioria das utilizações não sensíveis das agências; a ElevenLabs refere pedidos de prestações sociais, licenças, impostos ou transcrição de audiências.
A ElevenLabs sustenta o anúncio com implementações existentes no setor público:
| Implementação no setor público citada | Valor anunciado pela ElevenLabs |
|---|---|
| Linha nacional de emprego (Ucrânia) | 25 % processados por agentes conversacionais |
| Linhas de prestações sociais e emprego (Chéquia) | 85 % de cerca de 5 000 chamadas por dia resolvidas |
| Cidade de Midland | Menos 7 000 chamadas não atendidas por mês (projeção) |
ChatGPT disponibiliza Finances aos utilizadores Free e Go nos Estados Unidos
2 de outubro — Finances, o espaço do ChatGPT dedicado às finanças pessoais, chega aos planos Free e Go nos Estados Unidos, na web, no iOS e no Android. A funcionalidade já existia para os subscritores Plus e Pro: lançada em versão de pré-lançamento apenas para os subscritores Pro em maio, recebeu a 21 de setembro o acompanhamento da pontuação de crédito Experian para os subscritores Plus e Pro. Abrange agora os planos Free, Go, Plus e Pro, continuando disponível apenas nos Estados Unidos.
O princípio mantém-se: ligam-se as contas bancárias e de investimento através do Plaid e o relatório de crédito através da Experian, duas ligações que podem ser utilizadas em conjunto ou separadamente. A página Finances reúne despesas, faturas, subscrições, património líquido, investimentos e pontuação de crédito. Na conversa, o ChatGPT classifica as despesas, identifica as subscrições, compara o mês com as tendências recentes e, no caso dos impostos, organiza as informações e assinala possibilidades a analisar, como as deduções.
🔗 Notas de versão do ChatGPT · Finances no ChatGPT
SpaceXAI publica o seu SDK TypeScript oficial em versão experimental
2 de outubro — A SpaceXAI publicou, sem anúncio, a primeira versão pública do seu SDK TypeScript oficial. A 0.1.0 foi lançada às 16 h 57 UTC, seguida às 18 h 25 UTC de uma 0.2.0 que muda o nome da classe cliente xAI para SpaceXAI: uma alteração que quebra a compatibilidade e alinha o código com o novo nome da empresa. O SDK já abrange a Responses API (streaming, compaction e conversas com várias interações), as ferramentas integradas da plataforma (pesquisa na web e pesquisa no X, execução de código, servidores MCP remotos), a geração e edição de imagens e vídeos, bem como as API Files, Batch e Voice.
| Elemento do SDK | Detalhe identificado |
|---|---|
| Pacote npm | @xai-official/sdk |
| Licença | Apache-2.0 |
| Pré-requisitos | Node.js 22.13 ou mais recente, projeto ESM, sem dependências de execução |
| Estado | Experimental, interfaces sujeitas a alterações antes da 1.0 |
Por predefinição, o SDK bloqueia a execução num navegador ou num Worker, para evitar expor a chave secreta do lado do cliente. Os programadores TypeScript dispõem assim de um equivalente ao SDK Python oficial, cuja versão 1.20.0 foi lançada a 24 de setembro.
