Grok Voice 3.0 assume a liderança dos modelos de voz, Gemini 4 Argon apresenta os seus primeiros resultados científicos, Claude Code aposta nas sessões paralelas

A SpaceXSI lança o Grok Voice 3.0, que assume a liderança do índice Speech-to-Speech da Artificial Analysis sem alterar o preço, de 0,08 dólar por minuto. No dia seguinte à sua disponibilidade geral, a Google mostra o Gemini 4 Argon em ação na computação quântica, na robótica e em 205 000 linhas de Python, enquanto a Anthropic reorganiza a aplicação de desktop do Claude Code em torno das sessões paralelas e publica duas versões da sua ferramenta no mesmo dia. A Meta publica dez manuscritos médicos desenvolvidos com os seus modelos Muse, a NVIDIA disponibiliza 250 milhões de dólares em recursos de computação para a investigação britânica sobre a segurança dos agentes, e a OpenAI afirma ter descoberto um dispositivo de gravação oculto num dos seus escritórios.

Grok Voice 3.0: SpaceXSI assume a liderança do índice Speech-to-Speech, mantendo o preço de 0,08 dólar por minuto

14 de outubro — A SpaceXSI, a antiga xAI, lança o Grok Voice 3.0, um modelo de voz de ponta a ponta (speech-to-speech) que apresenta como o mais inteligente do mercado. O modelo grok-voice-3.0 fica disponível no próprio dia na Voice Agent API e no Voice Agent Builder, ao preço do Grok Voice 2.0: 0,08 dólar por minuto, ou seja, 4,80 dólares por hora. Os agentes que usam o alias grok-voice-latest passaram para o novo modelo sem alterações, com o mesmo endpoint e os mesmos parâmetros de sessão. O Grok Voice 2.0 é declarado obsoleto no mesmo dia, sem data de fim de vida.

Benchmark avaliado (Artificial Analysis, 13 de outubro)	Grok Voice 3.0	Grok Voice 2.0	GPT-Live-1 (Astra, Medium)	Gemini 3.8 Live (Ext. Thinking, High)
Índice Speech-to-Speech	86,9	81,3	83,2	82,6
Big Bench Audio (raciocínio por voz)	98,5 %	97,2 %	90,1 %	97,7 %
Speech Agent Arena (Elo, preferência humana)	1 070	1 011	1 048	990
Taxa de sucesso das tarefas	94,8 %	94,6 %	87,4 %	89,1 %
Full Duplex Bench (pausas, turnos de fala)	97,0 %	95,1 %	94,9 %	91,9 %
τ-Voice (chamadas de suporte)	71,6 %	56,5 %	74,5 %	68,6 %

Estas medições da Artificial Analysis, datadas de 13 de outubro, são as que a SpaceXSI cita. O índice Speech-to-Speech combina raciocínio por voz, τ-Voice, preferência humana e sucesso das tarefas em chamadas comparadas às cegas. O Grok Voice 3.0 assume a liderança, mas não vence em tudo: no τ-Voice, com chamadas de suporte com sotaques variados, ruído de fundo e interrupções, os seus 71,6 % ficam abaixo dos 74,5 % do GPT-Live-1, um nível que a SpaceXSI considera comparável, com uma latência 40 % inferior. No EVA-Bench, o banco de testes open source da ServiceNow para agentes de voz empresariais (mais de 200 cenários), obtém a melhor precisão, 74 %, segundo a SpaceXSI. Segue-se o argumento do preço: no conjunto de testes Big Bench Audio, uma tarefa custa em média 0,025 dólar com o Grok Voice 3.0, contra 0,030 dólar com o GPT-Live-1 e 0,055 dólar com o GPT-Realtime-2.1 da OpenAI.

O modelo já funciona em grande escala na Tesla e na SpaceX: processa milhões de conversas por dia nos veículos Tesla e alimenta o modo de voz do Grok Bot. Nos centros de atendimento da Starlink, responde a 20 000 chamadas por dia em várias línguas: cerca de 70 % são resolvidas sem intervenção humana, e uma em cada quatro chamadas comerciais termina numa compra antes do fim da comunicação. A 24 de agosto, o Grok Voice Think Fast 2.0 já liderava este índice, com 15 000 chamadas Starlink por dia na altura.

🔗 Grok Voice 3.0 (publicação da SpaceXSI) · Anúncio de @SpaceXSI · Notas de versão da API

Gemini 4 Argon à prova: primeiros resultados científicos, robótica e otimização de código

No dia seguinte à sua disponibilidade geral, a Google documenta o Gemini 4 Argon em três áreas: investigação científica, robótica e otimização de um grande repositório Python. As duas publicações do blog de programadores datam do dia do lançamento; a sequência de publicações dos investigadores foi reunida no dia 14 pela Google DeepMind.

Primeiros resultados científicos: computação quântica, fusão e conceção de enzimas

14 de outubro — A Google DeepMind reúne numa sequência de publicações os primeiros resultados que os seus investigadores obtiveram com o Argon, cada um detalhado na véspera pelo respetivo autor.

Área de investigação	Resultado anunciado com o Argon
Correção de erros quânticos	Débito de inferência do descodificador AlphaQubit quase duplicado
Algoritmos quânticos	Sub-rotina arcsin mais de 100 vezes menos dispendiosa do que quantum CORDIC, verificada em Lean
Física dos plasmas	2 novas famílias de contraexemplos à conjetura de Grad
Conceção de enzimas	5 esterases de serina inéditas (59 a 81 % de identidade), atividade confirmada em laboratório
Doenças raras (Gamow Labs)	57 % no RareBench e 52,2 % no LabBench, duas avaliações privadas

Na computação quântica, Ben Jaderberg e a sua equipa, em colaboração com a Google Quantum AI, fizeram o Argon traduzir uma versão interna do AlphaQubit, o descodificador de correção de erros da Google, para um único kernel otimizado para hardware (megakernel) que quase duplica o seu débito de inferência, um ganho útil para um descodificador que tem de acompanhar em tempo real as medições do processador quântico.

Second, we used Argon to discover a quantum arcsin subroutine that cuts spacetime cost by more than 100x compared to the published quantum CORDIC baseline.

🇵🇹 Em segundo lugar, usámos o Argon para descobrir uma sub-rotina quântica de arco-seno que reduz o custo espaço-tempo em mais de 100 vezes em comparação com a referência publicada quantum CORDIC. — @benjaderberg no X

Este custo multiplica o número de qubits pela duração da execução, e o circuito foi verificado formalmente em Lean. Na física dos plasmas, Opal Issan anuncia duas famílias de contraexemplos à conjetura de Grad, que pressupunha desde 1967 que certos equilíbrios magnéticos tridimensionais não podiam existir; a sua sequência de publicações afirma que foram encontradas com o Argon, mas o resumo do artigo arXiv, submetido a 5 de outubro, não menciona o modelo. Na biologia, Ryan Krueger descreve esterases de serina concebidas em algumas sessões de prompts: o Argon reuniu os dados, afinou um modelo de linguagem de proteínas e construiu os seus próprios filtros de sítio ativo. A publicação de lançamento acrescenta o caso da Gamow Labs, em que o Argon identificou no genoma de um recém-nascido um rearranjo cromossómico que os programas habituais não tinham detetado durante anos.

🔗 A sequência de publicações da Google DeepMind · O artigo sobre a conjetura de Grad (arXiv) · A publicação de lançamento do Argon

Robótica: do cornhole no humanoide Apollo a uma taxa de sucesso em condições reais que passou de 56 % para 75 %

13 de outubro — No dia do lançamento, o blog de programadores da Google dedica uma longa publicação ao Argon na robótica, assinada por Kanishka Rao, com os prompts de cada demonstração. A publicação de lançamento destaca a mais elucidativa, um teste interno que partiu de um simples vídeo de uma pessoa a jogar cornhole, o jogo de lançamento de sacos para uma tábua com um orifício: o Argon mapeou o ambiente, calculou os movimentos de todo o corpo e programou a sua própria simulação; depois da transferência para o humanoide Apollo da Apptronik, o robô conseguiu sete lançamentos consecutivos em condições reais. A Google resume esta passagem do vídeo para a simulação e depois para o mundo real (Video-to-Sim-to-Real): semanas de modelação manual reduzidas a algumas horas.

