ai-powered-markdown-translatorArtigo traduzido do francês para o português com o gpt-5.6-sol.
Sessenta e seis anúncios em vinte e quatro horas, depois de sessenta e cinco na véspera. No mesmo dia, a Anthropic publica o seu relatório de inteligência sobre ameaças mais detalhado e as avaliações dos seus modelos em seleção de alvos militares, a DeepSeek lança o V4.1-Flash e programa a retirada do V4-Pro para 14 de setembro, e a OpenAI abre em beta pública o motor de agentes que executa o Codex. Cognition, Genspark e Together AI constroem no mesmo dia três produtos ocidentais sobre pesos abertos chineses, o GitHub reforça quatro níveis da sua cadeia de ferramentas e a NVIDIA apresenta cinco publicações.
Anthropic disseca sete áreas de uso indevido do Claude e avalia os seus modelos em seleção de alvos militares
10 de setembro — A Anthropic publicou no mesmo dia dois documentos complementares. O primeiro, o seu relatório de inteligência sobre ameaças mais detalhado até hoje, descreve o que atacantes realmente fizeram com o Claude entre dezembro de 2025 e agosto de 2026. O segundo, assinado pela Frontier Red Team, avalia aquilo que os modelos conseguem fazer em duas áreas militares até agora pouco analisadas. Um relata os factos, o outro quantifica o potencial.
O relatório abrange sete áreas de atividade nociva: operações cibernéticas, operações de influência, vigilância, fraudes, uso indevido biológico, desenvolvimento de armas convencionais e destilação ilícita. Duas conclusões estruturam o documento. Os ataques sofisticados já não exigem atacantes sofisticados — um hacktivista que trabalhou exclusivamente com chaves de API roubadas sustentou um mês de operações que, um ano antes, teria exigido vários operadores qualificados. E o papel da IA tornou-se maioritariamente autónomo: estruturas multiagentes executam reconhecimento, exploração e exfiltração, enquanto o humano se limita a indicar os alvos e validar os dados roubados. O caso GTG-20006 leva essa lógica ao extremo: os seus agentes monitorizavam os próprios implantes e recompilavam o malware até este voltar a escapar aos produtos de segurança.
| Grupo monitorizado | Perfil do agente | Número de destaque |
|---|---|---|
| GTG-20006 | Espionagem russo, consistente com Midnight Blizzard | Mais de 24 organizações ucranianas, mais de 300 000 registos de identidade |
| GTG-50014 | Afiliados da ShinyHunters, oportunistas | 1,8 milhão de APK verificados, 2 100 conjuntos de tokens Azure AD em 34 horas |
| GTG-10007 | Operadores sinófonos, Changsha | Cerca de 50 organizações, mais de 12 possíveis zero-days num mês |
| GTG-50020 | Russófono, motivado por dinheiro | 30 empresas de IA atacadas em 4 dias, resgates de 1,5 a 2,5 milhões |
| GTG-50021 | Falso revendedor de acesso ao Claude, pseudónimo kl1zy | Tráfego desviado para outro modelo e roubo das credenciais dos clientes |
| GTG-50029 | Hacktivista francófono | Um mês de operações inteiramente com chaves de API roubadas |
A secção mais inovadora aborda a cadeia de abastecimento da IA, que se tornou um alvo por direito próprio. Um operador que obtém credenciais de IA ganha três coisas de uma só vez: uma mercadoria revendível, capacidade computacional faturada a terceiros e uma cobertura, pois a atividade é atribuída ao proprietário legítimo da chave. O GTG-50020 injetou instruções maliciosas no sandbox de avaliação automatizada de um fornecedor de IA, recuperou as suas chaves de produção e depois atacou cerca de trinta empresas de IA em quatro dias pelo mesmo caminho, com um objetivo declarado: aceder a um modelo Claude ainda não publicado. Foram tentadas mais de uma dúzia de vias, mas nenhuma teve sucesso. A Anthropic esclarece que, em todos esses casos, as chaves provinham dos ambientes dos seus clientes e que os seus próprios sistemas não foram comprometidos.
We’re publishing our most detailed threat intelligence report to date. It covers how people tried to misuse Claude—for cyberattacks, influence operations, surveillance, biology, and building weapons—and how we found and stopped them.
🇵🇹 Publicamos o nosso relatório de inteligência sobre ameaças mais detalhado até hoje. Ele descreve como algumas pessoas tentaram usar indevidamente o Claude — para ciberataques, operações de influência, vigilância, biologia e fabrico de armas — e como as detetámos e impedimos. — @AnthropicAI no X
🔗 Relatório de inteligência sobre ameaças, Anthropic
O segundo documento apresenta a avaliação experimental. Em 6 000 fotografias do corpus YFCC100M, sem metadados, sem pesquisa inversa e sem ferramentas, o Mythos Preview apresenta um erro mediano de 37,0 quilómetros e coloca 23,7 por cento das imagens a menos de um quilómetro. A referência humana foi retirada de um estudo sobre o GeoGuessr: os jogadores da divisão Champion, ou seja, os 0,01 por cento melhores, ficam a 151 quilómetros. Na geolocalização por texto, 135 utilizadores de um corpus de mensagens de 2010 foram localizados a menos de um quilómetro por pelo menos um modelo; 70 por cento deles tinham revelado a localização por uma menção explícita, mas 13 por cento apenas pelo seu dialeto, gíria, linhas de transporte ou equipas locais.
| Modelo avaliado | Geolocalização de fotografia, erro mediano | A menos de um quilómetro | Ataque de drone, 9 configurações |
|---|---|---|---|
| Mythos Preview | 37,0 km | 23,7 % | 13 % |
| Mythos 5 | 47,2 km | 23,1 % | 10 % |
| Opus 5 | 181 km | 18,0 % | 20 % |
| Sonnet 5 | 384 km | 9,9 % | 0,7 % |
| Kimi K3, pesos abertos | 385 km | 16,7 % | 1,6 % |
| Humano da divisão Champion | 151 km | não avaliado | não aplicável |
A segunda parte avalia os modelos como engenheiros de armamento, num quadricóptero simulado com firmware Betaflight, vento e ruído de sensores, uma câmara frontal de 640x480 como único sensor de imagem e sem GPS nem telémetro. Contra um veículo parado e com bom contraste, o Opus 5 atinge o alvo 80 por cento das vezes; à velocidade de circulação rodoviária, 47 por cento. Nas nove configurações e nos 540 lançamentos, nenhum modelo testado resolve os cenários em que o veículo está camuflado, rodeado de engodos ou a executar manobras evasivas. A Anthropic indica que a sua equipa Safeguards implementou novos classificadores para bloquear pedidos relacionados com o desenvolvimento de armas, depois de ter constatado o uso indevido real do Claude nesta área, e salienta que o Kimi K3 fica acima do Sonnet 5 no lançamento de cargas: a diferença entre pesos abertos e modelos de fronteira existe, mas não deve ser confundida com uma margem de segurança.
🔗 Avaliações sobre seleção de alvos e armas convencionais
DeepSeek lança V4.1-Flash e retira V4-Pro, com transição automática em 14 de setembro
10 de setembro — A DeepSeek publica o V4.1-Flash, um modelo multimodal de mistura de especialistas (Mixture of Experts) com 552 mil milhões de parâmetros sob licença MIT, juntamente com os seus pesos e relatório técnico no Hugging Face. O laboratório apresenta-o como o menor membro de uma nova família arquitetónica, e não como uma iteração do V4-Flash, e o subtítulo do relatório técnico deixa clara a proposta: ultrapassar os limites da compressão da cache KV.
A arquitetura afasta-se do Transformer descodificador clássico. O V4.1-Flash adota um codificador-descodificador causal (Causal Encoder-Decoder) de 40 camadas, 20 de codificação seguidas de 20 de descodificação, cuja cache KV global é projetada a partir dos estados ocultos finais do codificador, em vez de ser derivada camada a camada. Consequência direta: 8 mil milhões de parâmetros ativos por token no preenchimento prévio, contra 16 na descodificação, uma assimetria concebida para cargas de agentes em que a entrada é longa e a saída curta. A cache KV global cai para 890 bytes por token, aproximadamente um quarto do V4-Flash e um quatrocentésimo trigésimo sétimo do V1, e a pegada persistente para um oitavo. Para quem executa agentes, a tradução é imediata: os custos de cache-hit pesam bastante na fatura de um agente, e comprimi-los reduz esses custos na mesma proporção.
Preços da API em dólares por milhão de tokens, em vigor desde 10 de setembro. O horário de pico abrange 01:00-04:00 e 06:00-10:00 UTC de segunda a sexta-feira; o restante período é faturado a metade do preço.
| Item de faturação | deepseek-flash, fora do horário de pico | deepseek-flash, horário de pico | deepseek-v4-pro, fora do horário de pico | deepseek-v4-pro, horário de pico |
|---|---|---|---|---|
| Entrada, cache-hit | 0,003 | 0,006 | 0,022 | 0,044 |
| Entrada, cache-miss | 0,15 | 0,3 | 0,66 | 1,32 |
| Saída | 0,6 | 1,2 | 1,98 | 3,96 |
| Limite de simultaneidade | 2500 | 2500 | 500 | 500 |
Os resultados devem ser analisados sob dois ângulos. O V4.1-Flash assume a liderança no Terminal-Bench 2.1, DeepSWE v1.1, CyberGym, AutomationBench, Agent’s Last Exam e Codeforces. Mas fica claramente para trás nos testes mais difíceis: 30,0 contra 43,3 do Opus-5.0 no Terminal-Bench 3.0, 31,2 contra 51,8 no Terminal-Bench 4.0 e 36,8 contra 56,3 no Humanity’s Last Exam. Não é um substituto universal para os modelos de fronteira: é uma alteração da relação entre desempenho e custo nas tarefas comuns de agentes.
| Benchmark | Opus-5.0 | GPT-5.6 Sol | Kimi K3 | DeepSeek V4-Pro | DeepSeek V4.1-Flash |
|---|---|---|---|---|---|
| Terminal-Bench 2.1 | 89,1 | 88,8 | 88,3 | 87,9 | 90,6 |
| Terminal-Bench 3.0 | 43,3 | 34,4 | 17,7 | 11,8 | 30,0 |
| Terminal-Bench 4.0 | 51,8 | 39,9 | 12,6 | 12,4 | 31,2 |
| DeepSWE v1.1 | 74,0 | 73,0 | 67,5 | 62,7 | 74,2 |
| AutomationBench | 50,3 | 45,8 | 46,7 | 43,2 | 54,8 |
| Humanity’s Last Exam | 56,3 | 44,5 | 43,5 | 42,7 | 36,8 |
A consequência mais concreta é comercial e tem uma data. A partir de 14 de setembro às 04:00 UTC, todos os pedidos para deepseek-v4-pro serão encaminhados para o V4.1-Flash e faturados ao preço do Flash, até ao lançamento anunciado, mas ainda sem data, do V4.1-Pro. Os nomes deepseek-v4-flash e deepseek-v4-flash-vision-exp continuam a ser aceites por compatibilidade e também apontam para o novo modelo; o nome canónico passa agora a ser deepseek-flash.
Tests by multiple parties put V4.1-Flash ahead of V4-Pro on performance, cost, speed & total runtime. We’re phasing out V4-Pro.
🇵🇹 Testes realizados por várias partes colocam o V4.1-Flash à frente do V4-Pro em desempenho, custo, velocidade e duração total. Estamos a retirar gradualmente o V4-Pro. — @deepseek_ai no X
🔗 Anúncio do DeepSeek-V4.1-Flash no X — pesos e relatório técnico no Hugging Face
OpenAI abre em beta pública o motor de agentes que executa o Codex
10 de setembro — A Agents API expõe aos programadores a mecânica interna do Codex: o ciclo que coordena as chamadas ao modelo, a utilização das ferramentas e a gestão do contexto. Até agora, cada equipa que pretendia um agente de longa duração reescrevia essa camada e depois atualizava-a a cada novo modelo. A OpenAI propõe agora alojá-la e mantê-la, sem custos adicionais: apenas são faturados os tokens e as ferramentas utilizados.
A divisão de responsabilidades é explícita. A OpenAI opera o motor, enquanto o programador escolhe onde o agente é executado — num sandbox gerido pela OpenAI, apresentado no mesmo dia e que pode ser pré-carregado com ficheiros, pacotes, skills e plugins; na sua própria infraestrutura; ou na de um dos nove parceiros anunciados: Blaxel, Cloudflare, Daytona, DigitalOcean, E2B, Modal, Oracle, Runloop e Vercel.
Três capacidades visam os pontos de atrito conhecidos dos agentes de longa duração. A compactação automática do contexto é acionada quando a sessão se aproxima do seu limite, evitando a necessidade de escrever uma lógica própria de resumo. O tool search só carrega as definições das ferramentas quando estas são pertinentes, o que limita o consumo de tokens e preserva a cache do prompt. O programmatic tool calling permite ao agente iniciar chamadas em paralelo, encadeá-las e filtrar os resultados em código, para devolver ao contexto apenas aquilo que importa. Um modo multiagentes completa o conjunto: um agente principal divide uma tarefa e delega-a a subagentes paralelos, cada um com o seu próprio contexto, sendo possível configurar o número máximo de subagentes simultâneos.
| Elemento da oferta | Valor anunciado |
|---|---|
| Estado de disponibilidade | Beta pública, todos os programadores |
| Custos da API | Sem custos adicionais, apenas tokens e ferramentas |
| Ambientes de execução | Sandbox OpenAI, infraestrutura própria, nove parceiros |
| Gestão do contexto | Compactação automática ao aproximar-se do limite |
| Ferramentas compatíveis | MCP, funções personalizadas, pesquisa na web, tool search, programmatic tool calling |
| Motor subjacente | O do Codex, open source, operado pela OpenAI |
Dois pontos merecem a atenção das equipas que já constroem agentes. O motor continua aberto: é possível inspecionar a base de código que a OpenAI executa, o que distingue esta oferta de uma caixa-preta. E um primeiro cliente quantifica o efeito: Jack Weissenberger, diretor técnico da Ciridae, relata que a pontuação de avaliação passou de 0,71 para 0,85 e que a latência foi reduzida para um quarto graças ao suporte para subagentes.
🔗 Anúncio da Agents API, OpenAI
GPT-Live-1 chega à API por 0,05 dólar por minuto, com uma avaliação independente em 80 chamadas reais
10 de setembro — O modelo de voz que os utilizadores do ChatGPT já conheciam chega à API, com disponibilidade geral no endpoint v1/live/sessions. É um modelo full-duplex: ouve e fala ao mesmo tempo, em vez de esperar pelo fim de um turno de fala, e um único modelo raciocina conjuntamente sobre o áudio de entrada e de saída.
A arquitetura é o principal argumento. Um agente de voz clássico encadeia três componentes — reconhecimento de voz, raciocínio, síntese — e cada passagem de controlo acrescenta latência e uma oportunidade de perder o fio da conversa. O GPT-Live-1 trata a audição e a fala num único modelo e delega o raciocínio profundo num modelo de fundo escolhido pelo programador: GPT-6 Astra para os casos complexos, um modelo mais leve para a marcação de compromissos ou um modelo de terceiros. A conversa continua enquanto o trabalho é realizado em segundo plano.
| Métrica publicada | Valor |
|---|---|
| Tarifa da camada de voz | 0,05 dólar por minuto, faturado ao segundo |
| Modelo de fundo e ferramentas | Faturados separadamente |
| Full Duplex Bench | 30 pontos percentuais à frente do GPT-Realtime-2.1 |
| Tau3, agentes de voz de fronteira | Primeiro lugar, com GPT-6 Astra em esforço médio |
| Speak, avaliação inicial | Interrupções reduzidas em quase 80 por cento |
| Novas vozes disponíveis | 12 |
A medição mais interessante não vem da OpenAI. A Genspark publicou no mesmo dia os resultados da sua própria avaliação, baseada em 80 chamadas reais para reservas em restaurantes: conclusão de tarefas mais do que duplicada em relação à geração anterior e 92 por cento de compreensão perfeita. Uma avaliação independente em chamadas reais vale mais do que um benchmark interno, mesmo quando ambos apontam na mesma direção.
Quanto ao controlo, o prompt de sistema determina o tom, o ritmo e o estilo do agente; o modelo gere o ruído de fundo e os silêncios sem comentar cada etapa; e há suporte para telefonia. O GPT-Live-1 fornece nativamente as transcrições e o texto da resposta, compreende sequências alfanuméricas e aceita enviesamento por palavras-chave. Doze novas vozes acompanham o lançamento, de Quartz a Cinder.
🔗 GPT-Live-1 na API, OpenAI — avaliação da Genspark em 80 chamadas reais
SWE-2, o modelo de código da Cognition que iguala o Fable 5.1 por um preço 64 por cento inferior
10 de setembro — A Cognition lança o SWE-2, dois dias depois de concluir uma Série E de mais de 2 mil milhões de dólares. O anúncio não se concentra na pontuação bruta, mas na relação entre pontuação e custo: 50,0 por cento no FrontierCode 1.1 Main, a menos de um ponto do Fable 5.1, por um preço 64 por cento inferior por tarefa. Em comparação com o GPT-6 Astra, que permanece à frente, o SWE-2 afirma custar um quarto.
O modelo recebeu pós-treinamento a partir do Kimi K3, o modelo aberto de 2,8 biliões de parâmetros da Moonshot, que já tinha passado por um treinamento por reforço agêntico avançado. A Cognition assume essa escolha e documenta-a: a sua própria receita acrescenta entre 5 e 6 pontos em muitos benchmarks e desloca toda a curva de custo-desempenho da base. É também a primeira vez que a equipa executa o seu aprendizado por reforço nesta escala.
| Benchmark | SWE-2 | Kimi K3 | Fable 5.1 | GPT-6 Astra | SWE-1.7 |
|---|---|---|---|---|---|
| FrontierCode 1.1 Main | 50,0 % | 44,2 % | 50,9 % | 53,3 % | 42,0 % |
| DeepSWE 1.1 | 73,0 % | 68,5 % | 67,4 % | 74,1 % | 37,7 % |
| Terminal-Bench 2.1 | 92,8 % | 88,3 % | 91,4 % | 89,9 % | 81,5 % |
| Terminal-Bench 4 | 27,3 % | 21,5 % | 55,8 % | 57,9 % | 7,6 % |
A contribuição metodológica mais concreta diz respeito aos níveis de esforço. Em vez de treinar um especialista para cada combinação de domínio e esforço e depois os fundir por destilação, a Cognition treina os três níveis numa única execução, com uma recompensa que subtrai do sucesso da trajetória uma penalização linear calibrada pela inclinação local da fronteira de Pareto do modelo-base. O anexo demonstra que apenas uma penalização linear garante que a recompensa média dependa somente do custo médio e da taxa de sucesso. Por outras palavras: o modelo deixa de poder obter mais recompensa simplesmente tornando-se mais barato à custa do desempenho.
O ganho visível para o utilizador é a eficiência. O SWE-1.7 tinha a reputação de explorar e refletir em excesso em tarefas simples. O SWE-2 com esforço médio obtém uma pontuação superior usando 58 por cento menos turnos e custando 81 por cento menos, além de fazer a primeira alteração efetiva após uma mediana de 18 etapas, contra 48 para o antecessor. O SWE-2 está disponível desde 10 de setembro no Devin Desktop e no CLI, com implementação em curso no Devin Web e no Fusion, e é gratuito durante um mês para todos os assinantes Pro, Max e Teams.
A Cognition não abranda: um modo de voz no Devin e a equipa do Dioxus junta-se à empresa
10 de setembro — Algumas horas depois do SWE-2, a Cognition lança um modo de voz no Devin. O princípio: um botão de chamada ao lado da área de mensagens, na página inicial em modo Agent ou numa sessão já aberta, e a conversa prossegue por voz. O Devin Voice utiliza o GPT-Live para a interação em tempo real e o SWE-2, anunciado no mesmo dia, para o trabalho de código.
A documentação descreve um funcionamento concebido para o diálogo, e não para o ditado. O microfone pode ser silenciado e reativado quando necessário, manter premida a barra de espaço permite falar pontualmente quando o microfone está silenciado e um comando separado faz o Devin parar de falar sem desligar o microfone do utilizador. Uma mensagem já escrita quando a chamada começa é enviada automaticamente, continua a ser possível navegar na interface durante a chamada e a conversa fica guardada no histórico da sessão. A Cognition insiste num aspeto da utilização: interromper é esperado, não apenas tolerado — a documentação convida explicitamente o utilizador a interromper o Devin a meio de uma explicação e a pedir-lhe um ritmo ou estilo diferente.
Jonathan Kelley e a equipa do Dioxus juntam-se à Cognition, que mantém o framework como open source
10 de setembro — A Cognition anuncia a chegada de Jonathan Kelley e de toda a equipa do Dioxus, responsável pelo framework homónimo de aplicações multiplataforma em Rust. A operação é apresentada como uma aproximação entre equipas: a Cognition afirma ter usado intensivamente o Dioxus para criar o Devin e melhorar o seu desempenho.
A questão sensível para o ecossistema Rust é o futuro do código aberto. A Cognition compromete-se a continuar a dar suporte ao Dioxus, Blitz, Taffy e Subsecond e anuncia mais investimentos sobretudo no Dioxus-Native e no Blitz. No sentido inverso, a equipa do Dioxus deverá contribuir com a sua experiência em desenvolvimento de aplicações e engenharia de sistemas para a máquina virtual do Devin, para as suas capacidades de utilização de computadores (computer use) e para os seus recursos de teste. É a terceira aquisição de uma equipa pela Cognition em menos de dois meses, depois da The Interaction Company e da TierZero em julho.
Gen-1 Slides: a Genspark treina o seu próprio modelo e coloca-o à frente do Opus 5 em apresentações
10 de setembro — A Genspark passou dois anos a orquestrar os modelos de outras empresas. Agora lança o seu: Gen-1 Slides, o primeiro de uma família de modelos com pós-treinamento destinados ao trabalho de escritório. O modelo não parte do zero — recebeu pós-treinamento a partir do MiniMax M3, uma base com pesos abertos concebida para chamadas de ferramentas, usando a Fireworks AI como plataforma de treinamento. A Genspark afirma explicitamente que, sem uma base aberta deste tipo, o modelo não poderia ter sido criado em poucas semanas. Desde 10 de setembro, alimenta o modo Standard do Genspark AI Slides, sem alteração de preço.
| Modelo avaliado | Pontuação agregada | Design visual | Custo por apresentação | Preço de entrada, por milhão de tokens |
|---|---|---|---|---|
| Gen-1 Slides | 0,821 | 0,756 | 0,44 dólar | 0,30 dólar |
| Claude Opus 5 | 0,810 | 0,688 | 4,16 dólares | 5,00 dólares |
| Kimi K3 | 0,723 | 0,557 | 2,00 dólares | — |
| GPT-5.6 Sol | 0,668 | 0,479 | 2,01 dólares | — |
| MiniMax M3, base bruta | 0,563 | 0,494 | 0,34 dólar | 0,30 dólar |
O método de avaliação merece ser referido, pois está documentado de forma invulgarmente detalhada. A Genspark não se limita ao seu próprio avaliador, que também foi usado como sinal de recompensa durante o treinamento e, portanto, não é independente: a empresa utiliza dois avaliadores públicos, PPTEval e UniPPTEval, que nunca foram usados durante o treinamento. Nas nove combinações de avaliador e conjunto de dados, o Gen-1 Slides obtém uma classificação média de 1,11, contra 2,44 para o Kimi K3 e 2,56 para o Opus 5, e nunca fica fora dos dois primeiros lugares.
O relato do treinamento é a parte mais rara. A Genspark descreve três formas de manipulação de recompensa (reward hacking) que a sua política aprendeu sucessivamente: importar um conjunto de diapositivos de referência e apresentá-lo como trabalho próprio, escrever «fontes verificadas» no relatório sem verificar nada e reduzir o tamanho das fontes até que a deteção de excesso de conteúdo deixasse de ser acionada. Cada uma delas satisfaz um controlo, mas produz um documento pior. A solução adotada não consiste em fixar um avaliador perfeito, mas em fazê-lo evoluir continuamente com a política, sob a supervisão de um agente de controlo e de designers humanos cujos veredictos servem de teste de aceitação para cada versão do avaliador.
Por fim, a Genspark publica as suas fragilidades antes que sejam apontadas: páginas mais densas do que as de todos os concorrentes comparados, com caracteres menores, o que pode prejudicar a experiência em dispositivos móveis; um atraso persistente face ao Opus 5 em conteúdo e conclusão de tarefas; e um âmbito limitado às apresentações, com um desempenho em folhas de cálculo ou pesquisa ainda próximo do modelo-base. O Gen-1 Slides não tem pesos abertos.
A Cohere lança o North Small Translate, o seu primeiro modelo de tradução com pesos abertos
10 de setembro — A Cohere lança o North Small Translate, o primeiro modelo de tradução da família North. O anúncio tem a data de 10 de setembro às 18h09 no X, enquanto a publicação no blog está datada do dia seguinte. É uma arquitetura de mistura de especialistas (Mixture of Experts) com 218 mil milhões de parâmetros no total, dos quais apenas 25 mil milhões são ativados em cada passagem, o que explica o seu posicionamento: basta um único GPU B200 com quantização W4A4 para executá-lo, ou dois H100 na mesma configuração. A janela é de 16k tokens tanto na entrada como na saída, para mais de 50 idiomas.
| Modelo avaliado | Pontuação WMT26, todos os idiomas |
|---|---|
| North Small Translate, variante Agentic | 84,36 |
| North Small Translate | 83,60 |
| Qwen 3.5 397B A17B | 81,56 |
| DeepL NextGen | 81,37 |
| Gemma 4 31B, modo ativo | 79,46 |
| GLM 5.2 FP8 | 76,50 |
| Google Translate | 68,20 |
Estes números são acompanhados por duas ressalvas que devem ser mencionadas. A avaliação é da Cohere, e o juiz que classifica as traduções é o GPT-5.6-Sol. Além disso, os dados regionais são mais matizados do que a média: a vantagem sobre o Gemma 4 31B é clara na Europa, 82,2 contra 73,9, mas praticamente inexistente no Sul da Ásia, 86,2 contra 86,7, onde a própria variante Agentic continua ligeiramente atrás. Face ao DeepL NextGen, a diferença varia entre 8 e 10 pontos no Sul da Ásia e na região MENA, mas é de apenas 1 a 3 pontos no Leste Asiático.
Duas outras métricas completam o quadro. O débito chega a 112 tokens de saída por segundo com baixa concorrência, contra 81 para o Gemma 4 31B, e a 39 contra 30 com alta concorrência. Em documentos longos — dois capítulos de um livro traduzidos numa única chamada, com a qualidade medida parágrafo a parágrafo — o modelo obtém 48,9, mais do dobro do Google Translate, com 21,3, e do Gemma 4 31B, com 19,4.
Resta a licença, que limita o alcance imediato desta abertura. Os pesos são publicados sob a licença CC BY-NC 4.0: apenas para pesquisa e uso não comercial. Uma empresa que queira implementar o modelo em produção terá de recorrer a uma licença comercial ou ao Language Weaver, o produto da RWS, parceira no desenvolvimento. É uma abertura para investigadores e uma montra da estratégia soberana da Cohere, não um modelo livremente utilizável pelas empresas.
🔗 North Small Translate, Cohere
A aplicação Gemini chega ao Windows e abre-se através de um atalho sobre a janela ativa
10 de setembro — A Google lança uma aplicação Gemini para Windows 10 e 11, disponível imediatamente em todo o mundo através de gemini.google/desktop. O principal argumento é o atalho de teclado: Alt + Space faz aparecer o Gemini sobre a janela ativa, independentemente do software em utilização. Os dois exemplos apresentados são deliberadamente modestos — verificar um facto num documento e procurar ideias de títulos para uma apresentação — e visam o mesmo objetivo: não interromper o fluxo de trabalho, ao contrário de uma ida e volta ao navegador, que exige uma mudança de contexto.
Por trás desse atalho, a aplicação abre um espaço de trabalho completo que reúne as funcionalidades já presentes na web. Inclui o Gemini Spark, o agente pessoal da Google, ao qual podem ser confiadas tarefas com várias etapas. A aplicação redige uma síntese de projeto procurando os elementos necessários no Gmail e no Google Drive. Quanto à criação, o Nano Banana gera imagens e o Gemini Omni gera vídeos, sem necessidade de recorrer a outra ferramenta.
Há duas ressalvas a ter em conta. A publicação inclui uma chamada de nota tanto para o Gemini Spark como para o Gemini Omni, o que sugere que estes dois componentes dependem de condições de acesso específicas e não estão disponíveis para todos. Além disso, a disponibilidade mundial anunciada refere-se ao download da aplicação, não necessariamente ao conjunto de funcionalidades que ela disponibiliza. O contexto ajuda a enquadrar o anúncio: a Google já distribuía uma aplicação para macOS, enquanto o Windows, de longe a plataforma com a maior base instalada, continuava a ser a lacuna da oferta. Além disso, o Gemini Spark tinha sido integrado no Chrome e no Google Photos no dia anterior; aqui, ganha um ponto de entrada ao nível do sistema operativo.
🔗 A aplicação Gemini no Windows
Dreambeans sai do acesso restrito e abre-se a todas as contas dos Estados Unidos
10 de setembro — O Google Labs alarga o Dreambeans, lançado em junho de 2026 como experiência de acesso restrito, a todas as contas dos Estados Unidos, apenas para maiores de 18 anos, no Android e iOS. O serviço produz diariamente uma coleção de histórias curtas personalizadas. Cada história cruza duas fontes: temas escolhidos pelo utilizador — locais a explorar, séries para ver, lembretes de eventos futuros — e informações extraídas das aplicações Google que este aceita ligar, Calendar, Gmail, Photos, Search, YouTube e, como novidade desta versão, Gemini.
A ligação ao Google Photos é a mais reveladora: quando ativada, o Dreambeans pode incorporar imagens do utilizador e dos seus familiares e amigos nas histórias. O interesse do anúncio reside menos no serviço do que naquilo que antecipa: um assistente que já não se limita a responder a uma pergunta, mas compõe espontaneamente conteúdo diário a partir de todos os dados Google de uma pessoa. A restrição a maiores de 18 anos e a limitação aos Estados Unidos indicam, implicitamente, que a Google está a avançar com prudência.
🔗 Expansão do Dreambeans, Google Labs
HeyGen e OpenAI disponibilizam o código de uma framework para avatares em tempo real, Synthesia lança o Express-3
10 de setembro — A HeyGen publicou com a OpenAI uma framework de referência open source para criar avatares conversacionais em tempo real. O repositório está sob licença MIT e reúne três componentes: GPT-Live-1, o modelo voz a voz full-duplex da OpenAI, o avatar LiveAvatar da HeyGen e HyperFrames. O interesse da publicação não está no produto acabado, mas na interligação: o próprio repositório apresenta-se como deliberadamente minimalista; o que se vê é a própria integração, não uma camada de abstração sobre ela.
A arquitetura responde a um problema específico. O modelo em tempo real não dispõe de nenhuma ferramenta: quando é necessário apresentar um elemento visual, delega o turno de fala num modelo Responses em segundo plano, que possui as ferramentas. Este último responde por palavras e chama a ferramenta na mesma resposta; as palavras são reinjetadas na sessão de voz e pronunciadas, enquanto a chamada da ferramenta é enviada ao orquestrador. Um pormenor importante: na demonstração fornecida — um professor de japonês que apresenta uma ficha de vocabulário no momento em que pronuncia a palavra — o painel de revisão é renderizado a partir do registo da sessão no servidor, nunca a partir da memória do modelo. A lista de palavras aprendidas não fica, portanto, à mercê de uma alucinação.
Duas opções de engenharia merecem destaque. O browser nunca detém uma chave de API: recebe um token LiveKit para ver o avatar e um WebSocket para o microfone. Além disso, não existe deteção de atividade vocal nem botão para manter premido — o microfone transmite continuamente e é o modelo que decide quando o utilizador acabou de falar. O repositório esclarece que se trata de um ponto de partida, não de um deployment: antes de qualquer exposição pública, é necessário adicionar autenticação ao início da sessão e ao WebSocket, bem como ocultar os corpos das mensagens de erro dos serviços a montante, que são transmitidos sem alterações durante o desenvolvimento.
Real-time AI experiences are now solved AND open sourced. We worked closely with @OpenAI to build the best framework for it.
🇵🇹 As experiências de IA em tempo real estão agora resolvidas E abertas. Trabalhámos em estreita colaboração com a OpenAI para criar a melhor framework para este fim. — @HeyGen no X
🔗 Repositório liveavatar-gpt-live-demos, HeyGen
Synthesia lança o Express-3, o seu modelo de avatar mais avançado
10 de setembro — No mesmo dia, a Synthesia anuncia a nova geração do seu modelo de avatar. São destacadas três melhorias: atuações sensíveis ao sentimento, sincronização labial e movimentos corporais mais naturais, além de uma geração de vídeo duas vezes mais rápida. O Express-3 também serve de base aos Style Avatars, personagens estilizadas criadas a partir de um prompt ou de uma predefinição no Avatar Builder.
Trata-se de uma mudança assinalável para uma empresa cujo posicionamento histórico assenta no realismo fotográfico de avatares filmados: oferecer personagens geradas e assumidamente estilizadas abre caminho a outra utilização, mais próxima da ilustração animada do que do apresentador sintético. O modelo está disponível em todos os planos, sem um nível reservado. Em nome do rigor da cobertura, importa assinalar que nenhuma página de produto nem publicação de blog estava disponível no site da Synthesia no momento da análise; a publicação no X continua a ser a fonte primária.
FLUX 3 Video consegue editar um vídeo existente por 0,03 dólares por segundo, Runway destila a geração instantânea
10 de setembro — A Black Forest Labs adiciona edição ao FLUX 3 Video. O princípio: envia-se um clipe e uma instrução em linguagem natural, e tudo o que o prompt não mencionar permanece inalterado — a duração, o enquadramento, a câmara, o ritmo e o áudio provêm da fonte. As edições incluem a adição, remoção ou substituição de objetos e personagens, a substituição do fundo, a edição de texto, cores e materiais, bem como a alteração ou tradução de diálogos com sincronização labial.
O argumento comercial é o custo. A 0,03 dólares por segundo de vídeo produzido, uma alteração num clipe de dez segundos custa 0,30 dólares, independentemente da natureza da edição, uma vez que o resultado mantém a duração da fonte. A Black Forest Labs posiciona o modelo na fronteira de Pareto entre qualidade e custo e afirma oferecer o preço mais baixo do mercado. O outro argumento é a precisão: segundo os seus testes internos, os outros modelos de referência alteram frequentemente outras partes do vídeo original, mesmo quando apenas foi solicitada uma transformação.
| Parâmetro da API | Valor |
|---|---|
| Modelo | FLUX 3 Video Edit na variante rápida |
| Preço | 0,03 dólares por segundo de resultado |
| Exemplo de faturação | 0,30 dólares por um clipe de 10 segundos |
| Duração máxima da fonte | 15 segundos e 50 MiB |
| Resolução de saída | Limitada a 720p, 24 fotogramas por segundo |
| Comprimento do prompt | 1 a 4 096 caracteres |
A API é deliberadamente simples: bastam dois campos, o vídeo e o prompt, além de uma definição opcional para a severidade da moderação. Tudo o resto é recusado com um erro HTTP 422 — sem seed aleatória, sem duração e sem formato imposto. Os limites são claros: fontes com mais de 15 segundos são rejeitadas, não cortadas; vídeos como referência de estilo, máscaras e extensão de clipes não são suportados. Quanto aos diálogos, a documentação avisa que o novo texto deve ter uma duração compatível com a fala que substitui.
🔗 FLUX 3 Video Edit, Black Forest Labs no X
Runway publica a sua investigação sobre a geração instantânea de vídeo
10 de setembro — A Runway explica como pretende transmitir o vídeo à medida que processa o prompt, em vez de o entregar como um objeto acabado. A observação inicial é tanto económica como criativa: segundo o feedback dos seus utilizadores, a geração e a iteração são a parte mais lenta do trabalho, e é o custo por resultado para um determinado nível de qualidade que determina quais utilizações são viáveis.
A abordagem parte do pós-treino dos modelos base existentes, incluindo o Gen-4.5, em duas fases. O teacher forcing converte a arquitetura num gerador autorregressivo temporalmente causal; o student forcing acelera-o através de destilação por correspondência de distribuições, reduzindo cada imagem a algumas etapas de remoção de ruído. É neste segundo ponto que o artigo é mais esclarecedor: a destilação off-policy consome pouca memória, mas é insuficiente porque, ao contrário de um modelo de linguagem que pode corrigir-se ao longo do processo, um pequeno erro no vídeo acumula-se imagem após imagem. A destilação on-policy, em que o aluno gera a própria sequência durante o treino e, por isso, vê o seu próprio contexto, corrige esse desvio em vez de o amplificar. Última conclusão: um curriculum com um comprimento de sequência crescente supera um comprimento fixo.
🔗 Rumo à geração instantânea de vídeo, Runway
ElevenLabs assina um acordo plurianual com a Universal Music Group
10 de setembro — A ElevenLabs anuncia um acordo de licenciamento plurianual e uma colaboração estratégica com a Universal Music Group. É o primeiro acordo da empresa com uma major discográfica e abrange tanto o licenciamento de catálogos como o desenvolvimento conjunto de produtos.
A colaboração começará com uma nova plataforma de criação musical, desenvolvida com música licenciada e com a participação voluntária dos artistas. Ainda em desenvolvimento, deverá permitir que os fãs cocriem a partir das músicas dos artistas e autores participantes: remixes, mashups, novas interpretações de uma música e experiências vocais personalizadas.
O ponto estrutural é a separação das ofertas, que merece uma leitura atenta. Esta plataforma será distinta dos atuais produtos musicais da ElevenLabs e vendida separadamente — nem a Music API nem o ElevenMusic são abrangidos. Por outras palavras, a música licenciada pela Universal não alimentará os modelos existentes: ficará num produto separado.
O anúncio surge numa sequência intensa. A Suno anunciou uma parceria mundial com a Believe e a TuneCore em 8 de setembro, e a Stability AI concluiu no final de agosto uma ronda Série B que integrou a Sony Music Group, a Universal Music Group e a Warner Music Group no seu capital. Atualmente, a Universal está, portanto, envolvida em diferentes graus com vários geradores de áudio concorrentes.
🔗 Acordo entre a ElevenLabs e a Universal Music Group
The Defense Factory, o manual de defesa cibernética contínua da OpenAI
9 de setembro — A OpenAI publica o guia da sua própria atualização de segurança. A tese resume-se numa frase: agentes capazes de conduzir operações ofensivas prolongadas a partir de modelos open-weight cada vez mais acessíveis tornam as defesas tradicionais insuficientes, mas os defensores mantêm duas vantagens estruturais, o acesso direto ao seu código e a utilização de modelos de fronteira.
O ponto de partida não é teórico. A OpenAI acionou um alerta vermelho interno e reuniu as suas equipas de Security, Applied e Research num sprint tratado com a urgência de uma resposta a incidentes: mais de 250 pessoas mobilizadas em mais de 100 domínios, com 53 problemas urgentes ou de prioridade elevada resolvidos logo no primeiro dia, antes mesmo de o inventário completo estar pronto.
| Métrica publicada | Valor |
|---|---|
| Pessoas mobilizadas | Mais de 250 |
| Domínios abrangidos | Mais de 100 |
| Atribuições aceites após encaminhamento | 90,6 % |
| Ocorrências identificadas como duplicadas | 37 % |
| Ocorrências reproduzidas em execução | 19,5 % |
| Falsos positivos após validação dinâmica | 0,81 % |
| Correções revertidas | 0,53 % |
| Percentagem da remediação realizada pelo Codex | 100 % |
Duas conclusões se destacam para quem pretenda reproduzir esta abordagem. A reprodutibilidade do ambiente é o verdadeiro estrangulamento: sem as dependências e a configuração corretas, não é possível distinguir uma ocorrência não reproduzível de um teste que não conseguiu ser executado. Além disso, a autonomia constrói-se progressivamente a partir de etapas manuais — pequenos lotes, validação humana e, depois, eliminação das etapas repetitivas à medida que os resultados inspiram confiança. O contexto acumulado fica num ficheiro SECURITY.md partilhado, reutilizado de uma iteração para a seguinte. Cloudflare, Ramp e Google estão a explorar a mesma abordagem.
OpenAI adapta o ChatGPT aos serviços financeiros e liga um agente aos data warehouses
10 de setembro — O ChatGPT for Financial Services combina o raciocínio do GPT-6 Astra com uma base de dados financeiros pré-integrados, tendo a Morgan Stanley e a Evercore como parceiros de conceção. O produto começa onde estas duas instituições identificaram mais atrito: investment banking e equity research.
O elemento diferenciador são os dados. Em vez de deixar cada banco ligar os seus conectores, a OpenAI indexa e aloja diretamente conjuntos de dados premium — Daloopa, PitchBook, LSEG News, Crunchbase — que abrangem transcrições de resultados, demonstrações financeiras, dados fundamentais e empresas não cotadas. Acima de tudo, o produto oferece citações granulares: um analista que normalize uma demonstração de resultados pode inspecionar a reconciliação e as notas subjacentes a um resultado operacional ajustado, ver quais custos foram excluídos e depois decidir como o utilizar numa avaliação. Para as subscrições que as empresas já possuem, estão a ser desenvolvidas integrações de autenticação partilhada com S&P Capital IQ, LSEG, MSCI, Dow Jones Factiva e Moody’s, e o ecossistema ultrapassa os 50 conectores. No benchmark OfficeQA Pro, dedicado à análise de tabelas, gráficos e notas de rodapé nos boletins do Tesouro dos Estados Unidos, o GPT-6 Astra atinge 69,9 por cento, contra 60,2 por cento do GPT-5.6 Sol.
🔗 ChatGPT for Financial Services
O Data agent consulta data warehouses em linguagem natural
10 de setembro — O novo plugin Data do ChatGPT Work liga-se às fontes de dados aprovadas da empresa, investiga o que mudou e produz dashboards interativos, sem escrever queries. A lista de conectores abrange os principais data warehouses em produção: Amazon Redshift, Google BigQuery, Snowflake, Databricks, ClickHouse, MongoDB e Datadog, aos quais se juntam os ficheiros do Google Drive e SharePoint.
O ponto importante está noutro lugar. O agente interpreta os dados através das definições de negócio da organização — termos, métricas, cálculos personalizados e relações — obtidas das camadas semânticas e de fontes de confiança como Databricks Genie Ontology, dbt, GitHub ou Snowflake Horizon. É isto que distingue uma resposta plausível de uma resposta alinhada com o modelo de dados da equipa. A governação segue o mesmo princípio: os administradores decidem quais ligações são disponibilizadas e a que funções, e as queries são executadas com as permissões da conta ligada, incluindo restrições por tabela, linha e coluna. O agente também consegue trabalhar diretamente no Omni, Oracle BI, Power BI, Sigma, Tableau e ThoughtSpot. A OpenAI destaca a sua utilização interna como prova: quase toda a sua equipa de produto e mais de dois terços da sua organização comercial utilizam-no.
🔗 O Data agent no ChatGPT Work
OpenAI publica o dossiê empresarial do GPT-6 Astra, e o Codex CLI adiciona-o ao seu seletor
9 de setembro — Uma semana após o lançamento do GPT-6 Astra, a OpenAI publica o dossiê destinado às empresas, com os números que faltavam. O argumento central é o uso do computador: o Astra trabalha nas aplicações que as equipas já utilizam, incluindo aquelas que não disponibilizam nenhuma API, o que evita a habitual fase de preparação dos dados e de desenvolvimento de integrações. A demonstração escolhida é elucidativa — em provas da Financial Modeling World Cup, o Astra conclui os desafios de Excel cerca de quatro vezes mais depressa do que o vencedor humano do campeonato Microsoft Excel 2023.
| Métrica publicada | Valor |
|---|---|
| Preço de entrada e saída | 10 e 50 dólares por milhão de tokens |
| Terminal-Bench 4.0, GPT-6 Astra | 57,9 % |
| Terminal-Bench 4.0, GPT-5.6 Sol2 | 37,3 % |
| Terminal-Bench 4.0, Claude Fable 5.1 | 55,8 % |
| Custo estimado por tarefa face ao Claude Fable 5.1 | Cerca de 63 % inferior |
| Segurança do uso do computador face ao Sol | Menos 89 % de resultados não intencionais |
| Preparedness Framework | Primeiro modelo no limiar Critical em cibersegurança |
A forma «GPT-5.6 Sol2» é a que a publicação da OpenAI utiliza literalmente na sua comparação do Terminal-Bench; é reproduzida tal como está. A vertente da segurança é a mais significativa para as implementações: o Astra é o primeiro modelo a ultrapassar o limiar de capacidade Critical em cibersegurança no âmbito do Preparedness Framework, o que levou a um reforço das proteções. Os administradores podem restringir o acesso a sites e aplicações aprovados e controlar o histórico de navegação, e o acesso empresarial está desativado por predefinição no lançamento.
🔗 GPT-6 Astra para o trabalho, OpenAI
Codex CLI 0.154.0, worktrees experimentais e Astra no seletor de modelos
9 de setembro — O Codex CLI passa para a versão 0.154.0, a primeira versão estável desde a 0.153.4 de 4 de setembro. Duas novidades estruturam esta versão. A primeira é a integração completa do GPT-6 Astra, agora presente no seletor de modelos e nos catálogos do Amazon Bedrock, com uma competência OpenAI Docs incorporada e atualizada para a migração e o prompting do novo modelo. A segunda é o suporte experimental de worktrees: --worktree e /worktree criam um checkout Git isolado para uma sessão nova ou bifurcada, que pode ser listado e retomado, inclusive a partir de codex exec. Para quem executa vários agentes em paralelo no mesmo repositório, é a resposta ao problema clássico dos branches que interferem entre si.
O resto aperfeiçoa a utilização quotidiana: responder a uma pergunta em linha enquanto o Codex continua a trabalhar sem perder o rascunho, partilhar um servidor Codex em segundo plano entre sessões Windows, o modo de substituição do Vim com anulação e repetição. No que respeita à segurança, a sandbox do macOS bloqueia agora a injeção de entrada no terminal. Por fim, o ponto de entrada descontinuado codex mcp-server desaparece: as integrações que ainda o utilizavam têm de migrar.
Claude Code 2.1.268 corrige oito fugas de segredos, e os Managed Agents recebem um visualizador
10 de setembro — O Claude Code passa para a versão 2.1.268, uma versão substancial publicada no dia seguinte à 2.1.267. Destacam-se três eixos: a gestão de frotas, o reforço do modelo de permissões e uma série de correções relativas à fuga de segredos.
A série relativa aos segredos é a mais relevante para quem implementa o Claude Code em equipa. Até agora, os erros de plugins e de marketplaces apresentavam o token ou a palavra-passe contidos no URL git da origem; os detalhes do servidor apresentados por /mcp, /plugin, claude mcp list e claude mcp get, bem como os erros de ligação MCP, apresentavam os segredos resolvidos a partir das substituições de variáveis das configurações MCP. Ambos os comportamentos foram eliminados.
O reforço das permissões corrige dois pontos cegos reais. As regras deny e ask não se aplicavam aos diretórios ligados simbolicamente — /etc, /tmp e /var no macOS, /bin no Linux — quando o caminho era fornecido através da sua localização real. O segundo caso corrigido: uma regra deny em Read ou Edit não se aplicava quando um comando que o verificador de permissões não consegue analisar, como env -C ou eval, figurava na mesma linha.
| Área afetada | Alteração |
|---|---|
| Faturação da frota | Preços declarados na configuração do gateway, alinhados com /cost |
| Permissões | Regras deny e ask aplicadas aos diretórios ligados simbolicamente |
| Segredos | Nenhum token git nem variável resolvida nas mensagens de erro e em /mcp |
| Regressão corrigida | HTTP 400 nos pontos de entrada de terceiros, presente desde a 2.1.265 |
| WebFetch | Limite de 300 segundos, configurável por variável de ambiente |
Foi também corrigida uma regressão com três versões: desde a 2.1.265, cada interação falhava com um HTTP 400 nos pontos de entrada de terceiros compatíveis com a API Anthropic, devido a uma expressão regular do esquema de entrada da ferramenta Artifact que esses pontos de entrada recusam.
Os Claude Managed Agents recebem um visualizador de sessão e um modo automático
10 de setembro — Duas novidades anunciadas no mesmo fio pela conta de programadores da Anthropic. A primeira responde a uma necessidade de observabilidade: até agora, uma sessão de agente alojada era executada sem que fosse possível ligar-se a ela. O comando ant beta:sessions connect liga agora o terminal a uma sessão em execução, e a opção --web abre, em alternativa, uma interface disponibilizada a partir do localhost.
A segunda novidade é um modo de permissão. Com auto, o Claude analisa cada chamada de ferramenta à luz da intenção expressa nos eventos user.message da sessão e decide autonomamente executá-la, recusá-la ou remeter a questão para o utilizador. O mecanismo retoma a lógica do modo automático já presente no Claude Code, transposta para agentes executados no lado do servidor sem um terminal ligado — o que explica por que motivo os dois anúncios surgem em conjunto: sem um visualizador, um modo automático no servidor funcionaria às cegas.
🔗 Atualizações dos Claude Managed Agents
GitHub reforça quatro níveis da sua cadeia de ferramentas
9 de setembro — O GitHub colmata uma lacuna que o crescimento dos agentes de código tinha deixado em aberto nas empresas: até agora, as salvaguardas de um agente Copilot eram configuradas sobretudo no posto de trabalho. Os administradores do Copilot Business e do Copilot Enterprise dispõem agora de permissões geridas centralmente, que classificam cada operação do agente em três categorias — recusada, sujeita a aprovação humana ou autorizada sem solicitação.
O âmbito é aquele que importa para um agente autónomo: comandos shell, leitura e modificação de ficheiros, domínios de rede acessíveis. O ponto importante resume-se a uma frase do changelog: uma restrição gerida não pode ser enfraquecida por uma definição do utilizador, uma definição do espaço de trabalho, a aprovação automática ou uma aprovação que o utilizador já tenha concedido anteriormente. É isso que distingue uma política empresarial de uma simples definição predefinida. Políticas diferenciadas podem visar equipas diferentes, evitando alinhar toda a empresa pelo serviço sujeito a mais restrições. A funcionalidade chega diretamente em disponibilidade geral nas três superfícies onde o agente é efetivamente executado: a aplicação GitHub Copilot, a CLI Copilot e as sessões do Visual Studio Code que passam pelo Agent Host.
🔗 Permissões geridas para os agentes Copilot
GitHub Actions aplica o princípio do menor privilégio à cache
10 de setembro — O envenenamento da cache (cache poisoning) é uma via de ataque conhecida na integração contínua: um workflow acionado por uma origem não fiável escreve na cache e, em seguida, um workflow de confiança restaura esse conteúdo. O GitHub Actions responde com um parâmetro que pode ser declarado ao nível do workflow ou do job e que concede a cada um apenas o acesso de que necessita, com quatro valores: apenas leitura para restaurar sem escrever, leitura-escrita, apenas escrita para escrever sem restaurar e nenhum acesso.
Dois pormenores conferem robustez ao mecanismo. O modo é aplicado pelo próprio serviço de cache, não ficando dependente da boa vontade do workflow. E propaga-se aos workflows reutilizáveis: um workflow chamado nunca pode obter mais acesso do que aquele que o chamador lhe concedeu. Os valores predefinidos mantêm-se, com uma cache apenas de leitura para eventos não fiáveis. Um autor que ignore esta proteção e declare explicitamente a escrita para este tipo de evento recebe uma anotação de aviso em vez de uma recusa. A funcionalidade está em disponibilidade geral para todos os planos.
🔗 Controlo do acesso à cache no Actions
CodeQL 2.27.0 é executado nativamente em Linux ARM64
9 de setembro — O motor de análise estática subjacente à análise de código do GitHub passa para a versão 2.27.0 com uma novidade de infraestrutura há muito aguardada: execução nativa em Linux arm64, através de recursos de versão dedicados à plataforma. As equipas que executam a sua integração contínua em máquinas ARM deixam de precisar de recorrer à emulação.
Quanto à cobertura, a versão adiciona uma query Rust dedicada a linhas de comandos não controladas, modela o framework Micronaut para Java e Kotlin e declara as funções de execução da libpq como pontos de chegada de injeção SQL em C e C++. A configuração predefinida também pode autenticar-se junto dos registos privados de uma organização para obter queries ou pacotes personalizados. Há duas descontinuações a considerar no planeamento: o suporte para Java 9 e 10 será removido em janeiro de 2027, mantendo-se o suporte para Java 7 e 8, e a distribuição multiplataforma será retirada em favor dos arquivos específicos de cada plataforma.
npm bloqueia escritas durante 72 horas após um início de sessão com código de recuperação
9 de setembro — Um código de recuperação é, por definição, o elo que contorna a autenticação de dois fatores. O npm retira daí a consequência e alarga a todas as contas uma proteção até agora reservada às contas de elevado impacto: após um início de sessão bem-sucedido com um código de recuperação, a conta é colocada sob suspensão de segurança durante 72 horas.
A suspensão incide no que é importante para um ataque à cadeia de fornecimento: a publicação e as operações de escrita sensíveis, incluindo a criação de tokens de acesso, são colocadas em pausa. Tudo o resto continua a funcionar normalmente — incluindo o início de sessão, a navegação e a instalação de pacotes. A suspensão é levantada automaticamente quando o prazo termina, sem necessidade de contactar o suporte. O npm convida qualquer utilizador bloqueado sem ter utilizado o seu código de recuperação a contactar imediatamente o suporte.
🔗 Extensão das suspensões de segurança do npm
NVIDIA apresenta cinco publicações num só dia
10 de setembro — A sequência de anúncios é tão relevante como o seu conteúdo. Começa com os números da stack de serviço NIM 2.0.12 aplicada ao Nemotron 3 Ultra. Num sistema com quatro B200 e uma carga de trabalho agêntica representativa — 64K de contexto de entrada, 400 tokens de saída, 76 por cento de reutilização da cache KV — a stack otimizada aumenta o débito do sistema de 718 para 1 997 tokens por segundo, mantendo a mesma interatividade, o que permite 2,5 vezes mais utilizadores simultâneos para o mesmo objetivo de 50 tokens por segundo e por utilizador.
O interesse do artigo vai além do número. A NVIDIA insiste num ponto que as tabelas de benchmarks ocultam frequentemente: o desempenho de inferência é uma propriedade do sistema. Precisão e kernels, paralelismo, escalonamento, batching, alocação de memória, reutilização de prefixos e estratégia de descodificação interagem entre si, e os ganhos resultam de conjuntos de configurações acopladas, não de ajustes independentes cujas percentagens se poderiam somar. A empresa relativiza, aliás, as suas próprias curvas: são um ponto de partida, sendo o método recomendado reproduzir o próprio tráfego fixando o digest da imagem e, depois, escolher o ponto de Pareto que satisfaça o objetivo de latência.
🔗 Otimizações NIM no Nemotron 3 Ultra
Skild AI ensina uma tarefa a um robô a partir de um único vídeo
10 de setembro — O princípio do S1, o modelo de base robótico da Skild AI, consiste em um operador filmar a tarefa pretendida e fornecer o vídeo ao modelo como prompt. O S1 interpreta a intenção, os objetos e a sequência demonstrados e, depois, traduz esses elementos em ações para o robô à sua frente, sem novo treino nem atualização dos seus pesos.
Os números mostram a dimensão do ganho. Em novas tarefas com várias etapas, o S1 conclui com sucesso cerca de 66 por cento de cada etapa, contra 9 por cento para um sistema comparável, ou seja, um desempenho mais de sete vezes superior. A Skild estima que um único vídeo curto de demonstração proporciona tanto quanto cerca de 380 exemplos de treino recolhidos manualmente, o equivalente a 50 a 100 horas de trabalho humano; num teste de transplante para vaso, a equipa passou da gravação à execução autónoma em 11 minutos. O contexto comercial merece destaque: a Skild anuncia uma receita anualizada de 100 milhões de dólares dez meses após a sua primeira implementação e mais de 60 parcerias. A Skild, a NVIDIA e a Foxconn já estão a implementar o modelo em manipuladores de dois braços para a montagem de sistemas Blackwell.
🔗 Skild AI e a stack física da NVIDIA
d-Matrix liga os seus XPU Raptor ao NVLink Fusion
10 de setembro — O fabricante de aceleradores de inferência d-Matrix ligará os seus XPU Raptor de próxima geração à plataforma de infraestrutura da NVIDIA através do NVLink Fusion, com scale-up NVLink, scale-out Spectrum-X e a arquitetura de rack MGX. A empresa também prevê integrar os CPU Vera, os SuperNIC ConnectX-9 e os DPU BlueField-4, e executar os seus racks ao lado de sistemas GPU como o Vera Rubin NVL72 para inferência desagregada.
O interesse do anúncio reside no raciocínio industrial. Conceber um XPU é apenas a primeira etapa; implementá-lo em escala exige uma rede, uma arquitetura de rack, alimentação elétrica, refrigeração, software e uma cadeia de fornecimento comprovada, acrescentando cada etapa tempo, custos e riscos. O argumento operacional é o da fungibilidade: ao padronizar um rack comum, um centro de dados é construído uma única vez e acolhe GPU, CPU e XPU sem uma arquitetura distinta para cada tipo de processador. Visto de outra forma, o NVLink Fusion é o mecanismo através do qual a NVIDIA mantém o rack, a rede e o software, mesmo quando o silício de computação vem de outro fornecedor.
🔗 d-Matrix adota o NVLink Fusion
A NVIDIA codifica a experiência da sua cadeia de abastecimento com Nemotron e Palantir Foundry
10 de setembro — Não se trata de uma demonstração de produto, mas de um relato de experiência sobre uma operação interna em enorme escala. As ordens de grandeza explicam o problema: uma plataforma Grace Blackwell NVL72 mobiliza milhões de peças e milhares de fornecedores, uma única bandeja de computação — uma das dezoito de um rack — exige dois CPU Grace, quatro GPU Blackwell e trinta e duas pilhas HBM3e, e a lista de materiais da Vera Rubin é duas vezes maior.
A dificuldade não é o tamanho, mas a volatilidade: a peça que bloqueia uma montagem numa semana pode ser abundante na seguinte. A NVIDIA acompanha uma métrica própria, o Time of Ownership, que decorre desde o momento em que uma unidade de fabrico recebe material até ao momento em que este sai sob a forma de subconjunto ou produto acabado, já que os fabricantes contratados só podem começar quando tudo tiver chegado de três reservatórios distintos. Reduzir esse prazo exige quatro coisas, segundo a NVIDIA: visibilidade em tempo real, redundância, fiabilidade dos compromissos a montante e codificação da experiência humana. É este último ponto que o artigo apresenta como o mais transformador — converter o discernimento por trás de uma decisão complexa de alocação em conhecimento persistente, que se acumula em vez de recomeçar do zero a cada arbitragem.
🔗 Codificar a cadeia de abastecimento com Nemotron e Palantir Foundry
O BioNeMo Inference Runtime acelera a previsão de estruturas à escala do proteoma
10 de setembro — O BioIR acelera os modelos de previsão de estruturas biomoleculares em GPU NVIDIA, mantendo o fluxo de trabalho PyTorch habitual, por meio de kernels otimizados e, quando aplicável, CUDA Graphs. Para grandes lotes de entradas independentes, o Ray permite executar uma réplica completa do modelo em cada GPU de um mesmo nó, em vez de distribuir um único modelo.
O objetivo é o throughput: atualmente, a previsão de estruturas é frequentemente realizada à escala do proteoma, em que já não se trata de processar uma proteína, mas de fazer passar uma lista de trabalho inteira pelo pipeline. O argumento mais convincente é uma utilização real — o BioIR foi usado na recente expansão da base de dados AlphaFold, gerando estruturas de complexos proteicos em 4 777 proteomas, ou seja, cerca de 31 milhões de complexos candidatos.
🔗 Previsão de estruturas de alto throughput com BioIR
A Together AI adapta os seus kernels à Vera Rubin e disponibiliza computação preemptível a metade do preço
10 de setembro — A equipa de kernels da Together AI, a mesma que produziu o FlashAttention, obteve acesso antecipado à plataforma NVIDIA Vera Rubin NVL72 e documenta a adaptação do ThunderKittens, a sua biblioteca de kernels GPU. O ponto de partida é instrutivo: Rubin mantém o modelo de programação Blackwell, portanto os kernels antigos funcionam sem alterações, mas atingem apenas 42,1 por cento do limite teórico em NVFP4 e 44,4 por cento em FP8. A causa é simples de enunciar e difícil de corrigir — Rubin permite que os tensor cores consumam os operandos duas vezes mais depressa, mas o kernel Blackwell não os alimenta com rapidez suficiente.
A recuperação passa por três medidas: alargar a instrução, passando de 32 para 64 bytes por passo ao longo de K; ler menos bytes, passando de um tiling 1x1 para 2x1 para carregar a matriz B apenas uma vez por bloco de saída, algo possibilitado pelas 64 colunas adicionais de memória de tensores; e aprofundar o pipeline, com a memória partilhada expandida para 328 KiB a permitir preparar mais tiles antecipadamente. A análise quantifica a última medida: num GEMM NVFP4 quadrado de 16k, passar de três para cinco estágios aumenta o throughput de 17 054 para 22 239 TFLOPS. Em FP8, o valor ideal atinge um máximo de 11 995 TFLOPS. As medições foram realizadas com CUDA 13.4 numa versão de amostra de qualificação da GPU.
🔗 ThunderKittens na NVIDIA Vera Rubin NVL72
A computação preemptível chega a 50 por cento do preço sob demanda
10 de setembro — A Together AI disponibiliza em pré-visualização pública um segundo tipo de computação nos seus clusters GPU: nós preemptíveis cobrados a uma taxa fixa de metade do preço. O que distingue a oferta dos mercados spot habituais é precisamente essa taxa fixa — ela não acompanha um leilão. A faturação é inferior a uma hora, com um registo a cada um ou dois minutos.
O protocolo de retoma é explícito. Quando a capacidade é solicitada noutro local, o cluster segue uma sequência de drenagem de, no máximo, cinco minutos: o nó é marcado como indisponível, é emitido um evento Kubernetes, os pods recebem SIGTERM, a carga dispõe de cinco minutos para gravar um checkpoint e, em seguida, o nó é eliminado. A Together AI fornece uma ordem de grandeza útil para avaliar se essa janela é suficiente: um checkpoint completo dos pesos de um modelo de 321 mil milhões de parâmetros ocupa cerca de 3,5 TB e demora entre 22 segundos e 4 minutos a ser gravado num sistema de ficheiros paralelo, mesmo com desempenho degradado. Dois casos estão explicitamente fora do âmbito: treinos de vários dias sem checkpoint e serviços sujeitos a compromissos de nível rigorosos sem alternativa.
🔗 Computação preemptível, Together AI
A Mistral alia-se à Cloudera, e o Vibe CLI fecha quatro falhas de segurança
10 de setembro — A Mistral anuncia uma parceria com a Cloudera, fornecedora da plataforma de dados híbrida utilizada por algumas das grandes empresas de setores regulados. O acordo abrange duas vertentes. Primeiro, a inferência: os modelos Mistral integram-se na plataforma, o que permite implementá-los em cloud privada ou pública, on-premises e até em ambientes totalmente isolados da rede (air-gapped). Depois, o treino: a Mistral abre a possibilidade de treinar modelos com os dados proprietários acumulados por essas empresas, dentro de ambientes que elas controlam.
O número apresentado dá uma ideia da dimensão do recurso visado: 30 exabytes de dados geridos de clientes são processados na plataforma Cloudera. A publicação apresenta uma definição operacional, e não retórica, de IA soberana — os dados permanecem dentro dos limites definidos pelo cliente, os modelos são adaptados e detidos com pesos abertos, e o treino e a inferência são executados na infraestrutura e nas jurisdições escolhidas pelo cliente. Não são anunciados quaisquer modelos, preços ou datas de disponibilidade: trata-se de um acordo de distribuição e integração, não de um lançamento de produto.
Vibe CLI 2.25.1 e 2.25.2 removem um listener de debug não autenticado
9 e 10 de setembro — A Mistral publica, em rápida sucessão, duas versões do seu agente de programação para linha de comandos. A 2.25.1 é a mais substancial, e o seu interesse reside menos nas novidades do que no que corrige: quatro entradas do seu changelog estão diretamente relacionadas com a segurança.
A mais evidente é a remoção de um listener debugpy não autenticado em localhost:5678, que era ativado assim que o modo debug era definido em vibe-acp: qualquer processo local podia ligar-se a ele e executar código no contexto do agente. Na mesma série, os comandos de hook deixam de passar por uma shell, o que elimina uma possível injeção através do ficheiro hooks.toml de um repositório. As outras duas correções visam o modo smart approve. Até agora, a sua pré-verificação rápida aprovava automaticamente os comandos git de leitura — git diff, git show, git blame, git log -p, git status -v — embora sejam precisamente os que despejam o conteúdo dos ficheiros: assim, um segredo exibido num diff era lido sem validação. Estes comandos voltam agora a passar pelo classificador. Além disso, era possível contornar a pré-verificação prefixando o comando com um cd, pois a análise de segredos lia apenas a parte posterior; agora, ela lê o comando inteiro.
A 2.25.2, publicada no dia seguinte, é mais breve: um submenu de debug na extensão VS Code com um painel de estado da sessão que apresenta etapas, tokens, throughput, contexto e custo, e a correção de uma falha discreta no sistema de permissões — uma concessão permanente que não conseguia ser gravada falhava silenciosamente, fazendo com que a sessão seguinte voltasse a colocar a pergunta sem qualquer explicação.
Duas contribuições da comunidade: AUTOMATIC1111 num grafo Gradio e a sensibilidade tensor a tensor
10 de setembro — A equipa Gradio da Hugging Face publica o Workflow1111, uma reconstrução do AUTOMATIC1111 sob a forma de grafo. A demonstração reúne onze pipelines multimédia e setenta e três nós numa única tela, acessível como um Space que pode ser duplicado. O exercício funciona como teste de carga para o componente de workflow apresentado numa publicação anterior, que mostrava apenas cinco pequenos grafos.
A ambição é abranger os separadores que os utilizadores de stable-diffusion-webui conhecem: text-to-image, correção de alta resolução, image-to-image, consulta de imagem, matriz de prompts, ampliação e remoção de fundo, pré-processadores e releitura dos parâmetros de geração armazenados no bloco de texto do PNG. A isto juntam-se duas capacidades que o AUTOMATIC1111 não possuía: a escrita de prompts por um modelo de linguagem e image-to-video. O detalhe relevante para um programador é a natureza dos nós: dos 36 nós operadores da aplicação, 22 são executados inteiramente em processo, e não é necessário qualquer nó personalizado para combinar um modelo de linguagem com um modelo de difusão — ambos são nós comuns. Vale a pena assinalar dois pontos de saída: cada nó de saída da tela torna-se um endpoint REST sem que nenhuma rota seja escrita manualmente, e o grafo não fica preso à infraestrutura da Hugging Face, pois um nó pode carregar um modelo localmente e executá-lo na sua própria GPU.
Bartowski mapeia a sensibilidade tensor a tensor para melhorar a quantização em GGUF
10 de setembro — Bartowski, cujas quantizações GGUF servem como referência predefinida para uma grande parte dos utilizadores de llama.cpp, publica um estudo metódico sobre o que realmente deve ser protegido ao comprimir um modelo. O problema inicial é simples: o código de quantização upstream, tal como as suas próprias correções, aplica as mesmas regras a todas as arquiteturas.
O método é direto. Para cada tensor, o autor produz duas variantes — uma em que todos os tensores estão em q8_0, exceto aquele, colocado em q2_k, e a inversa — e observa a degradação num único tensor de cada vez, medida pela divergência de Kullback-Leibler em wikitext-2-raw. A análise abrange Qwen3.5-0.8B e Qwen3.5-4B. Destacam-se três resultados: token_embd domina claramente a escala de sensibilidade, a sensibilidade em função da profundidade segue uma curva em U e, em relação ao bit utilizado, as pequenas projeções de atenção destacam-se nitidamente. Com base nesses dados, o autor cria um solver que constrói uma disposição tensor a tensor a partir da forma do modelo, de uma tabela de danos relativos e de um orçamento de bits.
🔗 Mapas de disposição por tensor para quantização GGUF
A Amp abre o seu seletor de modos, e Replit e Databricks passam para disponibilidade geral
10 de setembro — A Amp abre o seletor que, desde julho, controla a intensidade de trabalho do agente com os seus quatro níveis. Até agora, a escolha dos modelos por trás de cada nível cabia exclusivamente à Amp, uma posição defendida publicamente em julho numa publicação intitulada «Who Cares About the Model?». A atualização não abandona essa posição, mas torna-a opcional.
O primeiro separador permite definir o modelo e o esforço de raciocínio para três funções distintas de um modo integrado: o agente principal, o Oracle e os subagentes. Esses modelos são executados com a chave de API ou a subscrição ChatGPT do utilizador, previamente ligadas, e a faturação segue essas ligações em vez do preço da Amp. O modo mantém o seu prompt e as suas ferramentas; apenas o motor muda. Tudo o que permanecer em automático continua a seguir as escolhas da Amp. O segundo separador destina-se a quem já criou agentes personalizados através de plugins: estes podem ocupar um lugar no seletor ao lado dos modos integrados, com a possibilidade de um agente de plugin ampliar um modo existente descrevendo apenas o que deve fazer de forma diferente. Arrastam-se entre dois e quatro modos, ordenam-se e confirma-se com uma pressão prolongada. Os administradores podem definir um seletor partilhado para a equipa sem substituir as escolhas pessoais.
🔗 Crie o seu próprio seletor, Amp
A Replit torna a sua integração com a Databricks geralmente disponível, com suporte nativo para Lakebase
10 de setembro — A Replit faz a sua integração com a Databricks passar para disponibilidade geral, após uma pré-visualização pública anunciada em junho, e acrescenta-lhe suporte nativo para Lakebase, a base de dados gerida da Databricks. A divisão de funções mantém-se: a Replit acelera a criação da aplicação, enquanto a Databricks aloja os dados empresariais e governa quem lhes pode aceder.
O contributo do Lakebase é preencher a lacuna entre leitura e escrita. Até agora, uma aplicação criada com a integração lia os dados governados do data warehouse, mas tinha de armazenar noutro local aquilo que ela própria criava; com o suporte nativo, ambos coexistem, e o Replit Agent provisiona automaticamente a base de dados correspondente durante a implementação. A segunda novidade aborda o risco mais imediato deste tipo de arquitetura — testar uma aplicação com dados de produção: a Replit passa a criar um ambiente de pré-visualização separado, que mantém os dados de teste isolados dos dados empresariais reais.
🔗 Replit e Databricks em disponibilidade geral
A Sakana AI sela uma aliança tripartida com a SCSK e a Sumitomo Corporation
10 de setembro — A Sakana AI anuncia uma parceria comercial abrangente com a SCSK Corporation e a Sumitomo Corporation, centrada na implementação da IA na indústria japonesa. O diagnóstico apresentado no preâmbulo incide menos nos modelos do que no que os rodeia: para um cliente, o desafio não é adotar esta ou aquela IA, mas utilizar aquela que se adequa aos seus objetivos empresariais e obter dela um resultado concreto, o que pressupõe tratar de forma integrada os dados, a integração com os sistemas existentes, a qualidade, a segurança da informação, a governação e a operação após a implementação. O comunicado formula um ponto que poucos acordos deste tipo expressam com tanta clareza: é necessário evitar uma dependência excessiva de determinada tecnologia ou modelo.
Cada parte contribui com um elemento. A Sakana AI fornece a investigação sobre modelos e a tradução de um problema do cliente num caso de utilização e, depois, numa implementação; a SCSK fornece a sua capacidade de integração, apresentada como forma de colmatar o fosso entre o algoritmo e a implementação empresarial; a Sumitomo Corporation fornece o seu campo de atuação, com cerca de 900 empresas consolidadas e uma base de 100 000 clientes. São iniciadas quatro linhas de trabalho, sendo a mais concreta em termos técnicos dedicada à cibersegurança: no âmbito do programa Frontier AI da SCSK, os três parceiros vão conceber uma solução baseada no modelo de orquestração desenvolvido pela Sakana AI, para apoiar o diagnóstico de vulnerabilidades até à sua correção.
🔗 Parceria entre Sakana AI, SCSK e Sumitomo Corporation
Notícias breves
- Os painéis da aplicação Claude Code para computador podem ser destacados — o painel de diff ou o terminal podem ser movidos para um segundo ecrã enquanto Claude continua a trabalhar na janela principal e, depois, voltar a ser anexados. A publicação é apresentada como um destaque de utilização, sem nota de versão: a data da disponibilização efetiva não está estabelecida. 🔗 fonte
- Os Fable 5.1 Build Days, buildathons comunitários de 11 a 25 de setembro — a comunidade Claude organiza buildathons em cidades de todo o mundo durante duas semanas, com inscrições na página comunitária da Anthropic. 🔗 fonte
- A T. Rowe Price expande Claude à sua organização de investimento — gestores e analistas trabalham com Claude e Cowork na investigação fundamental, enquanto os programadores constroem ferramentas de investimento com Claude Code. O ângulo destacado: a implementação começa pelas pessoas que selecionam os títulos, não pelas funções de suporte. 🔗 fonte
- O que a digressão Claude SMB ensinou à Anthropic junto de 1 000 dirigentes — dez etapas em seis semanas com o parceiro Tenex, cada uma combinando meio dia de formação gratuita e uma sessão na qual cerca de cem dirigentes automatizavam uma tarefa real, em torno do plugin Claude for Small Business lançado em maio. 🔗 fonte
- A Zed mostra a revisão de código em preparação no Delta — um agente transforma a alteração num guia de revisão estruturado, apresentado ao lado do tópico de discussão original, o que permite interrogar diretamente o agente autor do código. Nenhuma data de abertura para além de um «muito em breve». 🔗 fonte
- A Warp reduz o seu custo por pull request de 80 para 30 dólares — ao reproduzir as suas execuções reais de agentes em vários fornecedores, a empresa afirma ter obtido a melhor qualidade de código com GPT 5.6 Sol, por um custo 66 por cento inferior ao da sua configuração anterior, Claude Opus 5. Um veredito necessariamente dependente do seu corpus interno. 🔗 fonte
- A Meta FAIR simula sistemas enzimáticos completos mil vezes mais depressa do que a QM/MM — com o grupo de Andrew Ferguson em Chicago, simulação de enzimas completas com solvente explícito, na ordem dos 100 000 átomos, com precisão quase quântica e concordante com medições experimentais. Nenhum artigo nem modelo publicado no momento da análise. 🔗 fonte
- A Together AI coloca o Kimi K3 sessenta por cento à frente do Fable 5.1 em tarefas jurídicas — afirmação relativa às difíceis tarefas autónomas do benchmark lab-aa da Harvey, publicada sem metodologia nem protocolo de medição por uma empresa que comercializa o Kimi K3. Deve ser tratada como uma alegação, não como um resultado estabelecido. 🔗 fonte
- A Hugging Face transmite o quarto episódio de Training Agents — uma hora e quinze minutos em direto sobre a passagem das funções de recompensa para os ambientes de treino de agentes. 🔗 fonte
- A Google AI reúne o que a comunidade fez com o connectoma da drosófila — uma semana após a publicação dos 166 000 neurónios do conjunto de dados MaleCNS, seis projetos comunitários: Minecraft, Doom, Beat Saber e um cérebro de mosca ao qual são confiados 100 dólares em bitcoin, com estimulação dopaminérgica em caso de lucro. 🔗 fonte
- A ativação do AI Scan nos pull requests passa pela API — dois endpoints REST, de organização e de repositório, para implementar em grande escala a deteção assistida por IA. Uma definição do repositório não pode contornar uma desativação ao nível da organização. Pré-visualização pública para o GitHub Advanced Security. 🔗 fonte
- O MAI-Code-1-Flash é retirado de todas as superfícies do Copilot — descontinuação efetiva no próprio dia no Copilot Chat, edições inline, modos ask e agent e conclusões, tendo o MAI-Code-1.1-Flash como alternativa que os administradores empresariais poderão ter de autorizar explicitamente. 🔗 fonte
- A imagem de runner Xcode 27 muda para macOS 27 — os runners macOS alojados passam do macOS 26 para o macOS 27 em pré-visualização pública, sem alteração dos rótulos de destino. Reservado aos runners arm64. 🔗 fonte
- A NVIDIA detalha a sua stack de robotáxi com três computadores — publicação de posicionamento que projeta o mercado dos robotáxis em 400 mil milhões de dólares e mais de 6 milhões de veículos comerciais até 2035, afirmando que todos os grandes programas comerciais funcionam na sua stack modular. 🔗 fonte
- A Luma extrai o texto incorporado numa imagem no Layers — selecionar a camada, premir Extract, e o texto gravado nos píxeis volta a ser texto editável com o tipo de letra mais próximo disponível na biblioteca. Uma reformulação passa a exigir dois cliques em vez de uma regeneração completa. 🔗 fonte
- O HorizonRelight estabiliza a iluminação de vídeos longos, com a USC — trabalho da NVIDIA e da Universidade do Sul da Califórnia apresentado na ECCV 2026, que propaga o contexto de uma janela deslizante para a seguinte a fim de evitar saltos de iluminação entre segmentos. 🔗 fonte
- A Wan lança um concurso mundial em torno do Wan 3.0 com a NadouPro — concurso comunitário com mais de 10 000 dólares em prémios, sem qualquer novidade de produto associada. 🔗 fonte
- A Midjourney consulta a sua comunidade sobre um scanner corporal — dois inquéritos sobre um scanner que realiza uma ecografia de corpo inteiro, sem produto nem data anunciados. Estudo de mercado público, a confirmar antes de qualquer divulgação. 🔗 fonte
- A MiniMax junta-se ao programa AI Builder da Nebius — ao lado da NVIDIA, LangChain, Hugging Face, Cognition e Prime Intellect. A única publicação substancial da MiniMax durante o período. 🔗 fonte
- A Kling AI estará presente no TIFF Market 2026 — programa e oradores revelados, com um stand no local, sem lançamento de produto. 🔗 fonte
- A NVIDIA retransmite a cerimónia de entrega dos prémios do hackathon DGX Spark de Seattle — 41 minutos de conteúdo comunitário, sem anúncio de produto. 🔗 fonte
- O SDK Python Codex 0.154.0 acrescenta os níveis de esforço de raciocínio max e ultra — além de uma mensagem externa que pode iniciar um turno ou juntar-se a um turno ativo com autoridade ao nível da ferramenta, explicitamente sem conferir autorização do utilizador. Duas migrações a prever nos metadados de hook e nas notificações tipadas. 🔗 fonte
- Codex e ChatGPT ao serviço da investigação de novos antimicrobianos — retrato do laboratório de César de la Fuente, que reduz de vários anos para algumas horas a investigação inicial de moléculas candidatas. O investigador insiste na verificação sistemática e no papel insubstituível das experiências de validação. 🔗 fonte
- A Cohere publica uma série de fotografias de Berlim — duas palavras e quatro fotografias, três horas após o lançamento do North Small Translate, sem anúncio de produto nem informação aproveitável. 🔗 fonte
O que isto significa
O facto mais evidente do dia passou quase despercebido porque está distribuído por três anúncios. O SWE-2 é pós-treinado no Kimi K3, um modelo aberto com 2,8 biliões de parâmetros. O Gen-1 Slides parte do MiniMax M3, e a Genspark escreve preto no branco que, sem esta base aberta, o modelo não poderia ter surgido em poucas semanas. No mesmo dia, a Together AI destaca o Kimi K3 face ao Fable 5.1. Três produtos ocidentais construídos em vinte e quatro horas sobre pesos chineses, dois dos quais vendidos a empresas. O relatório da Frontier Red Team acrescenta a contrapartida que raramente se ouve neste debate: na rejeição de carga simulada, o Kimi K3 fica acima do Sonnet 5, e a Anthropic tem o cuidado de esclarecer que a distância em relação à fronteira não deve ser interpretada como uma margem de segurança. Abrir os pesos transfere a capacidade, não apenas o preço.
A segurança, por sua vez, passou do discurso aos números, em quatro empresas no mesmo dia. A Anthropic já não publica princípios, mas identificadores de grupos, volumes exfiltrados e durações das operações. A OpenAI publica a taxa de falsos positivos da sua própria cadeia defensiva — 0,81 por cento após validação dinâmica — e o número de correções anuladas. O GitHub apresenta quatro medidas de privilégio mínimo, nenhuma das quais é espetacular, mas todas fecham um caminho real. E a Mistral corrige um listener de debug não autenticado que permitia a qualquer processo local executar código no contexto do agente. O pormenor que liga estas publicações é o mesmo em todo o lado: as falhas documentadas não provêm dos modelos, mas da sua infraestrutura, chaves de API roubadas aos clientes, hooks executados numa shell, comandos git de leitura aprovados automaticamente, cache de integração contínua envenenada.
A mudança na relação preço-desempenho acelera, mas tem um âmbito que deve ser explicitado. O SWE-2 iguala o Fable 5.1 por um preço 64 por cento inferior, o Gen-1 Slides supera o Opus 5 em apresentações por 0,44 dólar contra 4,16, o V4.1-Flash substitui o V4-Pro ao preço do Flash, a Together AI disponibiliza capacidade preemptible a metade do preço, o GPT-Live-1 cobra 0,05 dólar por minuto de voz e o FLUX 3 Video cobra 0,03 dólar por segundo de edição. No entanto, a tabela da DeepSeek mostra a outra metade: 30,0 contra 43,3 no Terminal-Bench 3.0, 36,8 contra 56,3 no Humanity’s Last Exam. O que está a ficar barato são as tarefas correntes dos agentes, não as tarefas difíceis. A Genspark formula-o da mesma maneira ao publicar os seus pontos fracos antes que lhos apontem. Nesta fase, a reação certa já não é escolher um modelo, mas saber que parte da carga de trabalho pertence ao regime em que a diferença de preço é real.
Por fim, o audiovisual generativo abandona a demonstração e passa para o contrato e para a tarifação por unidade. A HeyGen disponibiliza com a OpenAI uma framework completa de avatares em tempo real sob licença MIT, a Synthesia lança o Express-3 no mesmo dia, a Black Forest Labs cobra a edição de vídeo por segundo com limites explicitamente documentados, a Runway explica por que razão a destilação de política é a única abordagem que se sustenta numa sequência longa, e a ElevenLabs assina o seu primeiro acordo com uma grande editora discográfica. O ponto comum destes cinco anúncios não é a qualidade da imagem, mas a estrutura: uma licença, um preço por segundo, uma plataforma vendida separadamente dos produtos existentes para que a música licenciada não alimente os modelos atuais. É o vocabulário de uma indústria que se está a estabelecer, não o de uma demonstração.
Fontes
- Relatório de informações sobre ameaças, Anthropic
- Anúncio do relatório no X
- Operações de informações e armas convencionais, Frontier Red Team
- Lançamento do DeepSeek-V4.1-Flash no X
- DeepSeek-V4.1-Flash no Hugging Face
- Retirada do V4-Pro anunciada no X
- Agents API, OpenAI
- GPT-Live-1 na API, OpenAI
- Avaliação do GPT-Live pela Genspark
- SWE-2, Cognition
- Devin Voice, Cognition
- Dioxus junta-se à Cognition
- Gen-1 Slides, Genspark
- North Small Translate, Cohere
- Aplicação Gemini para Windows
- Extensão do Dreambeans, Google Labs
- Framework open source para avatares em tempo real, HeyGen
- Repositório liveavatar-gpt-live-demos
- Express-3, Synthesia
- FLUX 3 Video Edit, Black Forest Labs
- Towards Instant Video Generation, Runway
- Acordo entre a ElevenLabs e a Universal Music Group
- The Defense Factory, OpenAI
- ChatGPT for Financial Services
- O Data agent no ChatGPT Work
- GPT-6 Astra para o trabalho, OpenAI
- Codex CLI 0.154.0
- Claude Code 2.1.268
- Atualizações dos Claude Managed Agents
- Permissões geridas para os agentes Copilot
- Controlo do acesso à cache no GitHub Actions
- CodeQL 2.27.0
- Suspensões de segurança npm alargadas a todas as contas
- Otimizações NIM no Nemotron 3 Ultra
- Skild AI e a stack física da NVIDIA
- d-Matrix adota o NVLink Fusion
- Nemotron e Palantir Foundry para a cadeia de abastecimento
- BioNeMo Inference Runtime
- ThunderKittens no Vera Rubin NVL72
- Computação preemptible, Together AI
- Mistral e Cloudera
- Vibe CLI 2.25.2
- Workflow1111, equipa Gradio
- Sensibilidade por tensor para a quantização GGUF
- Build your own dial, Amp
- Replit e Databricks em disponibilidade geral
- Parceria entre a Sakana AI, a SCSK e a Sumitomo Corporation