🔗 CHANGELOG do SDK TypeScript da SpaceXAI · O pacote @xai-official/sdk no npm
Breves
- GPT-6.1 Sol no v0 — A 29 de setembro, dia do lançamento do modelo, o v0, o gerador de aplicações da Vercel, disponibilizou GPT-6.1 Sol, algumas horas depois de permitir a ligação com uma subscrição ChatGPT; o anúncio não apresenta preços nem métricas específicas do v0. 🔗 fonte
- Novo painel de agentes no Grok Build — Anunciado a 1 de outubro, apresenta todos os agentes num único ecrã com
/dashboard, inicia tarefas em paralelo e coloca um agente no seu próprio worktree git com Ctrl+W; o Grok Build recebeu um primeiro painel a 15 de junho. 🔗 fonte - Nightly do Gemini CLI — A v0.64.0-nightly de 2 de outubro contém apenas oito correções: Ctrl+C volta a cancelar uma operação em curso, e o estado
~/.gemini/state.jsoné escrito de forma atómica, com uma cópia de segurança.bakrestaurada em caso de corrupção; as versões estável e de pré-lançamento mantêm-se inalteradas. 🔗 fonte - Modelos removidos do GitHub Copilot — Como anunciado a 3 de setembro, Gemini 3.5 Flash, Gemini 3.6 Flash, Kimi K2.7 Code e Claude Opus 4.7 deixam todas as experiências Copilot; o GitHub sugere Gemini 3.8 Flash, Kimi K3 e agora Claude Opus 5.5, em vez de Claude Opus 5. 🔗 fonte
- Testar um SKILL.md — Numa publicação da comunidade, Golda Manuel propõe um método, sem métricas publicadas, para verificar se uma competência é encontrada, carregada e útil aos agentes de programação: localização esperada pelo Claude Code ou pelo Codex, ativação em três níveis de pedido e comparação com e sem a competência em oito métricas. 🔗 fonte
- Manus detalha Video Editor e Game Dev — Duas publicações de 1 de outubro aprofundam o Manus 2.0: o Video Editor, no Manus Studio, coloca cada elemento de um vídeo na sua própria faixa (125 clips montados num filme de 10 min 50 s com 195 cortes), e o Game Dev ajusta um jogo em direto; sem preços nem data. 🔗 Video Editor · 🔗 Game Dev
- AutoSynthData da ServiceNow — A equipa CoreAI da ServiceNow gera tarefas de treino verificadas a partir das falhas de um modelo: no EnterpriseOps Gym, Gemma-4-26B-A4B-it ganha 7,2 pontos de Pass@1 no domínio Hybrid e passa de 18,77 % para 27,18 % em ITSM; sem código nem dados publicados. 🔗 fonte
- POCKET-Darwin-180B — A VIDRAFT publica uma versão GGUF de 4 bits e 111 Go (contra 360 Go) do Darwin-180B-RSI, um MoE de 180 mil milhões de parâmetros: de 18,4 a 21 tokens por segundo apenas com o processador, 4,17 num portátil com uma RTX 5060 de 8 Go, e 87,65 % no MMLU-Pro, tal como o original, segundo os autores. 🔗 fonte
- Guia dos modelos GPT-6 — A OpenAI publica um guia para startups: GPT-6 Astra para os raciocínios mais difíceis, GPT-6.1 Sol para código complexo, pesquisa e utilização do computador, GPT-6 Luna para tarefas específicas em grande escala; os tokens em cache custam até 95 % menos, consoante o modelo. 🔗 fonte
- ChatGPT digitaliza várias páginas num único PDF a partir da câmara no iOS — em disponibilização gradual, 1 de outubro.
- Chatham Financial e Codex — A consultora de mercados de capitais criou com o Codex uma aplicação de validação de transações: segundo as primeiras medições, a verificação passa de cerca de 30 minutos para menos de 4; a sua plataforma Onyx combina GPT-5.6 Sol e Terra, GPT-5.4 e GPT-4.1. 🔗 fonte
- The Den e ChatGPT Work — Segundo um estudo de caso da OpenAI datado de 1 de outubro, a equipa de direção deste clube de Denver para pais poupa 10 a 15 horas por semana com o ChatGPT Work, ligado ao Gmail, Slack e Google Drive; um pedido de subsídio demora 2 horas em vez de 3 dias. 🔗 fonte
- GPT-6 Astra Ultrafast em Blackwell — A NVIDIA esclarece a 1 de outubro que o nível Ultrafast do GPT-6 Astra, lançado pela OpenAI a 29 de setembro, funciona nas suas GPU Blackwell, até 8 vezes mais depressa do que o modo Astra Standard, e que a OpenAI otimiza o seu software de inferência com os seus próprios modelos; sem números novos. 🔗 fonte
- RL Rollouts na CoreWeave — Apresentado a 30 de setembro com o CoreWeave Forge e divulgado pela NVIDIA a 2 de outubro, este serviço baseado no NVIDIA Dynamo carrega novos checkpoints sem interromper a execução durante o pós-treino por reforço; no Nemotron 3.5 Lightning, a latência de recarregamento do modelo melhora 15 vezes. 🔗 fonte
- Eleven v4 no ElevenReader — O modelo de voz mais expressivo da ElevenLabs, lançado a 28 de setembro, chega à sua aplicação de leitura: artigos, livros digitais e PDF na voz escolhida, em mais de 90 línguas, no iOS, no Android e na web. 🔗 fonte
- Changelog alpha do Midjourney — Datado de 1 de outubro, reúne sobretudo correções, incluindo os parâmetros de prompt guardados por pasta e as referências de estilo agrupadas numa etiqueta, antes de novas ferramentas colaborativas anunciadas para a semana seguinte. 🔗 fonte
- Grok 4.7 a metade do preço no Ramp Router — Até 6 de outubro, o gateway LLM Ramp Router oferece Grok 4.7 com 50 % de desconto, uma oferta divulgada pela SpaceXAI; o modelo custa 2 dólares de entrada e 6 dólares de saída por milhão de tokens na API da SpaceXAI. 🔗 fonte
- Comentários confidenciais nos avisos de segurança — O GitHub permite comentar um aviso de segurança de um repositório sem que o autor do reporte o veja: apenas as pessoas com acesso de escrita podem ler estes comentários, cujas consultas ficam registadas; uma API REST de comentários entra em versão de pré-lançamento pública. 🔗 fonte · 🔗 API REST
- API GraphQL da GitHub Advisory Database — O objeto SecurityAdvisory ganha cinco campos, incluindo o identificador CVE e a data de publicação pela NVD, e a consulta securityAdvisories ganha dois filtros, por gravidade e por estado de retirada: deixa de ser necessário recorrer à API REST. 🔗 fonte
- Fim da imagem macOS 14 no GitHub Actions — Anunciada a 1 de outubro, a retirada terá lugar a 2 de novembro, precedida de oito interrupções programadas em outubro, das 14 h à meia-noite UTC; os workflows devem passar para macos-15 ou macos-latest, que aponta para macos-26. 🔗 fonte
- Maturidade da IA nas empresas — A Perplexity publica um guia que descreve quatro fases de maturidade, resume os referenciais da Gartner, Deloitte e Google Cloud e propõe uma grelha de autoavaliação; segundo o inquérito de 2026 da McKinsey que cita, 80 % dos inquiridos observam ganhos de produtividade pessoal, mas apenas 37 % veem uma contribuição para o EBIT. 🔗 fonte
O que isto significa
A IA aplicada à ciência é cada vez mais avaliada segundo critérios externos a quem a anuncia. A Meta não se limita a apresentar resultados: cada artigo indica que passagens foram redigidas pela IA, um segundo grupo de matemáticos faz a revisão, e a publicação reconhece que três dos problemas também foram resolvidos noutros lugares. O modelo de previsão da gripe concebido com a IA da Google obtém o seu valor de uma avaliação realizada pelos CDC ao longo de uma época inteira, face a 38 outros modelos. A Ai2 publica os pesos e os dados do AstaBrief, mas avisa que as suas comparações datam de 2025: um modelo aberto pode ser verificado, uma avaliação envelhece.
Os modelos de decisão tornam-se, em poucos dias, uma categoria por direito próprio. Depois de Jev, d1 da Liquid AI e Clef da Cloudflare, a Perplexity oferece tanto uma API faturada por token de entrada como os pesos do seu modelo; o llama.cpp disponibiliza estes modelos localmente com o mesmo formato System One, e a Replit inclui Jev nas suas integrações sem chave de API. Para um programador, o interesse é concreto: uma probabilidade por opção, obtida numa única passagem, em vez de uma resposta em texto que depois é preciso analisar. As comparações exigem prudência: a linha Overall da ficha coloca pplx-decider-v1-27b à frente de Jev, mas os resultados detalhados publicados dão vantagem a Jev em seis dos onze benchmarks.
Os agentes de programação avançam mais depressa do que a sua autonomia real. Deixado sozinho perante um repositório no SWE-sweep, o melhor modelo encontra e corrige apenas 4,7 % dos bugs, por mais de 7 000 dólares. O Claude Code 2.1.288 dedica a maior parte das suas 89 entradas a correções, incluindo a retoma após um timeout da API e várias regras de permissões mais restritas, e destaca um mod que monitoriza o trabalho do agente principal. A Anthropic aborda o outro estrangulamento, as competências humanas, com 100 milhões de dólares para formar engenheiros capazes de levar uma implementação até à produção. Os modelos abertos, por sua vez, conquistam o seu lugar nas ferramentas, com GLM 5.3 no Cursor e DeepSeek Harness no ambiente de trabalho.
O equipamento de computação, por fim, diversifica-se em três direções. A Google testa em órbita TPU que poderão um dia beneficiar de até 8 vezes mais energia solar do que na Terra, a NVIDIA acrescenta ao seu DGX Spark uma configuração de 64 Go que pode ser associada aos pares para atingir 200 mil milhões de parâmetros, e a DeepSeek torna as suas bibliotecas de baixo nível utilizáveis, com a mesma API, nos chips Ascend da Huawei. Cada um, à sua maneira, alarga os locais e o equipamento em que os modelos podem funcionar.
Fontes
- Resolver em conjunto problemas de investigação em aberto (Meta AI Research)
- Sequência de publicações de @AIatMeta sobre os seis artigos
- Disponibilização do AstaBrief em open source (Ai2)
- Publicação da Google Research sobre as previsões da gripe
- Relatório FluSight 2025-2026 dos CDC
- Anúncio da Decisions API por @perplexitydevs
- Documentação da Decisions API
- pplx-decider-v1-27b no Hugging Face
- Novidade no llama.cpp: modelos de decisão (ggml-org)
- Claude Frontier Academy (Anthropic)
- Página do programa Claude Frontier Academy
- Notas de versão do Claude Code 2.1.288
- You should know destacado por @ClaudeDevs
- GLM 5.3 no Cursor, anúncio de @cursor_ai
- Changelog da Replit de 2 de outubro
- Divulgação do DeepSeek Harness por @deepseek_ai
- Página do DeepSeek Harness
- SWE-sweep
- O protótipo do Project Suncatcher está em órbita (Google)
- Artigo do Project Suncatcher na Joule
- Divulgação do lançamento por @GoogleAI
- DGX Spark 64 Go (blog da NVIDIA)
- DeepGEMM-Ascend no GitHub
- DeepEP-Ascend no GitHub
- Apresentação de Speech (Suno)
- ElevenLabs certificada FedRAMP 20x Class A
- Notas de versão do ChatGPT
- Finances no ChatGPT (centro de ajuda da OpenAI)
- CHANGELOG do SDK TypeScript da SpaceXAI
- O pacote @xai-official/sdk no npm
- GPT-6.1 Sol no v0 (@v0)
- Painel de agentes do Grok Build (@grok)
- Nightly v0.64.0 de 2 de outubro do Gemini CLI
- Modelos descontinuados do GitHub Copilot
- O seu SKILL.md ajuda os agentes de programação?
- Video Editor do Manus
- Game Dev do Manus
- AutoSynthData (ServiceNow)
- POCKET-Darwin-180B (VIDRAFT)
- Um guia de modelos para a família GPT-6 (OpenAI)
- Chatham Financial e OpenAI
- The Den e ChatGPT Work
- GPT-6 Astra Ultrafast em Blackwell (blog da NVIDIA)
- Apresentação do CoreWeave Forge
- Eleven v4 no ElevenReader (@ElevenLabs)
- Changelog alpha do Midjourney de 1 de outubro
- Grok 4.7 no Ramp Router (@SpaceXAI)
- Comentários confidenciais nos avisos de segurança (GitHub)
- API REST dos comentários de avisos de segurança (GitHub)
- Novos campos da API GraphQL SecurityAdvisory (GitHub)
- Retirada da imagem macOS 14 do GitHub Actions
- Guia da Perplexity sobre a maturidade da IA