A publicação de Kanishka Rao apresenta outras demonstrações: um Spot da Boston Dynamics que treina num gémeo digital MuJoCo antes de carregar no pedal de um caixote do lixo real, simulações reconstruídas a partir de um vídeo filmado à altura dos olhos ou de um esboço em papel, o enigma das 12 bolas resolvido em três pesagens por dois braços robóticos guiados apenas pela visão estéreo. O resultado mais mensurável diz respeito ao treino: a partir de uma única fotografia de uma mesa real, o Argon constrói um gémeo MuJoCo, gera mais de 4 500 episódios e faz passar a taxa de sucesso de um modelo visão-linguagem-ação (VLA) no robô real de 56 % para 75 %, com a duração da execução reduzida de 35 para 24 segundos. Um braço SO-101 também melhora sozinho, passando de 58,9 para 22,9 e depois para 17,4 segundos.

🔗 Gemini 4 Argon para a robótica (Google Developers)

ADK: onze horas de trabalho noturno em 205 000 linhas de Python, duas otimizações aceites em seis

13 de outubro — Engenheiros da Google Cloud confiaram ao Argon um exercício mais exigente do que criar uma aplicação de raiz: encontrar e corrigir as causas de lentidão no repositório Python do Agent Development Kit (ADK), o framework open source da Google para construir agentes, com cerca de 205 000 linhas, quase 800 ficheiros e quase 17 000 testes unitários.

Medida do run no ADK	Resultado publicado
Duração do trabalho noturno sem supervisão	11 horas
Testes unitários executados novamente	16 892
Otimizações propostas e depois aceites	6 propostas, 2 aceites
Preparação de sessões longas em memória	Cerca de 40 % menos
Import do pacote google.adk	21 % mais rápido
Execução completa de 158 turnos	De 65,6 s para 56,1 s

Um primeiro ensaio de duas horas, sem instruções específicas para o repositório, encontrou verdadeiros pontos de estrangulamento, mas ignorou as convenções dos responsáveis pela manutenção, chegando a alterar um esquema JSON público. Para o segundo, a equipa guardou as suas regras de revisão na pasta .agents/skills e ativou o modo /goal do Google Antigravity, que mantém o objetivo ao longo das compactações de contexto. A revisão humana aceitou apenas duas das seis otimizações, filtrar o histórico das sessões antes de o copiar e carregar os pacotes pesados na primeira utilização; as restantes assentavam num estado frágil, num atributo privado do OpenTelemetry ou em ganhos limitados aos benchmarks sintéticos. O ganho diz respeito apenas ao serviço de sessões em memória, não ao armazenamento externo. A equipa resume a divisão de papéis: o agente explora, o responsável pela manutenção elimina.

🔗 Otimizar o ADK numa noite com o Gemini 4 Argon (Google Developers)

Agentes de código: a aplicação de desktop e duas versões do Claude Code, VS Code 1.142, HydraFusion Max

A Anthropic reorganiza a aplicação de desktop do Claude Code em torno das sessões paralelas e publica duas versões da sua ferramenta de linha de comandos no mesmo dia; o VS Code adota o harness Copilot como opção predefinida, e o GitHub acrescenta uma opção Max à sua orquestração de vários modelos.

Claude Code: a aplicação de desktop organiza-se em torno das sessões paralelas

14 de outubro — A Anthropic atualiza a aplicação de desktop do Claude Code, o separador Code do Claude Desktop, para facilitar a execução de várias sessões lado a lado: segundo @ClaudeDevs, passa a ser mais rápido iniciar uma sessão, mais simples distribuir um trabalho por várias, e é possível ver a qualquer momento o que cada uma está a fazer.

Novidade anunciada	O que oferece
Ecrã de sessão	Pastas recentes a um clique; ambientes guardados (algumas pastas, um host SSH ou a cloud), worktree por pasta opcional
Sessões aninhadas	Uma sessão por tarefa paralela, que devolve o seu resultado à sessão principal
Tarefas de seguimento	Propostas pelo Claude enquanto trabalha e iniciadas com um clique como sessão separada; /btw abre as questões secundárias num separador
Barra lateral e painel	Sessões ativas ou em espera, lista de tarefas em tempo real, cartão de resumo, local de execução, contexto e alterações

When you ask Claude to run tasks in parallel, it starts a nested session for each one. Each reports its result back into your main session when it’s done, so the main thread stays readable.

🇵🇹 Quando pede ao Claude para realizar tarefas em paralelo, ele inicia uma sessão aninhada para cada uma. Cada uma devolve o seu resultado à sessão principal quando termina, para que a conversa principal se mantenha legível. — @ClaudeDevs no X

O cartão de resumo (recap card) resume o turno quando o Claude precisa do utilizador, e o painel lateral mostra onde a sessão está a ser executada, o seu contexto e as suas alterações. Para usufruir destas funcionalidades, basta atualizar a aplicação e abrir uma nova sessão; a Anthropic não indica um número de versão nem um calendário de disponibilização. A página de introdução recorda que o Claude Code exige uma subscrição Pro, Max, Team ou Enterprise, com ambientes Local, Cloud, SSH e WSL. A atualização dá continuidade à reformulação da aplicação para agentes paralelos apresentada em abril.

🔗 Sequência de publicações de @ClaudeDevs · Introdução à aplicação de desktop

Claude Code 2.1.299: compactação das conversas inativas antes da expiração da cache, 131 correções

14 de outubro — Lançada às 2 h 49 UTC, Claude Code 2.1.299 é uma atualização de grande dimensão, com 190 entradas, incluindo 18 adições, 131 correções, 16 melhorias e 25 alterações; os números 2.1.297 e 2.1.298 foram saltados. A novidade mais visível visa o custo das sessões longas, a compactação por inatividade (idle compaction): no terminal, uma conversa com mais de 200 000 tokens deixada de lado durante cerca de 54 minutos é compactada antes de expirar a sua cache de prompt de uma hora, para que a mensagem seguinte não tenha de voltar a processar tudo. O limiar é configurado com CLAUDE_CODE_IDLE_COMPACT_MIN_TOKENS, e "idleCompaction": false em settings.json desativa a função. Com CLAUDE_CODE_DISABLE_FILE_MENTIONS, Claude recebe o caminho dos ficheiros mencionados com @, que lê por si próprio com as suas ferramentas, em vez do respetivo conteúdo. O comando /usage passa a alertar para o esforço máximo, os workflows, o contexto sempre carregado e os resultados volumosos das ferramentas, e nunca mais apresenta valores superiores a 100 %.

A versão também restringe as permissões: uma regra allow MCP passa a abranger apenas o servidor que nomeia (mcp__a deixa de autorizar um servidor a__b), os pedidos ao proxy de conectores de claude.ai e aos servidores MCP alojados pela Anthropic deixam de seguir redirecionamentos HTTP, e os hooks UserPromptSubmit são executados antes da expansão de uma skill ou de um comando, o que também bloqueia os comandos shell neles integrados. Entre as correções de segurança, um comando executado no sandbox podia escrever numa pasta --plugin-dir cujo código é recarregado fora do sandbox, o modo de planeamento podia executar uma operação de escrita autorizada por um hook PreToolUse, e um caminho cujo acesso fora recusado continuava acessível através de uma ligação simbólica no sandbox do macOS. As descrições das ferramentas dos servidores MCP da Anthropic deixam de ser truncadas aos 4 096 caracteres, e Claude Tag, o Claude no Slack, pode eliminar um canvas que tenha criado.

🔗 Notas de lançamento de Claude Code 2.1.299

Claude Code 2.1.300: /advisor no Claude Platform on AWS, rastos OpenTelemetry GenAI, Claude Tag no Slack Connect

14 de outubro — Segunda versão do dia, Claude Code 2.1.300 (18 h 24 UTC, 88 entradas, incluindo 59 correções) alarga /advisor ao Claude Platform on AWS: nenhum modelo consultor é executado nessa plataforma enquanto o utilizador não escolher um com /advisor, advisorModel ou --advisor, e CLAUDE_CODE_DISABLE_ADVISOR_TOOL=1 desativa a ferramenta. A telemetria passa a seguir as convenções semânticas GenAI do OpenTelemetry (gen_ai.provider.name, gen_ai.conversation.id, gen_ai.tool.name e error.type nos spans), e o evento api_request separa as escritas em cache de 5 minutos e de 1 hora.

Na segurança, a entrada modificada (updatedInput) devolvida por um hook PreToolUse ou PermissionRequest passa a ser validada como a de Claude: as chaves desconhecidas são removidas, e uma entrada recusada pela ferramenta leva à recusa da chamada. Os hooks do tipo agente passam finalmente a respeitar o seu campo model e, se esse modelo estiver indisponível, usam o de quem os invocou, em vez de deixar passar a ação. As transcrições locais também registam o prompt de sistema, as ferramentas e os parâmetros de cada pedido, e as opções --sandbox e --no-sandbox de claude remote-control, que não tinham qualquer efeito, são removidas. Claude Tag pode agora responder nos canais Slack Connect partilhados com outra organização (desativado por predefinição, pode ser ativado por um Owner ou um administrador do Claude Tag) e pede a aprovação de uma ação de conector através de um cartão privado Permitir uma vez / Recusar, em vez de a recusar.

Versão de Claude Code	Publicação (UTC)	Entradas publicadas	Das quais correções	Principal novidade
2.1.299	14 de outubro, 2 h 49	190	131	Compactação por inatividade das conversas com mais de 200 000 tokens
2.1.300	14 de outubro, 18 h 24	88	59	`/advisor` no Claude Platform on AWS, atributos GenAI do OpenTelemetry

🔗 Notas de lançamento de Claude Code 2.1.300

VS Code 1.142: o harness Copilot por predefinição e os canvas em pré-visualização

14 de outubro — VS Code 1.142 prossegue a transição para o harness Copilot, baseado no Copilot SDK e cujas sessões passam pelo Agent Host para continuarem em segundo plano. Até agora disponível no seletor de harness, torna-se progressivamente o harness predefinido para novas sessões, após comentários «esmagadoramente positivos», segundo a equipa; Ask regressa como agente integrado apenas de leitura, e o título do chat indica o harness ativo, Copilot ou Codex. Outra novidade são os canvas (Canvases), em pré-visualização: interfaces interativas abertas ao lado do chat, onde o utilizador e o agente modificam o mesmo artefacto, por exemplo um quadro Kanban cujas tarefas o agente atualiza. Cada canvas é fornecido por uma extensão, que o agente pode gerar com o comando /create-canvas. Na janela Agents, um chat também pode mudar de pasta ou passar para um novo worktree Git sem perder o histórico, por enquanto com o harness Codex.

No contexto empresarial, uma política de permissões ou de sandbox passa a impor o harness Copilot no Agent Host: os chats locais existentes migram automaticamente para ele, sem enviar nada, e Claude, Codex e o chat do terminal ficam indisponíveis enquanto estas políticas se aplicarem. Os administradores podem manter temporariamente o harness Local, que não aplica estas regras de execução, e o sandbox Windows deste harness é descontinuado em favor das sessões Agent Host.

🔗 Notas de lançamento do VS Code 1.142

HydraFusion Max: GitHub acrescenta uma opção de fronteira à sua orquestração de vários modelos

14 de outubro — GitHub atualiza HydraFusion, a sua orquestração que combina vários modelos para produzir uma única resposta, sem ser necessário escolher um modelo para cada tarefa. O conjunto de modelos inclui agora Claude Opus 5.5, GPT-6 Astra, GPT-6.1 Sol e GPT-6 Luna, e o esforço de raciocínio pode ser ajustado por etapa: médio para os primeiros rascunhos, elevado para a revisão, enquanto HydraFusion se limitava até agora ao esforço predefinido de cada modelo. O workflow Cascade pode intercalar uma etapa de avaliação que inspeciona o trabalho inicial e só pede uma correção se for necessário, e Critique põe vários modelos críticos a trabalhar em paralelo, equipados com ferramentas para inspecionar diretamente o espaço de trabalho.

Opção proposta	Posicionamento segundo GitHub
HydraFusion	Equilíbrio entre velocidade, custo e desempenho, com poupanças moderadas de tokens
HydraFusion Max	Capacidade de fronteira e raciocínio mais aprofundado, eficiência em tokens gerida pela orquestração

As duas opções continuam em pré-visualização de investigação no VS Code, na aplicação GitHub Copilot e no Copilot CLI, para os planos Pro, Pro+, Business e Enterprise com as funcionalidades experimentais ou em pré-visualização ativadas. GitHub não publica benchmarks nem preços para esta versão; aquando do lançamento no Copilot CLI, a 4 de setembro, alegava mais 4,9 pontos de qualidade e um custo 67 % inferior face ao Opus 5 no TerminalBench 2.1.

🔗 Atualizações do HydraFusion e nova opção Max (changelog do GitHub)

Segurança e integridade: as salvaguardas eleitorais da Anthropic, a deteção de burlas no telemóvel, um gravador oculto na OpenAI

Três temas ligados à confiança: Anthropic prepara Claude para as eleições intercalares dos EUA, Google DeepMind e GovTech Singapore detetam burlas sem sair do telemóvel, e OpenAI afirma ter descoberto um dispositivo de gravação oculto num dos seus escritórios.

Eleições intercalares: Anthropic reforça as suas salvaguardas e integrará as informações de voto da Democracy Works

14 de outubro — Com a aproximação das eleições intercalares dos EUA, Anthropic detalha as salvaguardas eleitorais reforçadas desde a sua atualização de abril. Uma análise de 250 000 conversas de utilizadores particulares do Claude.ai nos Estados Unidos, de 21 a 27 de setembro, começa por medir o peso da política.

Tipo de conversa (Claude.ai, Estados Unidos)	Percentagem das conversas
Política, políticas públicas, questões sociais	Cerca de 5,75 %
Eleições ou voto	Cerca de 0,51 %
Em quem ou em que votar	Cerca de 0,01 %
Contrárias às regras de integridade eleitoral (análise separada)	Cerca de 0,002 %

O banner com ligação ao TurboVote (Democracy Works) mantém-se, e Claude.ai integrará ainda este mês as informações oficiais de voto da Democracy Works nas suas respostas aos utilizadores dos EUA (onde votar, que documento de identificação levar, com uma resposta específica para cada Estado), passando depois a apresentar os resultados oficiais na noite das eleições e nos dias seguintes. Segundo a Anthropic, Claude Opus 5.5, Sonnet 5.5 e Haiku 5.5 obtêm 99 % na sua avaliação de imparcialidade política. De três avaliações independentes, duas (The Future of Free Speech e o Collective Intelligence Project) registam poucas recusas, mas alertas e contra-argumentos não solicitados; a terceira, da Foundation for American Innovation, constatou que Claude Sonnet 4.5 nem sempre introduzia ressalvas de forma equilibrada e tendia mais a suavizar os argumentos a favor de posições de direita. Testes realizados com o Institute for Strategic Dialogue e o McCain Institute nos Estados Unidos, em Israel e no Brasil mostraram que Claude recusava de forma fiável um pedido nocivo isolado, mas podia não detetar uma campanha dividida em pequenas tarefas aparentemente inofensivas. Anthropic acrescentou classificadores contra estes abusos em várias etapas e baniu as contas de operadores sediados no estrangeiro de um falso site de notícias que produziam com Claude uma cobertura das eleições favorável às narrativas russas, iranianas e norte-coreanas.

🔗 Preparação para as eleições intercalares dos EUA de 2026 (Anthropic)

Burlas: Google DeepMind e GovTech Singapore afinam Gemma para deteção no telemóvel

14 de outubro — Google DeepMind e a agência governamental GovTech Singapore afinaram um modelo Gemma leve, cuja geração não é especificada na publicação, para identificar burlas diretamente no telemóvel do utilizador. O ponto de partida está nos números: em Singapura, as burlas representam mais de metade dos crimes denunciados e mais de 4 mil milhões de dólares de Singapura em perdas desde 2019, e as burlas que recorrem a engenharia social complexa representam até 80 % das perdas. O modelo foi afinado com conversas de burlas locais: usurpação da identidade de instituições públicas, bancos ou personalidades, e burlas regionais em circulação. Tudo decorre no dispositivo, em duas fases para poupar bateria: um classificador leve filtra as mensagens recebidas e, em seguida, o Gemma afinado relê um excerto mais alargado da conversa para confirmar a ameaça ou descartar o falso alarme, antes de apresentar um aviso em tempo real.

O modelo só acede às conversas com o consentimento do utilizador, e nem o governo de Singapura nem a Google as podem ler; a afinação decorreu no ambiente Google Cloud gerido pela GovTech, com dados anonimizados, sem quaisquer dados de cidadãos. Apresentado na Singapore International Cyber Week, o projeto ainda não tem data nem aplicação identificada: a sua implementação será «cuidadosamente faseada» (cuidadosamente faseada) com o governo, e a Google DeepMind pondera outros países.

🔗 Google DeepMind e GovTech Singapore contra as burlas

OpenAI descobre um dispositivo de gravação oculto num dos seus escritórios

13 de outubro — Segundo uma nota publicada pela sua conta de imprensa, OpenAI descobriu um dispositivo de gravação sofisticado oculto num dos seus escritórios. A empresa afirma ter utilizado os seus próprios modelos para compreender o aparelho e a sua proveniência, chegando a identificar o funcionário que o tinha colocado alguns dias antes. O caso foi entregue ao FBI, e OpenAI agradece aos agentes e procuradores que agiram rapidamente para efetuar uma detenção; a investigação federal prossegue, e o funcionário foi despedido.

At this time, we have no indications of this individual inappropriately accessing or exfiltrating model weights, source code, or customer data.

🇵🇹 Nesta fase, não temos qualquer indicação de que esta pessoa tenha acedido indevidamente a pesos de modelos, código-fonte ou dados de clientes, nem de que os tenha exfiltrado. — @OpenAINewsroom no X

Segundo a OpenAI, o seu programa de segurança visa um amplo conjunto de ameaças, desde riscos internos a cibercriminosos e Estados, e este caso mostra como a IA pode ajudar a enfrentá-las. A nota não especifica a identidade do funcionário, o escritório em causa, a natureza exata do aparelho nem a data da detenção.

IA para a ciência: dez manuscritos médicos da Meta com os seus modelos Muse, meteorologia extrema a 3 km com HiRO-ACEv2

Duas utilizações científicas dos modelos: Meta acelera estudos epidemiológicos com base em registos de saúde, Ai2 produz dados climáticos de alta resolução a baixo custo.

Meta publica dez manuscritos de investigação médica realizados com Muse Spark 1.3 e Muse Wonder

14 de outubro — A Meta construiu uma estrutura de código interna (coding scaffold), alimentada por Muse Spark 1.3 e Muse Wonder, que acede a dados públicos e a uma base retrospetiva licenciada com cinco milhões de registos de saúde eletrónicos desidentificados. Uma coorte de investigadores em medicina (cardiologia, epidemiologia, doenças infecciosas, medicina interna) utilizou-a durante quatro semanas para formular hipóteses, escrever e executar todo o código de análise e redigir os manuscritos em conjunto; os especialistas mantêm a autoridade sobre as decisões científicas. Daí resultam dez manuscritos, revistos pelos pares da coorte, por um bioestatístico e depois por especialistas independentes contratados, cujos pareceres são publicados sob cada artigo.

Estudo citado como exemplo	Resultado comunicado
Arritmias após endocardite infecciosa	+73 % de novas arritmias e perturbações da condução em comparação com bacteriemias sem endocardite; risco a um ano de 7 % contra 4 %
Urgências, doentes de saúde comportamental que saíram sem serem atendidos	Riscos relativos de 1,86 (regresso), 4,41 (hospitalização) e 2,15 (mortalidade a curto prazo)
Tempo desde o primeiro prompt até ao manuscrito	Menos de duas semanas, por vezes sete dias

Os participantes relatam um ganho de produtividade de até dez vezes nos melhores casos, uma medida autodeclarada. As limitações são reconhecidas: as análises são apenas retrospetivas, e um revisor externo considera que o estudo sobre as arritmias gera hipóteses, em vez de justificar alterações na prática, continuando a ser possível um viés de vigilância. Esta vertente da saúde surge após os seis artigos de matemática redigidos com Muse Spark e publicados a 2 de outubro.

🔗 A publicação da Meta

HiRO-ACEv2: Ai2 simula fenómenos meteorológicos extremos à escala mundial a 3 km, com um custo cerca de 300 vezes inferior ao do X-SHiELD

14 de outubro — A Ai2 publica HiRO-ACEv2, a nova versão do seu emulador climático de alta resolução. O sistema combina ACE, um modelo de IA que simula o clima com uma resolução de 100 km, e HiRO, que refina esses resultados até 3 km. Enquanto a primeira versão de HiRO produzia apenas precipitação, HiROv2 prevê tanto a chuva como os ventos junto à superfície e a pressão ao nível do mar. Alimentado por dados de resolução reduzida do X-SHiELD, um modelo atmosférico global que simula explicitamente as tempestades, reproduz as suas estatísticas de alta resolução com uma margem de 3 %, mesmo para eventos que ocorrem num em cada milhão de pontos, e estima corretamente a energia dos ciclones tropicais, incluindo tempestades nunca vistas durante o treino.

Medida anunciada pela Ai2	Valor anunciado
Resolução	3 km à saída, a partir de ACE a 100 km
Desvio face às estatísticas do X-SHiELD	Margem de 3 %, incluindo eventos de um em cada milhão
Custo face ao X-SHiELD	Cerca de 300 vezes mais baixo para dados globais
Simulações produzidas	10 anos (ACE); um ano completo de dados globais a 3 km
Licença dos modelos	Apache-2.0, no Hugging Face

A limitação é reconhecida: como HiRO aprendeu com X-SHiELD, só funciona com a versão de ACE ajustada a esse modelo e ainda não consegue produzir dados para um clima mais quente nem para o histórico ERA5. A Ai2 prevê treiná-lo num mundo 4 °C mais quente e depois acrescentar a temperatura junto à superfície, a neve e o gelo. Os modelos são publicados com um relatório técnico (arXiv 2610.17693), notebooks de tutoriais e uma demonstração.

🔗 A publicação da Ai2 · Os modelos no Hugging Face

Expansão e investimentos: Anthropic em Singapura, 250 milhões de dólares da NVIDIA para a investigação britânica, Mistral adquire New Material

A Anthropic instala-se em Singapura com um acordo governamental, a NVIDIA compromete recursos de computação e investimentos no Reino Unido, e a Mistral reforça-se através de uma aquisição na área da conceção de produtos.

Anthropic abre em Singapura o seu quinto escritório na Ásia-Pacífico e assina um memorando de entendimento com o governo

14 de outubro — A Anthropic abre um escritório em Singapura, o seu quinto na Ásia-Pacífico, e assina um memorando de entendimento (Memorandum of Understanding) com o Ministério do Desenvolvimento Digital e da Informação de Singapura. O documento foi assinado pelo secretário permanente do ministério, Kai Fong Chng, e pelo cofundador da Anthropic Ben Mann, à margem da Singapore International Cyber Week. Prevê cooperação em matéria de segurança, proteção e avaliação dos modelos, intercâmbios técnicos sobre normas de teste e resposta a incidentes, e a partilha de dados do Anthropic Economic Index.

Organização de Singapura	Utilização de Claude citada pela Anthropic
GovTech Singapore	Mais de 1 500 engenheiros e técnicos no Claude Code
Grab	Assistente comercial BriX, cerca de 40 000 horas poupadas por trimestre
DBS e GIC	Utilização ou implementação de Claude no banco e no fundo soberano
Sea (Shopee, Garena, Monee)	Chatbot do serviço de apoio ao cliente da Shopee, milhares de funcionários a programar com Claude

Segundo o Economic Index, Singapura ocupa o segundo lugar entre 121 países na utilização de Claude.ai em proporção à população, quase seis vezes o que a sua dimensão faria prever. Um Builder Summit reuniu mais de 300 programadores no dia da abertura. A Anthropic não divulga o montante do investimento nem o número de funcionários deste escritório, que está a recrutar.

🔗 Abertura do escritório de Singapura (Anthropic)

NVIDIA oferece 250 milhões de dólares em computação à investigação britânica sobre a segurança dos agentes

13 de outubro — A NVIDIA anuncia uma doação de recursos de computação no valor de 250 milhões de dólares ao longo de cinco anos, ou seja, 50 milhões de dólares de acesso a computação por ano, para a investigação britânica sobre segurança e proteção dos agentes (agentic safety and security). A maior parte destina-se à comunidade britânica de investigação em segurança e proteção da IA no seu conjunto; uma parte está reservada ao BOLD (Universidade de Oxford), ao SOFAIR (UCL) e ao Imperial College London, que trabalhará em engenharia de segurança e robótica. A computação será disponibilizada através de NVIDIA Cloud Partners estabelecidos no Reino Unido, numa infraestrutura alojada no país; os fornecedores, a arquitetura técnica e as condições comerciais continuam por acordar. Os trabalhos visados incidem sobre agentes seguros, segurança dos modelos abertos e mitigação de ameaças reais, com sandboxes, investigação reprodutível e benchmarks de avaliação da segurança, nomeadamente com NVIDIA OpenShell e o design de referência NVIDIA Sentry.

A publicação que acompanha o anúncio acrescenta investimentos previstos, sem montantes, em cinco startups britânicas: Boltz (modelos biomoleculares), Foresight (gestão de grandes obras), Hiverge (descoberta de algoritmos), Prima Mente (modelos fundacionais biológicos para Alzheimer, Parkinson e SLA) e Riverlane (correção de erros quânticos). Estes anúncios antecedem a apresentação principal de Jensen Huang na GTC Berlin, a 21 de outubro.

🔗 Comunicado da NVIDIA · Publicação da NVIDIA sobre o ecossistema britânico

Mistral adquire o estúdio de design New Material e cria uma equipa Solutions Design

14 de outubro — A Mistral adquire New Material, um estúdio de conceção de produtos de IA fundado há seis anos. O anúncio surge na publicação da New Material, que fala em aquisição; a Mistral partilhou-o no X para dar as boas-vindas à equipa, sem publicar no seu próprio site nem divulgar um montante. O estúdio afirma ter criado ferramentas, produtos e empresas concebidos de raiz com IA nos setores automóvel, do retalho, jurídico e da saúde, com parceiros como a Ford, Rafael Nadal, o Wellcome Trust ou sociedades de advogados da AmLaw 50. Passa a constituir na Mistral uma nova equipa, Solutions Design, que combina design, engenharia e IA e desenvolverá projetos em conjunto com os clientes, para estreitar o ciclo entre as implementações reais e os produtos da Mistral na IA crítica para empresas e governos. Em maio, a Mistral já tinha adquirido a Emmi AI, especialista austríaca em Physics AI.

🔗 Publicação da New Material · Mensagem de @MistralAI

OpenAI mede a transição agêntica das empresas da UE: utilizadores multiplicados por 8,1 nas PME

14 de outubro — A OpenAI publica um relatório da sua investigação económica dedicado à utilização agêntica da IA nas empresas da União Europeia, acompanhado de um PDF e de dados para explorar. Na amostra europeia de clientes ChatGPT Enterprise, Codex e ChatGPT Work representam agora mais de metade dos tokens de saída: os utilizadores confiam aos agentes tarefas inteiras, do planeamento à execução.

Indicador medido pela OpenAI	Valor registado
Percentagem dos tokens de saída via Codex e ChatGPT Work (UE, ChatGPT Enterprise)	Mais de metade
Utilizadores ativos semanais de ferramentas agênticas nas PME da UE	×8,1 em relação à semana de 1 a 7 de maio
Percentagem agêntica dos tokens de saída por país	De 22 % (Eslovénia) a 85 % (Lituânia)
Tokens de saída em 28 dias, em relação às empresas típicas de maio	Vanguarda fora da UE 12,9x; vanguarda UE 6,1x; típicas fora da UE 1,6x; típicas UE 1,5x
Percentagem da UE entre as empresas de vanguarda mundiais	10 %

As PME são aqui definidas como empresas que contam com, no máximo, 200 utilizadores associados, e o seu crescimento abrange todos os Estados-Membros. O relatório mede sobretudo uma diferença de intensidade: em setembro, as empresas de vanguarda da UE (frontier firms, os 10 % que geram mais tokens de saída por utilizador ativo) produziam mais de quatro vezes mais do que as empresas típicas da UE, mas as empresas de vanguarda fora da UE produziam ainda mais do dobro das suas congéneres europeias. Para a OpenAI, o desafio é transformar uma adoção alargada em utilizações mais aprofundadas, ajudando as empresas a ultrapassar a experimentação e formando os trabalhadores. O relatório surge na sequência do de 30 de setembro sobre as pequenas empresas americanas.

🔗 O próximo capítulo da IA na UE será agêntico (OpenAI)

Infraestrutura dos agentes: traces OpenTelemetry na Claude Platform, encaminhamento de sandboxes na Perplexity

Dois componentes das ferramentas que permitem executar e observar agentes em produção: a observabilidade na Anthropic e o encaminhamento dos pedidos para a execução certa na Perplexity.

Claude Platform exporta em beta pública traces OpenTelemetry da API Messages, de Managed Agents e dos SDK

14 de outubro — A Claude Platform pode agora enviar, em beta pública, traces OpenTelemetry a partir da API Messages, de Claude Managed Agents e dos SDK Claude para qualquer ferramenta de observabilidade que aceite um endpoint OTLP padrão. Cada turno de agente, chamada de modelo e chamada de ferramenta chega como um trace padrão, com latência, tokens e identificadores. Para a API Messages e Managed Agents, é necessário adicionar um destino na Claude Console; os SDK exportam automaticamente os seus spans, em Python, TypeScript, C#, Go, Java, PHP e Ruby, segundo as notas de versão. Os spans seguem as convenções semânticas GenAI do OpenTelemetry e incluem, por predefinição, metadados (duração, estado, número de tokens, modelo, nomes de ferramentas); um destino configurado para conteúdo completo (full content) também exporta prompts, respostas, entradas e resultados de ferramentas. No mesmo dia, Claude Code 2.1.300 alinha os seus próprios spans com estas convenções.

Utilização destacada	Ferramentas citadas pela Anthropic
Depurar em conjunto com o resto da stack	Grafana Cloud, Honeycomb, Sentry, Splunk
Transformar traces reais em avaliações	Arize AI, Braintrust, Datadog, Langfuse, LangSmith, New Relic, PostHog
Acompanhar a utilização de tokens por equipa	Databricks Unity Gateway

Entre os testemunhos, a Ramp explica que Reflect, o seu sistema que avalia os traces Langfuse dos seus agentes, já reduziu entre 10 e 20 % a utilização de tokens e acelerou em 30 % as sessões de alguns agentes. A Anthropic não anuncia preços nem um calendário de disponibilidade geral.

🔗 Observabilidade de agentes na Claude Platform · Notas de versão da Claude Platform

SPACE: Perplexity associa cada pedido à execução certa da sandbox

14 de outubro — A Perplexity publica um artigo de engenharia sobre SPACE, a plataforma de sandboxes onde são executados os agentes de Perplexity Computer. Segundo a Perplexity, SPACE processa há meses milhões de execuções por dia com uma taxa de erro inferior a 0,0002 % e sem qualquer ligação perdida. O problema abordado é o de uma rota desatualizada: uma sandbox retomada noutra máquina mantém o seu identificador, mas inicia uma nova execução, e um pedido atrasado pode chegar à antiga com o nome certo. Uma simples leitura de ficheiro atravessa o plano de controlo, node-api, sbx-manager, um socket Unix e a ponte do anfitrião, seguindo depois por VSOCK até à microVM Firecracker.

A resposta consiste em separar a identidade estável da sandbox da identidade de execução, que designa uma instância e a sua localização. Após a autorização, cada pedido transporta uma capacidade assinada com Ed25519, válida durante 120 segundos, que o componente recetor compara com o seu próprio registo antes de o encaminhar; os terminais e a monitorização de ficheiros são interrompidos assim que uma nova execução se instala. O modelo de ameaças exclui o comprometimento root de uma máquina de execução (worker), e a verificação permanece local, sem atestação remota por hardware. Por fim, o artigo compara SPACE com OpenShell, que oferece garantias semelhantes, e com E2B e CubeSandbox, que encaminham sem uma identidade de execução esperada: constatações limitadas às implementações inspecionadas, esclarece a Perplexity.

🔗 Publicação da Perplexity sobre SPACE

Agentes generalistas: as versões Ultrafast no Perplexity Computer, Manus for Business para equipas

Os agentes que executam tarefas longas para o utilizador apostam em dois fatores: a velocidade dos modelos na Perplexity e o trabalho em equipa no Manus.

Perplexity Computer disponibiliza as versões Ultrafast de GPT-6 Astra e GPT-6.1 Sol aos subscritores Max

14 de outubro — A Perplexity disponibiliza aos subscritores Max as versões Ultrafast de dois modelos da OpenAI no Perplexity Computer, o seu agente para tarefas com várias etapas: GPT-6 Astra e GPT-6.1 Sol, referido como «SOL 6.1» no anúncio. Os dois modelos geram os seus tokens mais depressa, pelo que as tarefas longas do Computer terminam mais cedo. A escolha é manual: selecionar Astra ou SOL 6.1 no menu Custom e depois mudar a velocidade para Ultrafast. O anúncio não quantifica o ganho de velocidade nem o consumo de créditos, e nada diz sobre os outros planos; o changelog do produto não tem nenhuma entrada mais recente do que a de 5 de outubro. É a implementação na Perplexity de um nível que a OpenAI lançou para GPT-6 Astra a 29 de setembro e depois para GPT-6.1 Sol a 8 de outubro, com uma velocidade até 8 vezes superior, segundo a OpenAI.

🔗 Anúncio da Perplexity

Manus for Business: um Team Plan a partir de 20 dólares por lugar e uma oferta Enterprise

13 de outubro — O Manus lança Manus for Business, uma oferta destinada a equipas que reúne o Manus Team Plan e um Enterprise Plan.

Plano Manus	Conteúdo segundo o Manus
Manus Team Plan	A partir de 20 dólares por lugar pago e por mês ou 200 dólares por ano, para 4 000 créditos; lugares gratuitos para convidados
Manus Enterprise	Mediante contacto comercial: contas geridas, retenção legal, integração SIEM, controlos de rede dos agentes, limites de utilização por utilizador

O Team Plan, disponível desde já, inclui projetos que conservam o contexto (instruções, ficheiros, Skills e conectores partilhados entre tarefas relacionadas, incluindo tarefas agendadas), Skills comuns que os administradores podem impor, acesso reservado à equipa para tarefas, ficheiros e sites internos, e créditos partilhados acompanhados num painel. Os convidados revêm e comentam sem ocupar um lugar pago. Funções, registos de auditoria, SSO e SCIM completam o conjunto; o Manus afirma proibir os fornecedores de modelos de treinar com os dados dos clientes Team e possuir as certificações SOC 2 Type II, ISO 27001 e ISO 27701.

🔗 Apresentação do Manus for Business

Investigação sobre agentes: HybridAgent raciocina no espaço latente, Cohere Labs avalia equipas de agentes de código

Dois estudos procuram reduzir o custo dos agentes: um fazendo-os raciocinar sem produzir tokens, o outro organizando melhor as suas equipas.

HybridAgent: agentes que pensam no espaço latente e agem através de texto

13 de outubro — Investigadores de Stanford, Together AI, UIUC e Meta, segundo o artigo submetido ao arXiv e assinado, entre outros, por Jiaru Zou e James Zou, apresentam HybridAgent, agentes de raciocínio híbrido que alternam, numa mesma geração, entre raciocínio no espaço latente e ações em texto. Um módulo leve, HybridLink, projeta os estados ocultos da última camada de volta no espaço dos embeddings de entrada: o modelo raciocina sem produzir tokens e depois regressa ao texto para invocar as suas ferramentas, um interpretador Python e a pesquisa web. Cada etapa latente continua a poder ser lida sob a forma de pseudotexto. O treino decorre em duas fases: HybridSFT aprende a coordenação com HybridLink e depois HybridRL aprende quando pensar no espaço latente e quando agir em texto.

Métrica publicada (segundo os autores)	Valor anunciado
Ganho de desempenho em 11 benchmarks e 3 tamanhos	+10,4 %
Redução de tokens	35,5 % a 54,7 %
Velocidade de inferência	1,8 a 2,6 vezes mais rápida
Poupança de custos	2,7 a 3,7 vezes

Os modelos HybridAgent-8B-Agentic e 14B-Agentic são publicados sob licença MIT juntamente com o código; nenhum anúncio da Together AI acompanha o artigo.

🔗 O artigo no arXiv

Cohere Labs: um agente principal forte rodeado de agentes de baixo custo aproxima-se da melhor pontuação com 70 % menos custos

14 de outubro — A Cohere Labs publica um estudo sobre a organização de equipas de agentes de código, assinado por Keenan Samway, Daniel D’souza e Nouha Dziri. Num harness deliberadamente mínimo, um agente principal (lead) atribui subtarefas a agentes secundários (workers), e apenas um parâmetro muda de cada vez: etapas delegadas, espera bloqueante ou assíncrona, modelo de cada função, tamanho da equipa, mensagens diretas. O benchmark principal, ProgramBench, pede a reconstrução de 200 programas apenas a partir do seu executável e da sua documentação, de jq e ripgrep até SQLite ou FFmpeg.

Configuração avaliada (ProgramBench, GPT-5.6)	Recompensa média	Custo total das 200 tarefas
Sol sozinho, prompt em três etapas	57,7 %	Não quantificado no texto
Equipa Sol assíncrona, três etapas delegadas	63,2 %	510 dólares
Equipa Sol assíncrona, apenas o planeamento delegado	63,6 %	249 dólares
Agente principal Sol e 16 agentes Luna, planeamento	61,8 %	155 dólares

Delegar apenas o planeamento obtém, portanto, resultados tão bons como delegar tudo, por metade do custo, e um agente principal Sol apoiado por 16 agentes GPT-5.6 Luna atinge 61,8 % por 155 dólares, 70 % menos do que a equipa composta apenas por Sol que delega tudo. Um agente principal fraco não recupera a desvantagem: com agentes Luna, um agente principal Terra (51,6 %) fica abaixo de Sol a trabalhar sozinho (57,7 %). Num subconjunto de 30 tarefas, com uma única execução por modelo, Claude Opus 4.8 ganha 5,9 pontos em equipa, enquanto Claude Opus 4.7 quase não delega; um ensaio com Claude Opus 5 foi interrompido após oito tarefas, todas atingindo o limite de oito horas, por cerca de 500 dólares cada. O estudo não avalia nenhum modelo da Cohere.

🔗 Artigo da Cohere Labs

Media generativos: FLUX 3 Video mais barato, Runway na Baseten, a voz do HeyGen adaptada ao cenário

O vídeo generativo reduz os preços e entra nas infraestruturas dedicadas das empresas, enquanto o HeyGen documenta a clonagem de voz dos seus vídeos.

FLUX 3 Video até duas vezes mais rápido e até metade do preço em 2K e 4K

14 de outubro — A Black Forest Labs anuncia que FLUX 3 Video é agora até duas vezes mais rápido e custa 50 % menos para gerar em 2K e 4K nativos. O laboratório explica que otimizou o serviço para consumir menos recursos computacionais e que repercute esse ganho tanto no preço como na velocidade. Numa segunda mensagem, afirma oferecer qualidade 4K superior à de Kling o3 com preço e latência comparáveis, sem publicar um benchmark na sequência de mensagens.

Resolução FLUX 3 Video	Texto ou imagem para vídeo (por segundo)	Vídeo para vídeo (por segundo)
HD	0,17 → 0,15 dólar	0,41 → 0,21 dólar
FHD	0,29 → 0,24 dólar	0,53 → 0,27 dólar
QHD (2K)	0,40 → 0,28 dólar	0,65 → 0,31 dólar
UHD (4K)	0,80 → 0,41 dólar	0,95 → 0,45 dólar

A tabela de bfl.ai relativiza os «50 %»: em 2K e 4K, a redução vai de 30 % (2K a partir de texto ou imagem) a 53 % (vídeo para vídeo), e os preços de HD e FHD também descem; o modo de rascunho (Draft) mantém-se em 0,06 dólar por segundo, apenas em HD. FLUX 3 Video tinha sido lançado a 4 de agosto.

🔗 Anúncio da Black Forest Labs · Página de FLUX 3 Video · Tabela de preços de FLUX 3 Video

Runway associa-se à Baseten para implementar Gen-4.5 e Aleph 2.0 em ambientes dedicados

14 de outubro — A Runway e a Baseten associam-se para disponibilizar os modelos de vídeo da Runway às empresas em ambientes dedicados. Gen-4.5 e Aleph 2.0, que edita sequências com várias cenas de até 30 segundos em 1080p, podem agora ser implementados, incluindo versões afinadas, num ambiente de cliente único (single-tenant) através de Baseten Dedicated Inference. A empresa obtém uma licença dos pesos diretamente junto da Runway e depois implementa-os na Baseten, onde cada implementação funciona num plano de execução isolado com GPU dedicadas, ficando a Baseten responsável pelo plano de controlo. A infraestrutura está abrangida pelos programas SOC 2 Type II e HIPAA da Baseten, a disponibilidade é garantida a 99,99 %, e os clientes podem afinar os modelos com os seus dados e reservar capacidade GPU. Não são divulgados preços. A oferta prolonga Runway Model Licensing, lançado a 11 de setembro para licenciar os seus pesos fechados às empresas.

🔗 Anúncio da Runway · Artigo da Baseten

HeyGen Voice: o relatório técnico de uma clonagem de voz que adapta a voz ao cenário

14 de outubro — Cinco dias após o lançamento de HeyGen Voice, o HeyGen publica o relatório técnico do seu modelo de voz, apresentado como o primeiro concebido para vídeo. A referência de voz estabelece quem fala, enquanto a imagem de destino e a descrição da cena orientam a forma como a voz deve soar: um modelo de linguagem extrai daí duas legendas, uma para o locutor (tom, ritmo, ênfase, expressividade), outra para o fundo (o espaço e a sua acústica). O vídeo é renderizado por um modelo de avatar distinto.

Avaliação às cegas (realizada pelo HeyGen)	HeyGen Voice preferido
Adequação ao cenário, face a Cartesia	73 %
Adequação ao cenário, face a ElevenLabs v4	70 %
Adequação ao cenário, face a Seedance 2.5	65 %
Escolha dos utilizadores, face a ElevenLabs v4	62,2 %
Escolha dos utilizadores, face a Cartesia Sonic 3.6	54,1 %

No primeiro teste, a mesma voz é colocada em 50 cenários, de uma catedral ao banco da frente de um automóvel; no segundo, milhares de utilizadores gravaram a sua voz e depois escolheram, sem identificação, a versão a adotar, com 41,7 % para HeyGen Voice na comparação entre três opções. Estes números provêm do HeyGen.

🔗 Sequência de mensagens do HeyGen · Página de investigação de HeyGen Voice

Chips: NVIDIA lança cuPotential e alarga CUDA-X às fábricas de semicondutores orientadas por IA

14 de outubro — A NVIDIA apresenta cuPotential, uma nova biblioteca CUDA-X que permite criar agentes capazes de simular as interações entre átomos e moléculas, um cálculo central para modelar os materiais e os processos dos semicondutores. Em testes de acesso antecipado, proporcionou uma aceleração adicional de 2 a 3 vezes em fluxos já otimizados para GPU; a Synopsys figura entre os primeiros utilizadores. O anúncio enquadra-se nas fábricas de semicondutores orientadas por IA (AI-defined fabs), onde os agentes ajudam os engenheiros a otimizar os processos, a resolver incidentes de produção e a melhorar o rendimento.

Parceiro ou ferramenta	Resultado anunciado (segundo a NVIDIA)
NVIDIA cuPotential	2 a 3 vezes adicionais em fluxos já otimizados para GPU (acesso antecipado)
Lam Research (NanoVDB, SEMulator3D)	Até 30 vezes em certas modelações de gravação, até ao fim de 2026
KLA (NPP)	50 vezes mais rápido do que versões anteriores para CPU
Applied Materials	Simulações de câmara até 35 vezes mais rápidas
Synopsys	Potencial de 30 vezes (cuEST, QuantumATK) e 12 vezes (cuDSS, S-Device)

No mesmo dia, um artigo técnico ilustra a componente dos agentes: com a biblioteca aberta NeMo Gym, a equipa Siemens Fuse avaliou o seu agente de caracterização de células padrão, comparando os seus ficheiros Liberty com referências verificadas. Em cerca de 25 execuções, com Claude Opus 4.8 no Claude Code como modelo e harness fixos, a equipa aperfeiçoou as suas skills e as suas descrições de ferramentas MCP: a pontuação composta passa de cerca de 55 % para cerca de 95 %, os turnos do agente de 155 para 53 e os tokens de saída de cerca de 81 000 para 29 000.

🔗 Comunicado da NVIDIA · Artigo técnico sobre NeMo Gym e Siemens Fuse

Modelos e ambientes abertos: os encoders UltraBERT, ambientes RL multilingues na Hugging Face

Duas publicações abertas no Hub: uma família de encoders para classificação e pesquisa, e ambientes de aprendizagem por reforço em mais de cem línguas.

UltraBERT: DMIS Lab publica encoders de inglês de 150M e 380M com contexto de 32K

14 de outubro — O laboratório DMIS (Data Mining and Information Systems Lab) publica UltraBERT, uma família de encoders de inglês de 150M e 380M parâmetros com um contexto nativo de 32K tokens, e UltraBERT-Embed-150M, um modelo de embeddings pronto a usar, tudo sob Apache 2.0 e acompanhado de um artigo (arXiv 2610.15028). Estudos de ablação que totalizam mais de 70 000 mil milhões de tokens destacam duas conclusões: os encoders deixam de progredir após 1 000 a 2 000 mil milhões de tokens, embora a perda continue a diminuir, e a taxa de mascaramento determina a sua especialidade, com uma taxa baixa a favorecer a classificação e uma taxa elevada a favorecer a pesquisa. UltraBERT mistura, por isso, 5 % e 50 % de mascaramento em cada lote, com uma cabeça de modelo de linguagem por taxa.

Modelo UltraBERT publicado	Resultado anunciado pelos autores
UltraBERT-380M	91,0 em GLUE, 47,7 em BEIR
UltraBERT-150M e 380M	Melhor pontuação em 9 de 10 benchmarks; 99 % no teste da chave oculta até 32K tokens
UltraBERT-Embed-150M	67,24 em MTEB (eng, v2), melhor modelo de embeddings densos com menos de 200M parâmetros

🔗 O artigo do DMIS Lab

Hugging Face disponibiliza ambientes RL de OCR em 22 línguas e de reconhecimento de fala em 102 línguas

14 de outubro — Adithya S K, que trabalha nos ambientes de aprendizagem por reforço da Hugging Face, apresenta o que descreve como os maiores ambientes RL open source multilingues e multimodais. São publicados dois ambientes OpenEnv com recompensas verificáveis: um para reconhecimento de documentos (OCR), com mais de um milhão de páginas em 22 línguas provenientes do corpus Nayana da Cognitive Lab, e outro para reconhecimento de fala (ASR), com fala em 102 línguas proveniente do FLEURS da Google, num total de mais de 12 milhões de tarefas. O princípio: reutilizar conjuntos de dados abertos existentes, dotando-os de recompensas verificáveis. Para demonstrar que servem para treinar, o autor ajustou Gemma 4 E4B através de GRPO em canarês, num único A100: 16 % menos erros de caracteres no conjunto de avaliação OCR reservado da Sarvam AI e 45 % menos em 838 excertos de fala reservados. O RL Environment Explorer apresentado a 7 de outubro já contabilizava mais de 12 milhões de tarefas; a novidade está na apresentação oficial e nos primeiros resultados de treino.

🔗 O fio de Adithya S K

GitHub Actions: ficheiros de bloqueio para as dependências dos workflows, em pré-visualização pública

14 de outubro — Fora da IA, o GitHub Actions disponibiliza em pré-visualização pública ficheiros de bloqueio (lockfiles) para as dependências dos workflows, no GitHub Enterprise Cloud (com ou sem residência dos dados), Team e Free. O risco visado é conhecido: uma tag ou um branch pode ser movido após a revisão de um workflow, e uma action comprometida pode injetar código malicioso sem qualquer alteração no repositório. A extensão gh actions-lock do GitHub CLI gera .github/workflows/actions.lock com os commits das actions, das suas dependências transitivas e dos workflows reutilizáveis; o Actions executa depois o commit bloqueado, mesmo que a tag se mova. A adoção faz-se workflow a workflow, uma política Require lockfile permite torná-la obrigatória, e o Dependabot atualiza a entrada bloqueada na mesma pull request que a nova versão de uma action. O GitHub lembra que o bloqueio nada diz sobre a segurança de uma dependência, que deve ser revista antes de ser bloqueada.

🔗 Ficheiros de bloqueio de workflows do GitHub Actions em pré-visualização pública (changelog do GitHub)

Breves

Agentes e ferramentas de código

Copilot CLI 1.0.98 — Lançada como versão estável no dia seguinte à 1.0.97, suporta Gemini 4 Argon e torna as respostas de /ask mais fáceis de manipular: Ctrl+E expande-as, Ctrl+Y copia-as integralmente, /ask ou /btw reabre a última resposta completa; o SDK Copilot 1.0.22 limita-se a incluir a CLI. 🔗 fonte
Zed 1.24 e pré-visualização 1.25.0 — A 1.24 passa a estável (1.24.2) com apenas mais uma correção do que a sua pré-visualização; a 1.25.0-pre acrescenta Gemini 4 Argon ao fornecedor Google AI, GPT-6 Astra, Claude Fable 5.1 e Claude Opus 5.5 ao Bedrock, a compactação do contexto para agentes ACP, e impede que os segredos dos agentes externos e dos servidores MCP apareçam na lista de processos local. 🔗 fonte
Extensão Antigravity 1.8.0 para VS Code — Atualização de 11 de outubro: sem aceitação automática, as revisões de diff permanecem abertas e acumulam-se de um turno do agente para o seguinte, as alterações feitas no disco são detetadas em menos de um segundo, e o pacote VSIX é cerca de 70 % mais leve. 🔗 fonte
DeepSeek Harness 0.2.1-alpha.3 — 27.ª pré-visualização, ainda sem versão estável: chaves e tokens ocultados por predefinição nas mensagens enviadas, predefinições de agente (Agent Presets) específicas dos subagentes, retoma de sessões nos SDK e dez correções; o fornecedor Azure, renomeado para azure, exige a migração das configurações. 🔗 fonte
GPT-5.5 sai do Codex — Como anunciado a 15 de setembro, GPT-5.5 saiu do Codex a 14 de outubro às 19 h UTC para as contas ligadas através do ChatGPT, sendo substituído por GPT-6.1 Sol (Plus, Pro, Business, Enterprise, Edu) ou por GPT-6 Luna na aplicação de desktop (Free e Go); a API e as sessões com chave API não são afetadas. 🔗 fonte
Amp e os modelos da OpenAI — Num estudo de caso da OpenAI, a Amp indica que estes modelos representam a maioria dos tokens consumidos, com alguns utilizadores a gastar 10 mil milhões por semana; Calling Puck permite falar em tempo real com o seu meta-agente graças a GPT-Live-1, e a equipa testa o modo Ultrafast de GPT-6 Astra. 🔗 fonte
Skills cuDF para Apache Spark — A NVIDIA publica skills de agente que reescrevem as UDF do Spark em equivalentes acelerados por GPU; num grande grupo não identificado, foram convertidas mais de 30 UDF de produção, incluindo uma que passou de 274,55 para 12,78 horas em 600 mil milhões de linhas. 🔗 fonte
Built with Claude: Japan 2026 — A Anthropic e a Cerebral Valley organizam, de 2 a 10 de novembro, um hackathon Claude Code inteiramente online para residentes no Japão: 250 participantes selecionados recebem um plano Max 5x e 500 dólares em créditos API, estão em jogo 50 000 dólares em créditos, com candidaturas até 26 de outubro. 🔗 fonte
Encontros Astra Commons — Em setembro, os Codex Ambassadors reuniram cerca de 2 500 programadores em 52 cidades, em cafés, galerias e universidades, para o lançamento de GPT-6 Astra, segundo Rhiannon Payne, da equipa de comunidade da OpenAI. 🔗 fonte

Assistentes, ferramentas empresariais e guias

Genspark — Muse Wonder da Meta e, depois, Gemini 4 Argon chegam em poucas horas ao AI Chat, Code Agent e Claw, com os argumentos promocionais dos seus criadores e sem indicação de plano ou preço. 🔗 fonte · 🔗 Argon
My Fish no Sakana Chat — A Sakana AI torna visível a memória do seu assistente: mapa de calor das leituras e escritas, vista por categorias, mapa das ligações entre memórias, que se esbatem após 30 dias sem utilização, e histórico, tudo em Definições → My Fish, tanto na web como no telemóvel. 🔗 fonte
Gloss — A Together AI destaca uma aplicação gratuita e open source para guardar artigos, PDF e marcadores do X e interrogar a IA sobre uma passagem destacada, construída com DeepSeek V4.1 Flash na sua plataforma. 🔗 fonte
MCP no Apigee hybrid — Desde a versão 1.17.0, basta uma especificação OpenAPI para expor cada operação de uma API como ferramenta MCP, com um plano de dados que permanece no cluster Kubernetes do cliente: nenhuma chamada de ferramenta passa pelo Google Cloud. 🔗 fonte
O custo das ferramentas de IA segundo a Perplexity — Um guia detalha modelos de preços e custos ocultos (uma equipa hipotética de 10 pessoas a gastar 350 dólares em alguns meses, mais 18 horas de trabalho interno) e resume a tabela de preços da Perplexity, de Free a Enterprise Max; não foi anunciada qualquer novidade. 🔗 fonte
As ferramentas MCP segundo a Perplexity — Um segundo guia explica o que é uma ferramenta MCP e recorda as duas formas de utilização na Perplexity: ligar servidores MCP nos planos Pro, Max e Enterprise, ou chamar, a partir do Claude Code, por exemplo, as quatro ferramentas do seu próprio servidor MCP. 🔗 fonte

Estudos de caso e implementações

Third Moment Research — Num estudo de caso da OpenAI, este laboratório executa 10 000 agentes simultâneos em sessões de 36 a 48 horas, consumiu 1 000 mil milhões de tokens num dia e reduziu em 97 % a duração de um teste retrospetivo (backtest) com o Codex; GPT-6.1 Sol é o seu modelo mais utilizado. 🔗 fonte
SentinelOne e Daybreak — Segundo o seu diretor de IA, Gregor Stewart, o OpenAI Daybreak produz em cerca de oito horas uma engenharia inversa de software malicioso de nível humano que exigia quatro a seis semanas a um investigador de alto nível. 🔗 fonte
Circa e Manus — A Manus publica o testemunho da Circa, uma startup de Boston que reutiliza materiais de demolição e usa o agente para o seu site, as suas candidaturas a subsídios e uma ferramenta de estimativa; declarou perto de 100 000 dólares de faturação acumulada em setembro, sem novidades de produto. 🔗 fonte
Cidades europeias e NVIDIA — Em Côte-d’Or, agentes da Akila e da ThinkDeep implementados em mais de 500 edifícios públicos reduzem em 10 % os custos de operação, com um objetivo de 30 %; a NVIDIA cita também projetos em Milão, