OpenAI constrói o seu backend Git Pando com Codex, Anthropic apresenta FlashProve, Cohere abre Model Vault a modelos abertos

A OpenAI detalha Pando, o backend Git do seu monorrepositório construído com Codex em dez semanas, que serve perto de um petabyte (1 Po) de dados por dia; Claude Code 2.1.317 passa a pedir autorização antes de enviar o endereço de e-mail da conta, e GitHub Copilot chega ao JetBrains Air. A Anthropic apresenta FlashProve, um protótipo de provas criptográficas de inferência, a OpenAI multiplica por mais de quatro as suas recompensas medianas por vulnerabilidades e a Cohere abre Model Vault a modelos abertos de outros fornecedores. A Google publica PLE, um banco de testes de engenharia em que nenhum agente ultrapassa 50 %, e redirecionará, a 1 de dezembro, os pedidos dirigidos a Gemini 2.5 Pro e 2.5 Flash para modelos mais recentes.

Agentes de código: OpenAI constrói Pando com Codex, Claude Code 2.1.317, GitHub Copilot no JetBrains Air

OpenAI substitui o backend Git do seu monorrepositório por Pando, construído com Codex em dez semanas

2 de novembro — A OpenAI detalha Pando, o novo backend Git que passa a suportar todo o desenvolvimento do seu monorrepositório (monorepo), compatível com o protocolo e o cliente Git. Na origem está Codex: branches, push, merges e operações de fetch multiplicaram-se, e, no final de 2025, a fiabilidade do sistema antigo caía por vezes abaixo de 90 %. Segundo um gráfico da publicação, os commits integrados no branch principal no terceiro trimestre de 2026 superam em 1 378 % os do primeiro trimestre de 2024.

We built Pando, a new Git backend for our monorepo, to handle more pushes and fetches without changing how our engineers and agents use Git. Pando cut push latency by ~80% and now serves nearly a petabyte of Git data a day. We can grow Git capacity alongside agent usage.

🇵🇹 Criámos Pando, um novo backend Git para o nosso monorrepositório, para processar mais operações de push e fetch sem alterar a forma como os nossos engenheiros e agentes utilizam Git. Pando reduziu a latência dos push em cerca de 80 % e serve agora perto de um petabyte de dados Git por dia. Podemos aumentar a capacidade do Git ao ritmo da utilização dos agentes. — @OpenAIDevs no X

Para suportar a carga, Pando prescinde de uma visão coerente de todas as referências num dado instante: cada branch é atualizado de forma independente, e os ficheiros pack recebidos são servidos sem alterações aos outros clientes, a partir de caches regionais.

Indicador medido pela OpenAI	Valor anunciado
Latência mediana dos push	dividida por quase cinco (cerca de -80 %)
Dados Git servidos	perto de um petabyte (1 Po) por dia
Pico horário	mais de 57 To numa hora, mais de 99 % a partir da cache
Clonagens e operações de fetch	ligações de 10 Gbit/s saturadas em VM padrão
Prazo de construção	10 semanas com Codex, em produção desde abril de 2026

O núcleo foi concebido por um único engenheiro e implementado por equipas de agentes, que também escreveram código Lean e TLA+ com GPT-6 Astra para formalizar Pando e detetar bugs. A OpenAI contribuiu com várias correções para o projeto Git e afirma estar a estudar formas de partilhar esta tecnologia, sem produto nem data.

🔗 A publicação da OpenAI sobre Pando

Claude Code 2.1.317 pede autorização antes de enviar o e-mail da conta e acrescenta um relatório de custos ao gateway Claude apps

3 de novembro — Claude Code 2.1.317 foi publicada no GitHub às 01 h 25 UTC, após ter chegado ao npm na noite anterior. Das 87 entradas, 62 são correções, mas a versão acrescenta uma proteção de privacidade: Claude Code passa a pedir autorização antes de uma chamada de ferramenta web ou shell enviar o endereço de e-mail da conta pela rede. No mesmo sentido, /schedule avisa quando uma nova tarefa agendada na cloud recebe conectores que não foram pedidos e indica como os remover.

Novidade da 2.1.317	O que muda
Gateway Claude apps	Relatório de custos `GET /v1/organizations/analytics/cost`: despesas por programador, por dia ou por grupo IdP
SDK Agent	`onFailure: "block"`: um callback de hook que falha bloqueia a ação em vez de a deixar prosseguir
Subagentes e colegas de equipa	Quando usam um modelo diferente do da conversa, adotam o esforço guardado para esse modelo
Ferramenta Read	Reler um ficheiro inalterado devolve o seu conteúdo, em vez de uma simples indicação
OpenTelemetry	Novos atributos, incluindo `anthropic.plan` e `anthropic.seat_type`

Entre as correções, o modo auto deixa de ficar bloqueado a cada turno quando usa um gateway LLM que responde 403 ou 422 à sua verificação de segurança, Grep e Glob deixam de apresentar resultados parciais como completos quando uma pesquisa atinge o seu limite de tempo, e claude auth status deixa de correr o risco de terminar a sessão do utilizador após uma atualização lenta do token. No npm, o canal estável mantém-se na 2.1.311.

🔗 As notas de versão de Claude Code 2.1.317

GitHub Copilot chega ao JetBrains Air, em execução local e em tarefas cloud com a subscrição Copilot

3 de novembro — GitHub Copilot torna-se um dos agentes do JetBrains Air, o ambiente da JetBrains concebido para desenvolver com agentes e aberto a qualquer agente compatível com o Agent Client Protocol (ACP). Pode ser escolhido no seletor de agentes do Air, com a subscrição Copilot existente, para lhe delegar uma tarefa, orientar a sua execução e rever o resultado ao lado do código; Air acompanha várias sessões em paralelo. O GitHub apresenta-o como uma opção a par do seu plugin Copilot para JetBrains, e não como uma substituição.

Modo de execução	Condições necessárias	Contabilização da utilização
Local, no IDE JetBrains	Air instalado no IDE, GitHub Copilot selecionado, sessão iniciada na conta Copilot	Subscrição Copilot existente
Cloud, através do Air Teams	Organização business JetBrains com Air Teams, Copilot ativado pelo administrador do Air	Plano Copilot, sem usar os créditos JetBrains AI

Cada tarefa cloud é executada num contentor Docker numa máquina virtual nova, atrás de um proxy por onde passa todo o tráfego, sem estado conservado entre tarefas. O GitHub enumera também limitações: a subscrição e os créditos só são verificados no arranque do ambiente cloud, não é possível escolher entre plano pessoal e plano da organização para cada tarefa, e não existe um limite de despesas Copilot configurável no Air, onde os administradores apenas podem desativar Copilot.

🔗 O anúncio no GitHub Changelog

Segurança: FlashProve na Anthropic, recompensas por vulnerabilidades da OpenAI, CWE-bench v2 e CyberArena

Anthropic apresenta FlashProve, um protótipo open source de provas criptográficas de inferência para grandes modelos

2 de novembro — A equipa Frontier Red Team da Anthropic publica FlashProve, um protótipo de investigação de inferência demonstrável (provable inference), anunciado no X a 3 de novembro: permite verificar que uma resposta provém efetivamente de um determinado modelo. O fornecedor publica primeiro um compromisso (commitment) sobre os pesos e depois junta a cada resposta uma prova criptográfica sucinta de conhecimento zero (zkSNARK) que demonstra que esses pesos, aplicados a esse prompt, produzem exatamente esses tokens. Os pesos permanecem ocultos, mas a arquitetura do modelo não. Segundo a Anthropic, Claude produziu as melhorias do sistema e redigiu a especificação do protocolo, cujas propriedades de segurança são provadas em Lean.

Medição publicada (Llama 4 Maverick, pesos de 4 bits)	Valor anunciado
Débito de geração de provas num único H100	cerca de 110 tokens por segundo
Tamanho de uma prova (pedido de 1 024 tokens)	cerca de 19 Mo
Verificação no processador, sem GPU	17 segundos com 24 threads
Sobrecusto face ao vLLM, por GPU	cerca de 72 vezes, 94 vezes com a carga mais elevada
VerInf, referência anterior neste modelo	14,3 horas para 1 000 tokens, prova de 93,6 Go

Os usos citados vão desde o acompanhamento do ritmo de desenvolvimento por um regulador até à deteção de um servidor de inferência comprometido ou de um modelo substituído, passando pela proveniência de texto. As limitações são claras: contextos de, no máximo, 1 024 tokens, prova de uma versão inteira do modelo em descodificação gulosa (greedy decoding), nenhuma garantia formal sobre o código rápido. O código é publicado sob a licença Apache 2.0, num repositório apresentado como não mantido.

🔗 A publicação da Anthropic sobre FlashProve · O repositório FlashProve

OpenAI multiplica por mais de quatro as recompensas medianas do seu bug bounty, até 172 000 dólares com bónus

2 de novembro — A OpenAI aumenta as recompensas do seu programa de recompensas por vulnerabilidades (bug bounty), um anúncio divulgado no X a 3 de novembro: em média, o valor mediano dos intervalos é multiplicado por mais de quatro para vulnerabilidades de gravidade média, elevada e crítica. Uma vulnerabilidade crítica no ChatGPT, Codex ou na Plataforma API pode render até 30 000 dólares, e uma descoberta crítica excecional continua elegível para até 100 000 dólares de base, ou seja, até 172 000 dólares com os novos bónus: multiplicador de qualidade para uma prova de conceito fiável, fidelidade em cinco níveis e campanhas prioritárias sobre funcionalidades lançadas recentemente.

Exemplo de vulnerabilidade dado pela OpenAI	Recompensa anterior	Nova recompensa
Gravidade média no ChatGPT: importação de ficheiros sem permissão de escrita	750 dólares	2 415 dólares
Crítica no ChatGPT: tomada de controlo da conta sem cliques	6 500 dólares	51 577 dólares
Excecional: leitura das conversas de qualquer utilizador	100 000 dólares	171 925 dólares

Os novos intervalos aplicam-se aos relatórios pendentes, e a OpenAI pagará a diferença nas recompensas atribuídas nos 30 dias anteriores ao anúncio. A equipa de segurança estará na PROMPT2PWN, em Oakland, a 20 e 21 de novembro.

🔗 A publicação da OpenAI sobre recompensas por vulnerabilidades

Collinear AI publica CWE-bench v2, onde Gemini 4 Argon supera por pouco Claude Opus 5.5 em 100 tarefas públicas de correção de vulnerabilidades

3 de novembro — A Collinear AI publica no blog da Hugging Face a segunda versão de CWE-bench, que mede a capacidade de um agente para encontrar e corrigir uma fraqueza de segurança num repositório open source real sem comprometer as suas funcionalidades. O conjunto público conta com 100 tarefas que abrangem 91 categorias de fraquezas (CWE), avaliadas de forma determinística e revistas manualmente; um conjunto reservado permanece privado para acompanhar os progressos em tarefas que nenhum modelo viu.

Modelo avaliado	Sucesso pass@1	Sucesso pass@4	Custo por execução
Gemini 4 Argon	67,8 %	81,0 %	3,92 dólares
Claude Opus 5.5	67,3 %	78,0 %	1,83 dólar
DeepSeek V4.1 Flash (1017)	57,0 %	não indicado	0,04 dólar

Dos 11 modelos avaliados, 95 tarefas são resolvidas por pelo menos um modelo, mas o líder falha em todas as tentativas em 19 % do conjunto. Cada tarefa é um ambiente Harbor (contentor Docker, instrução, verificador determinístico) que pode ser iniciado a partir do Hub e que também pode servir para treinar agentes defensivos por RL. Gemini 4 Carbon não figura entre os modelos avaliados.

🔗 CWE-bench v2 no blog da Hugging Face

CyberArena põe doze agentes frente a frente em ataque e defesa em direto, e GPT-5.6 Sol lidera graças à sua defesa

3 de novembro — A 2077AI e o centro RDI da UC Berkeley publicam CyberArena, um banco de testes que substitui o exame de cibersegurança por um confronto: dois agentes recebem, cada um, uma cópia do mesmo serviço vulnerável e, durante três rondas, atacam a cópia adversária enquanto corrigem a sua. A arena verifica cada captura da bandeira e cada verificação do estado do serviço, convertendo depois os confrontos numa classificação.

Posição na classificação	Agente avaliado	Harness utilizado	Pontuação na classificação
1	GPT-5.6 Sol	OpenAI Codex	78,6
2	Claude Opus 5	Claude Code	73,8
3	GLM-5.3	OpenCode	68,5
4	Gemini 3.7 Flash	Gemini CLI	67,1
5	Grok 4.6	Grok CLI	65,5

Em 466 confrontos válidos entre 12 agentes e 40 desafios, a diferença faz-se na defesa: os dois primeiros conservam a sua bandeira em 83 % e 81 % das rondas, contra 43 a 61 % para os restantes. Os erros mais frequentes detetados pela auditoria são a correção anunciada sem verificação (23 % dos confrontos auditados) e a correção parcial (21 %). A classificação incide sobre modelos de gerações anteriores, sem GPT-6 Sol nem Claude Opus 5.5; o código da arena, os desafios e as repetições dos confrontos são publicados.

🔗 CyberArena no blog da Hugging Face

Modelos abertos nas empresas: Cohere abre Model Vault, Revolut passa a usar GLM autoalojado segundo a Together AI

Cohere abre o Model Vault a modelos abertos de outros fornecedores, de DeepSeek V4.1 Flash a GPT-OSS

3 de novembro — A Cohere abre o Model Vault, a sua plataforma de inferência soberana lançada em janeiro, a modelos abertos de outros fornecedores. Além dos modelos Cohere, as empresas podem executar DeepSeek V4.1 Flash, apresentado pela Cohere como o modelo aberto mais utilizado no OpenRouter, GLM 5.3 Flash, MiMo V2.6 Pro, Gemma 4, Nemotron da NVIDIA, Hy3 da Tencent e as famílias GPT-OSS e Phi. Por predefinição, nem os prompts nem as respostas são guardados.

A publicação distingue dois níveis. O Model Vault funciona numa infraestrutura dedicada a um único cliente, na região escolhida. O Model Vault Encrypted também cifra os dados durante o seu processamento (confidential computing): segundo a Cohere, nem a Cohere nem o fornecedor de cloud veem o que entra no modelo ou sai dele. Este segundo nível não aceita todos os modelos.

Família de modelos	Model Vault	Model Vault Encrypted
Embed, Rerank, Parse, Transcribe, Translate (Cohere)	Sim	Sim
Gemma, GPT-OSS, Phi	Sim	Sim
Command, DeepSeek, GLM, MiMo, Nemotron, Hy3	Sim	Não

O Model Vault está disponível nos Estados Unidos, na União Europeia e no Canadá; o Model Vault Encrypted está disponível nos Estados Unidos, com a União Europeia e o Canadá anunciados para «em breve». A faturação é feita por tipo de GPU, à hora ou mediante compromisso de utilização, sem preços indicados na publicação. Cinco dias após uma ronda de série E que previa uma nova geração de modelos ao longo de doze meses, a Cohere deixa no seu fio:

Try out world-class models while you wait for our next one

🇵🇹 Experimente modelos de referência enquanto espera pelo nosso próximo. — @cohere no X

🔗 A publicação da Cohere sobre o Model Vault

Revolut terá passado cerca de 2 000 engenheiros para GLM autoalojado para programar, segundo um tweet partilhado pela Together AI

3 de novembro — A Together AI partilha um tweet segundo o qual a Revolut tornou os modelos abertos a sua escolha por predefinição para programar:

Europe’s largest private company just made open models its default for coding.

🇵🇹 A maior empresa privada da Europa acaba de tornar os modelos abertos a sua escolha por predefinição para programar. — @togethercompute no X

O tweet citado, de Guillermo Flor, baseia-se em declarações de David Abitbol, responsável pelas operações de IA do neobanco: cerca de 2 000 engenheiros trabalham agora com GLM autoalojado, enquanto Claude Code e Codex passam para uma lista de exceções.

Indicador referido pelo tweet	Valor anunciado
Engenheiros abrangidos	cerca de 2 000
Hardware	56 GPU NVIDIA B200
Custo combinado	30 cents por milhão de tokens, cerca de um décimo do preço da Anthropic e da OpenAI
Prazo de engenharia (lead time)	melhorado em 70 %

Segundo o mesmo tweet, os ganhos surgiram quando os tokens deixaram de ser racionados. A Together AI afirma fazer parte da infraestrutura que executa estes modelos abertos em produção, sem especificar o seu papel. A informação continua a ser de segunda mão: não foi encontrado nenhum comunicado da Revolut e a versão de GLM não é indicada.

🔗 O tweet de Guillermo Flor citado pela Together AI

Engenharia do mundo físico: GPT-6 Astra concebe hardware, Google publica PLE, Antigravity na química, NVIDIA nas cidades

OpenAI aplica GPT-6 Astra e Codex à engenharia física, com Mazda e Chip Ganassi Racing

3 de novembro — A OpenAI apresenta os seus trabalhos sobre engenharia de produtos físicos: conceção mecânica, eletrónica e simulação. Na demonstração mais elucidativa, dois membros da equipa conceberam com GPT-6 Astra, em menos de uma semana e como projeto paralelo, um pequeno aparelho para falar com o Codex: Astra concebeu o seu aspeto, a caixa, a placa de circuito impresso, a interface e o firmware, e um subcontratante fabricou uma pequena série de protótipos em menos de um mês. A OpenAI reconhece vários ciclos de revisão: o modelo nem sempre teve em conta os limites de produção, as tolerâncias ou os detalhes de montagem.

Medida publicada pela OpenAI	Valor anunciado
BenchCAD 2.0, modelo interno mais recente (sem nome)	0,875 (pontuação média)
BenchCAD 2.0, GPT-6 Astra com raciocínio máximo	0,594
Utilização dos modelos pelas equipas de hardware (em tokens)	multiplicada por 23 desde fevereiro

O BenchCAD 2.0 testa a reconstrução de peças e conjuntos 3D e a identificação das ligações de uma placa de circuito impresso. Na indústria, a OpenAI alarga a sua colaboração com a equipa Chip Ganassi Racing, que transforma digitalizações 3D de peças existentes em modelos CAO editáveis e em desenhos de fabrico 2D, e anuncia uma colaboração de investigação com a Mazda: GPT-6 Astra ajuda os seus engenheiros a explorar formas da secção dianteira que reduzam o arrasto, com resultados prometidos «nos próximos meses». Não são anunciados produtos nem disponibilidade.

🔗 A publicação da OpenAI sobre a engenharia do mundo físico

Google publica Physical-Engineering’s Last Exam, um benchmark de engenharia em que nenhum agente ultrapassa 50 %

3 de novembro — A equipa Google AI & Infrastructure apresenta Physical-Engineering’s Last Exam (PLE), um benchmark que também é uma competição aberta, concebido com a Mercor para medir a capacidade dos agentes de realizar trabalhos reais de engenharia. As suas 85 tarefas de longa duração (30 em mecânica, 27 em eletricidade, 18 em engenharia civil, 10 em estruturas) colocam o agente numa pasta de projeto num contentor com uma média de 61 ficheiros: PDF, folhas de cálculo, e-mails, desenhos CAO 2D, maquetes BIM 3D. Um entregável só recebe pontos se superar todas as barreiras de segurança.

Posição na classificação	Modelo avaliado	Harness nativo	Pontuação média
1	Claude Opus 5.5	Claude Code	48,3 %
2	GPT-6 Astra	Codex	45,8 %
3	Claude Sonnet 5.5	Claude Code	43,5 %
4	Gemini 4 Argon	Antigravity	40,6 %
5	Claude Opus 5	Claude Code	40,0 %

Dos 14 modelos testados com sete harnesses públicos, nenhum ultrapassa 50 % no conjunto de teste privado. A melhor configuração cumpre 91 % das restrições consideradas individualmente, mas apenas 41,3 % dos seus entregáveis passam em todos os controlos de segurança e viabilidade. O modelo tem muito mais peso do que o harness: até 50 pontos de diferença entre modelos, face a uma diferença mediana de 3 pontos entre harnesses para o mesmo modelo. A Google publica 29 tarefas, os scripts de pontuação e o contentor de avaliação, e abre as submissões para o conjunto privado.

🔗 A publicação da Google Cloud sobre o PLE · A classificação PLE

Google DeepMind dota o Antigravity de Cheminformatics Skills que reduzem um ciclo de conceção de medicamentos a uma hora

3 de novembro — A Google DeepMind apresenta Cheminformatics Skills para o Google Antigravity, que transformam o ambiente agêntico numa bancada de trabalho para químicos. A divisão de papéis é explícita: o modelo de linguagem coordena o trabalho, navega nas bases de dados e raciocina, enquanto ferramentas químicas determinísticas, apoiadas na biblioteca open source RDKit e nas bases de dados ChEMBL e PubChem, executam os cálculos moleculares.

A demonstração retoma um clássico da química medicinal: rigidificar o crizotinib, um inibidor da tirosina quinase utilizado contra certos cancros do pulmão, para chegar ao lorlatinib, a sua versão ciclizada. O agente reúne em poucos minutos milhares de compostos da literatura, realiza uma análise de pares moleculares emparelhados, treina modelos de previsão de potência e, depois, propõe novos macrociclos com as respetivas vias de síntese. Segundo a DeepMind, este ciclo, que habitualmente demora vários dias, cabe numa hora. A publicação dá continuidade à de 15 de outubro sobre péptidos antimicrobianos e remete para a página Science do Antigravity, onde a Google disponibiliza, mediante candidatura, acesso gratuito durante seis meses ao seu nível mais elevado e ao Gemini 4 Argon para 10 000 cientistas, sem condições de acesso específicas para estas skills.

🔗 A publicação da Google DeepMind

NVIDIA apresenta em Barcelona os serviços urbanos que os seus parceiros estão a criar com a sua IA física e agêntica

3 de novembro — Por ocasião do Smart City Expo World Congress de Barcelona (de 3 a 5 de novembro), a NVIDIA publica uma panorâmica dos serviços urbanos que os seus parceiros estão a criar com os seus componentes de IA física e agêntica: modelos abertos Nemotron, modelos de mundo Cosmos, bibliotecas Omniverse e blueprint Metropolis de pesquisa e resumo de vídeo.

Parceiro citado	Local da implementação	Valor anunciado
1MillionBot	Espanha	mais de 150 implementações de agentes ao serviço dos habitantes
ITMAX	Malásia	mais de 17 000 câmaras abrangidas até 2027
ITMAX com TeraSim	Malásia	até 26 % menos tempo de viagem na hora de ponta
Linker Vision e MVRDV	Taiwan	15 anos de evolução de uma cobertura arbórea urbana simulados em 10 minutos

A 1MillionBot associa os modelos open source ALIA, treinados no Barcelona Supercomputing Center, ao Nemotron; a K2K utiliza em Wrocław as câmaras existentes, a Honeywell equipa com agentes Nemotron a refinaria Lekki da Dangote, na Nigéria, e a Cires Technologies expande uma fábrica de IA soberana no porto de Tanger Med. Não é anunciado nenhum novo produto NVIDIA: trata-se de uma montra de implementações.

🔗 A publicação da NVIDIA sobre as cidades

Publicações abertas: relatório técnico de Mistral Large 4, pplx-embed-v2-context, StateBench e FineDNA

Mistral publica o relatório técnico de Mistral Large 4, que relata a construção de Le Chonk

3 de novembro — A Mistral publica o relatório técnico de Mistral Large 4, o modelo apelidado de Le Chonk cujos pesos foram divulgados em 29 de outubro. Publicado no Hugging Face em 2 de novembro e depois no alphaXiv, o documento descreve uma mistura de especialistas (mixture-of-experts) multimodal de 52 mil milhões de parâmetros ativos, de um total de 1 000 mil milhões. Segundo o resumo e a introdução, começa por esclarecer uma escolha de arquitetura: a redução do cache KV, levada ao extremo durante o desenvolvimento para disponibilizar o modelo a um custo menor, prejudicava as tarefas agênticas. A equipa mediu essa penalização e depois corrigiu-a através de uma cirurgia do modelo (model surgery): passagem para a atenção completa e, depois, para a atenção esparsa da DeepSeek (DeepSeek Sparse Attention, DSA). Quanto aos dados, os próprios agentes escrevem ambientes executáveis, tarefas, soluções de referência e verificadores, e outros reparam as tarefas defeituosas, protegendo-se contra a manipulação da recompensa (reward hacking).

Medida avaliada	Valor segundo o relatório
Legal Agent Benchmark da Harvey (valor inédito)	15 %
Terminal-Bench 4.0	41 %
FrontierCode 2.0	19,7 %
Cibersegurança (média de JailbreakBench, StrongREJECT, AgentHarm)	96,6 %
Ponto de controlo quantizado em NVFP4	606 Go, servido em quatro GPU GB300

A quantização NVFP4 calibrada iguala a referência FP8 nas avaliações, e os três níveis de raciocínio (high, medium, low) resultam de uma destilação a partir de vários modelos professores com diferentes graus de verbosidade.

🔗 O relatório técnico no alphaXiv · O anúncio da Mistral no X

Perplexity publica pplx-embed-v2-context, modelos de embeddings contextuais abertos em 9B e 0.6B

2 de novembro — A Perplexity publica pplx-embed-v2-context, modelos de embeddings contextuais com pesos abertos em dois tamanhos, 9B e 0.6B, um mês após a pré-versão 9B de 30 de setembro. Um embedding contextual representa um trecho (chunk) tendo em conta o documento inteiro: cada modelo devolve ou um vetor int8 por documento ou um vetor por trecho. A novidade está no treino: em vez de presumir que um único trecho de referência (gold chunk) responde à consulta, a Perplexity destila pontuações graduadas de relevância a partir do modelo de compressão de contexto do seu motor de respostas, de modo que os trechos que sustentam uma resposta deixam de contar como exemplos negativos.

Medida anunciada pela Perplexity	Resultado publicado
ConTEB, context-bench e Q2D-Chunk	9B na liderança dos três benchmarks
ViDoRe-V3, documentos visuais	9B à frente de Nemotron-3.5-Embed-8B, com um índice 4 vezes menor
ViDoRe-V3 em markdown	0.6B em primeiro entre os modelos com menos de 1 mil milhão de parâmetros
Q2D-Chunk, novo benchmark público	6 069 consultas reais, 10 línguas, 71 100 documentos

O artigo de investigação, escrito com a turbopuffer, é publicado no arXiv, e o Q2D-Chunk é disponibilizado com uma classificação pública no Hugging Face. O 9B é aí publicado sob licença MIT, enquanto a ficha do 0.6B não apresenta qualquer licença; o fio não menciona API nem preços.

🔗 O fio de @perplexitydevs · O artigo no arXiv

Ai2 publica StateBench, um banco de testes que mostra que os modelos de fronteira falham no acompanhamento do estado em documentos longos

3 de novembro — Ai2 publica StateBench, um banco de testes dedicado ao acompanhamento do estado em contextos longos (long-context state tracking): a capacidade de um modelo acompanhar informações que evoluem ao longo de um documento extenso, como uma variável reatribuída no código. Quatro níveis de dificuldade, derivados da teoria de Krohn–Rhodes, vão da atribuição imutável à atribuição por referência.

Nível de dificuldade	Tipo de atribuição	Exemplo dado pela Ai2
r-trivial	imutável	`let x = 4`
aperiódico	reatribuição por valor	`x = 4` e depois `x = 2`
solúvel	atualização autorreferente	`x = x + 5`
finito geral	atribuição por referência	`x = y`, troca de variáveis

Gemini 3.8 Flash, Claude Opus 5.5, GPT-6 Sol e GPT-6 Luna têm um bom desempenho nos dois primeiros níveis, mas a sua exatidão diminui com a extensão nos dois últimos, chegando a 13 % ou menos nos problemas finitos gerais mais longos. Treinados com um máximo de 256 atribuições e testados até 64 000, modelos de 275M permitem distinguir as arquiteturas: Gated DeltaNet e as híbridas generalizam quase perfeitamente nos três primeiros níveis, enquanto os transformers se degradam e nunca aprendem o último. Os dados e o código estão publicados.

🔗 StateBench no blog da Hugging Face

Hugging Face publica FineDNA, os dados de treino completos de Carbon-X para ensinar ADN a um modelo de linguagem

1 de novembro — Recapitulação: Hugging Face publica FineDNA, o conjunto de dados usado para treinar Carbon-X, o seu modelo capaz de ler ADN, construído sobre Qwen3-14B e apresentado a 22 de outubro. O conjunto, sob licença Apache 2.0, abrange as três etapas do treino.

Etapa de treino	Tamanho do conjunto	Ponto de partida
Fase intermédia (mid-training), 23 configurações	514,30 mil milhões de tokens, dos quais 302 mil milhões lidos	Qwen3-14B
SFT, 8 domínios	203 923 conversas	Carbon-X-Base
RL	98 433 prompts	Carbon-X-SFT

A fase intermédia dedica 55 % do treino ao ADN, 20 % ao inglês, 15 % ao texto biológico e 10 % às instruções; as sequências, provenientes de GENERator e de OpenGenome2, são divididas em múltiplos de seis bases para um tokenizer que lê 6-mers. Segundo Loubna Ben Allal, que anunciou o conjunto, esta fase condiciona as seguintes: aplicado diretamente a Qwen3-14B, o RL mantém-se ao nível do acaso em FrontierVEP, enquanto a mesma receita permite progredir no modelo preparado.

🔗 FineDNA no Hub da Hugging Face · O anúncio de Loubna Ben Allal no X

A API Gemini deprecia Gemini 2.5 Pro e 2.5 Flash e redirecionará os seus pedidos para Gemini 3.8 Flash e 3.5 Flash-Lite a 1 de dezembro

2 de novembro — Google regista nas notas de versão da API Gemini a depreciação de Gemini 2.5 Pro e Gemini 2.5 Flash, lançados em junho de 2025. Os dois modelos já não estão disponíveis no Google AI Studio, e o seu acesso pela API está reservado aos utilizadores que já os usaram. A 1 de dezembro de 2026, em vez de devolver um erro, a API redirecionará automaticamente os pedidos: os dirigidos a gemini-2.5-pro irão para Gemini 3.8 Flash, e os dirigidos a gemini-2.5-flash para Gemini 3.5 Flash-Lite, sendo faturados aos preços dos novos modelos.

Modelo afetado	Preço de entrada (por milhão de tokens)	Preço de saída (por milhão de tokens)
gemini-2.5-pro (prompts ≤ 200 000 tokens)	1,25 dólar	10 dólares
gemini-3.8-flash até 31 de dezembro de 2026	0,75 dólar	3,75 dólares
gemini-3.8-flash a partir de 1 de janeiro de 2027	1,50 dólar	7,50 dólares
gemini-2.5-flash	0,30 dólar (1 dólar em áudio)	2,50 dólares
gemini-3.5-flash-lite	0,30 dólar, incluindo áudio	2,50 dólares

Google aconselha a alterar o identificador antes dessa data, pois a migração inclui alterações incompatíveis: validação das chamadas de funções e de thought_signature, thinking_level em vez de thinking_budget, remoção dos parâmetros de amostragem e fim dos turnos do modelo pré-preenchidos.

🔗 As notas de versão da API Gemini · A página de depreciações

Plugins e integrações dos assistentes: Perplexity Computer adota Agent Plugins e ganha uma versão para e-commerce, Synthesia apresenta em detalhe o seu plugin ChatGPT

Perplexity Computer adota a norma aberta Agent Plugins para as suas ligações e skills

3 de novembro — Perplexity Computer passa a suportar Agent Plugins, um formato que reúne num mesmo pacote ligações a aplicações e skills. É possível explorar o catálogo de Computer, organizado em pelo menos 13 categorias (de Produtividade e colaboração a Dados e análise, com, por exemplo, HubSpot, IBISWorld ou DoorDash Drive), ou importar os próprios plugins a partir do GitHub ou de um ficheiro .zip. Segundo @AskPerplexity, os plugins estão ativos em Computer e em fase de disponibilização para as contas Enterprise.

Agent Plugins é uma norma aberta, independente dos fornecedores, apresentada a 6 de agosto. A sua especificação 1.0.0 estabelece um formato comum para Agent Skills e servidores MCP: manifesto plugin.json obrigatório, pasta skills/, ficheiro mcp.json. O tweet da Perplexity cita responsáveis pela manutenção da Amazon, Cursor, GitHub, OpenAI e Vercel; o site da norma menciona Microsoft em vez de GitHub no seu comité diretor inicial. A sua página de clientes compatíveis lista Perplexity Computer ao lado de GitHub Copilot, VS Code, Cursor, Kiro e ChatGPT & Codex. Para Computer, é uma extensão do Skills Marketplace de setembro; o anúncio não é acompanhado de um artigo nem de um registo de alterações.

🔗 O anúncio de @AskPerplexity · A norma Agent Plugins

Perplexity lança Computer for e-commerce, que liga Shopify, os anúncios Meta e Klaviyo

3 de novembro — Perplexity apresenta Computer for e-commerce, que coloca o seu agente Computer ao serviço das marcas online: liga-se a Shopify para os dados da loja e as páginas de destino, a Meta para a publicidade e a Klaviyo para o marketing por e-mail, aplicando a identidade visual e o tom que a marca guardou em skills.

Serviço ligado	Papel de Computer
Shopify	Análise das vendas, recomendação de produtos, página de destino
Meta	Anúncios estáticos, variantes de vídeos de sucesso, configuração da campanha
Klaviyo	Público definido a partir dos dados dos clientes, texto, agendamento ou envio após revisão

A empresa define os objetivos, os orçamentos e as etapas a validar (publicação das páginas, envio dos e-mails, despesas publicitárias). Exemplo dado pela Perplexity: uma coleção de verão com 15 % de desconto, uma campanha Meta de duas semanas limitada a 1 000 dólares e uma campanha Klaviyo para os clientes existentes, tudo apresentado antes do lançamento. Shopify já figurava entre as mais de 400 integrações de Computer; Perplexity oferece ajuda na configuração dos fluxos recorrentes, sem especificar preços nem planos.

🔗 O artigo da Perplexity sobre Computer for e-commerce

Synthesia apresenta em detalhe o seu plugin ChatGPT, disponível em todos os seus planos

3 de novembro — Após o anúncio feito na véspera no X, sem artigo, Synthesia apresenta em detalhe o seu plugin num artigo de Dan Spooner, gestor de produto responsável pelos workflows. O plugin está disponível no ChatGPT para todos os planos da Synthesia, e é possível começar gratuitamente: ativa-se a partir do menu Plugins do ChatGPT, podendo criar-se uma conta gratuita durante o processo. O utilizador descreve o vídeo pretendido ou fornece um documento, uma apresentação ou uma folha de cálculo; ChatGPT faz algumas perguntas (estilo visual, duração) e, em seguida, Synthesia cria o vídeo na conversa.

Por predefinição, os vídeos são produzidos com Syren, apresentado como o formato mais rápido; a instrução « make it in Studio » muda para Synthesia Studio quando é necessário um texto dito palavra por palavra por um avatar, um kit de marca ou um modelo. O plugin também pesquisa na biblioteca de vídeos e combina-se com os outros plugins ligados ao ChatGPT para workflows pontuais ou agendados, por exemplo, um resumo de 60 segundos de uma chamada Zoom ou um vídeo diário de boas-vindas a partir de BambooHR. O artigo menciona apenas ChatGPT, sem referir Claude, e não especifica preços nem consumo de créditos.

🔗 O artigo da Synthesia

Google lança Guided Learning no Google Classroom, testa-o na pesquisa e desativará Gemini por predefinição para os alunos K-12

3 de novembro — Google reúne os seus anúncios para a educação em torno de Guided Learning, o modo de estudo de Gemini que orienta o aluno através de perguntas e explicações passo a passo, em vez de lhe dar a resposta. Segundo o artigo principal, está disponível desde já no Google Classroom, em todo o mundo: o professor atribui uma atividade baseada nos seus materiais didáticos e vê em tempo real onde a turma precisa de ajuda. A pesquisa Google integrará estas funções para as contas de estudantes, com um projeto-piloto numa seleção de escolas dos Estados Unidos mais tarde em novembro.

A mudança mais estrutural diz respeito aos controlos: Gemini, Gemini Notebook, Gemini in Classroom e a pesquisa Google estarão totalmente desativados para as contas de alunos do pré-escolar ao ensino secundário (K-12) até que o administrador do estabelecimento os ative. Não é indicada nenhuma data: Google partilhará os detalhes com as escolas nos próximos meses.

Medida comunicada pela Google	Valor publicado
Ensaio aleatorizado na Universidade de Tóquio	mais de 300 estudantes, meio dia de estudo
Progresso apenas com ferramentas web	+5,3 pontos percentuais
Progresso com Guided Learning	+8,1 pontos, ou seja, ganhos 1,5 vezes maiores
Financiamento da Google.org	mais de 9,5 milhões de dólares para cinco organizações

🔗 O artigo da Google sobre IA e aprendizagem · O estudo sobre Guided Learning

Ferramentas Hugging Face: MOPD em TRL e Model Integration Contracts para Transformers

TRL passa a suportar MOPD, a destilação com vários professores que funde especialistas RL num único modelo

3 de novembro — TRL, a biblioteca de pós-treino da Hugging Face, passa a suportar a destilação on-policy com vários professores (Multi-Teacher On-Policy Distillation, MOPD), uma técnica assim denominada pela Xiaomi em janeiro para MiMo-V2-Flash e utilizada desde então por DeepSeek, Moonshot, NVIDIA, Liquid AI e Mistral, segundo o artigo de Sergio Paniego. Após um SFT comum, cada domínio (matemática, código, seguimento de instruções) recebe o seu próprio especialista treinado por RL; um aluno responde depois aos prompts de todos os domínios, e o especialista correspondente avalia a sua resposta token a token.

Em TRL, é o AsyncDistillationTrainer, ainda experimental, que encaminha cada prompt para o seu professor; a versão síncrona está em desenvolvimento (PR 7215) e MOPD ainda não aparece nas notas de TRL v1.17. O exemplo reutiliza os especialistas de Open-MOPD baseados em SmolLM3-3B e é executado numa única máquina com quatro H200 através de Hugging Face Jobs. O artigo assinala uma armadilha: o seguimento de instruções pode representar 20 % dos prompts, mas apenas 1 a 2 % dos tokens, pelo que o aluno quase não aprende com esse professor.

🔗 MOPD em TRL, no blog da Hugging Face

Hugging Face propõe os Model Integration Contracts para detetar em CPU as regressões de Transformers antes da fusão

3 de novembro — Num artigo de Tarek Ziadé, Hugging Face propõe os Model Integration Contracts (MIC), para testar os modelos de Transformers num simples processador antes que uma alteração chegue ao ramo principal. Ponto de partida: a 30 de julho, a ativação da atenção SDPA para T5 permitiu ao descodificador de UMT5 ver os tokens futuros durante o treino, um bug que permaneceu quase dois meses no ramo principal. Num teste que reproduz cinco meses de commits, um UMT5 reduzido de 66 Mo, contra 1 227 Mo do checkpoint real, deteta-o em cada commit.

Um contrato associa um modelo reduzido que mantém todos os tipos de camadas do original, um exemplo de utilização executável e valores de referência revistos por uma pessoa; Llama 4 Scout passa assim de 108,6 mil milhões para 44,7 milhões de parâmetros. A ferramenta de linha de comandos tmic recorre a um LLM para redigir o contrato, que uma pessoa valida. Os pesos contam: em Whisper, pesos aleatórios detetam 18 das 24 falhas injetadas, contra 24 em 24 com pesos sobreajustados. A 1 de novembro, o job da CI de Transformers assinala as falhas sem ainda bloquear as PR.

🔗 O artigo da Hugging Face sobre os Model Integration Contracts

Breves

Agentes e ferramentas de código

Resumo de outubro do Claude Code — A thread de @ClaudeDevs dá a conhecer uma variável ausente das notas de versão: CLAUDE_CODE_EVEN_MORE_DANGEROUSLY_SKIP_PERMISSIONS=1 deixa passar sem confirmação os poucos comandos rm arriscados para os quais o modo bypass permissions ainda pedia confirmação, a utilizar apenas num contentor descartável (Claude Code 2.1.311 ou superior). As sessões cloud também se preparam durante a escrita e aceitam um comentário numa linha do diff. 🔗 fonte
Copilot CLI 1.0.106-4 a 1.0.106-6 — Três versões preliminares numa noite: /settings torna-se um painel unificado com pesquisa global, o conteúdo MCP reservado ao utilizador deixa de ser enviado ao modelo e 67 correções neutralizam, entre outras coisas, novas sequências de escape. A versão estável mais recente continua a ser a 1.0.105. 🔗 fonte
Gemini CLI — A nightly de 3 de novembro disponibiliza finalmente a correção dos downloads interrompidos do Whisper, integrada na véspera, e uma nova PR integrada em main reforça a segurança do download de extensões: ficheiro temporário movido numa operação atómica, proteção contra SSRF e DNS rebinding, GITHUB_TOKEN reservado a github.com. As versões estável e preview mantêm-se inalteradas. 🔗 fonte
Gemini API CLI v0.4.5 — Notícia de 30 de outubro, retomada agora: a transcrição passa a usar Gemini 3.5 Transcribe por predefinição, com um parâmetro de ampliação de vídeo e a retoma de tarefas longas através de um token de continuação; a Google adicionou em 2 de novembro um skill gemini-api-cli ao seu repositório oficial gemini-skills. 🔗 fonte
DeepSeek Harness 0.2.2-alpha.3 — 36.ª versão preliminar, sem versão estável: uma função experimental reúne revisão de código e worktrees Git (diffs locais e de PR, código citado ao agente, acompanhamento das verificações), e chega uma ferramenta apply_patch desativada por predefinição. 🔗 fonte
Artifacts da Amp — Documentos associados à thread (plano, relatório, notas de chamada) que o agente, o utilizador e os seus colegas de equipa editam em conjunto; o agente lê as alterações antes de retomar, em vez de as sobrescrever. 🔗 fonte
Service Accounts da Amp — Contas pertencentes ao espaço de trabalho, com as suas próprias chaves de API, para automatizações de equipa: revisão de cada pull request, documentação ou job de CI que abre uma thread através de amp -ox. Sem preços divulgados. 🔗 fonte
Replit Agent no Slack — Já referido em 27 de outubro, o Replit Agent chega oficialmente ao Slack: basta mencioná-lo num canal ou numa mensagem direta para fazer perguntas sobre a base de código, trabalhar num projeto existente ou iniciar um; cada colega de equipa associa a sua conta, e o agente atua com as respetivas permissões. 🔗 fonte
Notas de versão do Devin — As de 2 de novembro aumentam de 500 para 1 000 repositórios o limite de uma análise de código e acrescentam análises automáticas agendadas; as de 30 de outubro, que tinham ficado fora do acompanhamento, trazem orçamentos hierárquicos, SSO OIDC ou SAML em self-service e a importação de constatações do SonarQube, Linear e Vanta. 🔗 2 de novembro · 🔗 30 de outubro
Harnesses de agentes na IBM Research — Com o mesmo modelo aberto GLM-5.3-flash em 90 tarefas AppWorld, o CUGA, o harness open source da IBM, conclui com sucesso 81,1 % das tarefas, contra 46,7 % do Hermes e 30,0 % do Deep Agents; a IBM reconhece as limitações do exercício (um único benchmark, configurações diferentes). 🔗 fonte
Kimi Work 3.2.24 — Os ficheiros Markdown na pré-visualização suportam propriedades de notas, as definições de rede seguem o proxy do sistema e o diagnóstico de rede abre offline; a 3.2.23 de 30 de outubro já abria as pré-visualizações HTML num separador do navegador. 🔗 fonte

Plataformas de desenvolvimento e API

Servidor MCP do GitHub 2.1.0 — Duas ferramentas experimentais, issue_artifact_read e issue_artifact_write, permitem aos agentes ler e gerir os artefactos associados às issues; continuam desativadas por predefinição, mesmo no modo Insiders, e são ativadas através da flag issue_artifacts. 🔗 fonte
Dependabot e Agent Package Manager — As atualizações de versão do Dependabot passam a abranger os skills, prompts e instruções de agentes declarados em apm.yml, com regeneração de apm.lock.yaml; sem atualizações de segurança. Disponível em github.com para todos os planos. 🔗 fonte
Python 3.15 no CodeQL e no Dependabot — O CodeQL 2.27.3 suporta a sintaxe do Python 3.15 e acrescenta um modelo de ameaças « ai », de adesão opcional e sem fontes integradas, para os dados produzidos por um LLM; o Dependabot também acompanha os projetos que passaram para Python 3.15. 🔗 CodeQL 2.27.3 · 🔗 Dependabot
GitHub Desktop — Depois do GitHub CLI em 21 de outubro, o GitHub Desktop 3.6.10 e versões posteriores passam a usar tokens de autenticação de curta duração, renovados automaticamente, para reduzir o período durante o qual um token divulgado continua a poder ser explorado; disponibilização gradual, sem GitHub Enterprise Server. 🔗 fonte
Centros de custos na API REST do GitHub — Um novo endpoint permite encontrar diretamente o centro de custos de um utilizador, de uma organização, de um repositório ou de uma equipa empresarial, em vez de percorrer todos os centros. 🔗 fonte
SDK da OpenAI — openai-python 3.44.0 e openai-node 7.49.0 acrescentam fornecedores de identidade de cargas de trabalho e regras de federação, depois de versões que alargam as ferramentas de delegação do Live Responses; o changelog da API ainda não refere estas alterações. 🔗 fonte
Claude, emissor de confiança — Nos planos Team e Enterprise, quando o fornecedor de identidade não suporta a autenticação gerida pela empresa, o Claude pode atestar a identidade de cada membro para ligar automaticamente os plugins; em beta com 14 plugins, incluindo Atlassian, Figma, Linear e Notion. 🔗 fonte
Marca de água de texto do Claude — Depois do Claude Fable 5.1 e do Claude Mythos 5.1, a marca de água de texto da Anthropic abrange o Claude Mythos 5, o Claude Opus 4.7 e o Claude Sonnet 4.6, sem tokens nem carateres ocultos; no Sonnet 4.6, alterar temperature, top_p ou top_k pode impedir a sua aplicação. 🔗 fonte

Segurança

Agentes cloud isolados na Replit — Num aviso de segurança divulgado pela Replit, o seu CTO Luis Héctor Chávez pede que os agentes cloud geridos e isolados se tornem a norma, com credenciais, rede e produção fora do alcance do agente; segundo um inquérito da Salt Security citado, 86,4 % dos inquiridos têm um agente em funcionamento, mas apenas 17,5 % sabem pará-lo automaticamente. 🔗 fonte
Guia de segurança da Cognition — Jack Cable, cofundador da Corridor, recapitula os incidentes de outubro (6,34 mil milhões de dólares roubados na Binance, extensão maliciosa do Claude Code no Cursor) e recomenda MFA resistente ao phishing, segredos retirados dos postos de trabalho, agentes de código cloud e uma idade mínima de 7 dias para os pacotes npm ou PyPI. 🔗 fonte
Sprint de segurança da OpenAI — Na mesma thread sobre o aumento das recompensas, a OpenAI anuncia, sem indicar uma data, o seu próximo sprint de segurança interno com os investigadores da Cathedral, que utilizarão os seus modelos para pôr à prova as suas defesas; o anterior tinha mobilizado 25 % dos seus engenheiros de produto. 🔗 fonte
Cisco e Daybreak — A Cisco cruza a sua telemetria de rede com o Daybreak e o GPT-6 Astra para encontrar e corrigir vulnerabilidades mais depressa, e explora com a OpenAI uma triagem mais rápida da exposição no Cisco Cloud Control; estudo de caso sem números. 🔗 fonte

Google: Workspace, Cloud e investigação

Gemini no Google Slides — Notícia de 30 de outubro, retomada agora: o Gemini modifica vários diapositivos ou uma apresentação inteira num único pedido (estilos, conteúdo extraído do Drive, fusão de diapositivos), apenas em inglês, com limites de utilização promocionais pelo menos até 1 de dezembro. 🔗 fonte
Avatares do Google Vids — Anunciada em 2 de novembro, a criação de um avatar a partir de uma imagem importada é suspensa logo no dia seguinte, sem nova data. 🔗 fonte
Limites de despesa do Google Cloud — Notícia de 31 de outubro, retomada agora: os limites de despesa passam a estar em disponibilidade geral, com uma API e reposição mensal a zero; para os serviços de IA, são acionados em poucos minutos com base em custos estimados em tempo real, sem nunca interromper o débito provisionado. 🔗 fonte
Google em Singapura — A Google abre um polo de investigação em Singapura e compromete-se com mais de 6 milhões de dólares em subsídios com a NUS e a NTU, incluindo 1,5 milhões para investigação sobre a doença de Alzheimer, mais 3 milhões da Google.org e da Google DeepMind para o Thrive Lab do INSEAD. 🔗 fonte

Modelos abertos e publicações da comunidade

Mistral Large 4 no Open Math OS — A Mistral anuncia a chegada do Large 4 (1,05T de pesos abertos, contexto de 1M) ao espaço de investigação matemática da SAIR, em funcionamento «a partir de hoje» para as equipas aprovadas, embora a SAIR o apresentasse como disponível desde 27 de outubro. 🔗 fonte
Orbital Trace — Nova demonstração da Mistral: segundo a empresa, o Large 4 construiu, testou e otimizou um sistema de acompanhamento 3D em tempo real de cerca de 19 000 satélites e detritos em órbita; o resultado é mostrado apenas em vídeo, sem ligação nem código. 🔗 fonte
Olmo 3 no Nextcloud — O Nextcloud, utilizado nomeadamente pelo governo federal alemão e pelo CSIC espanhol, disponibiliza o Olmo 3 7B com o llm2, o seu backend local para Assistant e Mail, e atribui-lhe a classificação verde da sua avaliação de IA ética; o 7B evita exigir 16 ou 32 GB de VRAM. 🔗 fonte
Dolci-Think-SFT-Clean-v2 — A Ai2 disponibiliza online, sem anúncio, uma versão filtrada dos dados de pós-treino de raciocínio do seu modelo 32B: 203 303 linhas removidas de 2 253 684 (15,6 % dos tokens), incluindo 148 210 problemas de matemática considerados contraditórios pelo Kimi K3; licença ODC-BY. 🔗 fonte
Palette da IBM Research — Um modelo aberto de 20B, ajustado com LoRA como «designer» e como «programador», cria apresentações segundo a identidade gráfica da IBM; no PresentBench, fica em segundo lugar em média, 1,1 pontos atrás do NotebookLM (59,7 contra 60,8). Não foi indicado o modelo de base, nem foram encontrados pesos publicados. 🔗 fonte
Claude Opus e os loops de OCR — Daniel van Strien fez o Claude Opus modificar 0,0085 % dos pesos de um pequeno modelo de OCR, sem treino, em menos de 3 horas e por cerca de 10 dólares de computação: em 2 165 páginas antigas, os loops descontrolados passam de 3 para 1, e os erros do volume de 1881 diminuem 38 %. 🔗 fonte
Qwenguard — Numa publicação da comunidade, João Galego transforma um processador RISC-V compilado em camadas à frente do Qwen3.5-4B num mecanismo de proteção que recusa chamadas a ferramentas fora da lista: nos seus testes, nenhuma chamada proibida passou e nenhum pedido normal foi bloqueado, mas o dispositivo torna a adulteração visível sem a impedir. 🔗 fonte

Imagem, vídeo, voz

ElevenAgents na Angle Health — Num projeto-piloto em oito línguas, 24 h/24 e com garantias HIPAA, os agentes da ElevenLabs trataram cerca de 80 % das chamadas de profissionais de saúde, das quais mais de 90 % foram resolvidas sem transferência, e pouparam perto de 9 000 minutos por dia. 🔗 fonte
SFX v3 para programadores — A publicação da ElevenLabs para programadores detalha a chamada a eleven_text_to_sound_v3 na API Sound Effects: prompt_influence a 0,3 por predefinição, duração livre salvo duration_seconds, e loop ainda reservado à v2; a ElevenLabs fala de uma atualização incremental. 🔗 fonte
HeyGen Voice e Grok Bot — Segundo apenas a HeyGen, as chamadas telefónicas feitas pelo Grok Bot, o agente da SpaceXSI, utilizam HeyGen Voice para falar com uma voz próxima da do utilizador; sem publicação, modelo ou disponibilidade especificados. 🔗 fonte
HeyGen Insiders — Um programa que paga aos criadores com pelo menos 1 000 seguidores pelas visualizações de vídeos curtos publicados em torno dos lançamentos da HeyGen, a partir de 20 000 visualizações em 7 dias, segundo uma tabela de remunerações ajustada ao envolvimento que não é publicada. 🔗 fonte
Expression Sheet da Luma — Uma prancha de seis expressões faciais de uma personagem, criada a partir de imagens, com três conjuntos de expressões e um ajuste de intensidade; sem publicação nem preços. 🔗 fonte
FLUX 3 Image Klein — A Black Forest Labs anuncia mais de um milhão de downloads do seu modelo concebido para edição precisa, sem especificar o período nem a plataforma. 🔗 fonte

Computação e infraestrutura na NVIDIA

Fábricas de semicondutores — A NVIDIA reúne os ganhos dos seus parceiros: cuLitho até 17 vezes mais rápido no Siemens Calibre, ACE+ da Applied Materials até 35 vezes com PhysicsNeMo, plasma da Lam Research previsto em milissegundos em vez de dias; nenhum produto novo. 🔗 fonte
Dynamo em Kubernetes — Notícia de 30 de outubro, retomada antes da KubeCon: o AI Cluster Runtime inclui o chart dynamo-platform 1.4.2 em receitas com versões fixadas e verificadas, e o Dynamo 1.5 trará um seletor de endpoint nativo em Rust. 🔗 fonte

Empresas, comunidade e guias

Heimstaden — A gestora imobiliária europeia reduz o custo de uma imagem com decoração virtual de cerca de 50 euros para menos de 0,10 euros nos Países Baixos, e uma analista sem experiência de desenvolvimento avaliou com o Codex os riscos ambientais de 20 112 ativos. 🔗 fonte
Duas contratações na OpenAI — Jill Hazelbaker, vinda da Uber, torna-se Chief Corporate Affairs Officer para liderar a comunicação mundial, e Dan Driscoll, antigo secretário do Exército dos Estados Unidos, torna-se conselheiro principal para a modernização da segurança nacional, um cargo recém-criado. 🔗 Jill Hazelbaker · 🔗 Dan Driscoll
Arnis e GitHub Copilot — O GitHub Blog conta como Louis Erbkamm, único responsável pela manutenção do Arnis (perto de 900 000 downloads, cerca de 70 contribuidores), faz a triagem de issues e bugs com o Copilot e lança subagentes da app GitHub Copilot para detetar regressões. Testemunho, sem novidades de produto. 🔗 fonte
Game Off 2026 — Notícia de 1 de novembro, retomada agora: a 14.ª game jam do GitHub, com o tema SHIFT, permite o desenvolvimento assistido por IA, devendo cada participante declarar a sua utilização de IA no momento da submissão, até 1 de dezembro em itch.io. 🔗 fonte
Guia de agentes autónomos da Perplexity — Cinco níveis de autonomia, quatro capacidades e sete boas práticas, com os números de um estudo de Harvard e da Perplexity: 57 % dos pedidos a agentes dizem respeito à produtividade e à aprendizagem. Nenhuma novidade de produto. 🔗 fonte

O que isto significa

O Pando mostra as duas faces dos agentes de código na OpenAI: foram eles que fizeram disparar a carga, com 1 378 % mais commits na branch principal em relação ao início de 2024, e foram eles que construíram a resposta em dez semanas, a partir de um núcleo concebido por um único engenheiro. O ganho não vem de um novo protocolo, mas de uma renúncia deliberada: ter uma visão coerente de todas as branches num dado instante. Quanto às ferramentas, é tempo de impor controlos: o Claude Code pede autorização antes de enviar o endereço de e-mail da conta e quantifica as despesas por programador, enquanto o Copilot chega ao JetBrains Air sem um limite de despesas configurável no Air.

A segurança mede-se cada vez mais pela prova do que pela declaração. O FlashProve permite verificar se uma resposta vem efetivamente de um determinado modelo, à custa de um custo adicional de cerca de 72 vezes e de contextos limitados a 1 024 tokens: um protótipo, ainda não um serviço. O CyberArena e o CWE-bench v2 seguem a mesma direção no que toca aos agentes: o que distingue os melhores é a defesa e a correção que resiste, enquanto a correção anunciada sem verificação continua a ser o erro mais frequente (23 % dos confrontos auditados). A OpenAI, por seu lado, paga agora até 172 000 dólares pela comunicação de uma falha excecional no ChatGPT, no Codex ou na sua API.

Os modelos abertos entram nas empresas por duas portas. A Cohere aloja-os num perímetro controlado, incluindo encriptação durante o processamento para Gemma, GPT-OSS e Phi, enquanto a Revolut, segundo o tweet partilhado pela Together AI, executa o GLM nos seus próprios GPU por cerca de um décimo do preço pago à Anthropic e à OpenAI: um valor de segunda mão, mas que mostra o que as empresas comparam agora. Os fornecedores fechados também se mexem: ao redirecionar o Gemini 2.5 Pro para o Gemini 3.8 Flash, a Google reduz o preço por token até ao final de dezembro, antes de duplicar o preço do 3.8 Flash a 1 de janeiro. O relatório do Mistral Large 4 mostra a escolha inversa: a redução do cache KV, levada mais longe para disponibilizar o modelo a um custo inferior, prejudicava as tarefas agênticas e teve de ser corrigida.

O mundo físico continua a ser o terreno onde as demonstrações e as medições mais divergem. A OpenAI mostra um dispositivo concebido em menos de uma semana com o GPT-6 Astra, mas reconhece ciclos de revisão para ter em conta as tolerâncias e o fabrico; no mesmo dia, no PLE, nenhum agente ultrapassa os 50 % em processos reais de engenharia, e apenas 41,3 % dos entregáveis da melhor configuração passam em todos os controlos de segurança. A resposta que se desenha é híbrida: na Google DeepMind, o modelo orquestra e ferramentas químicas determinísticas fazem os cálculos. Por fim, o StateBench recorda que continua a ser difícil acompanhar um documento longo: nos problemas mais difíceis, os modelos de fronteira caem para 13 % ou menos.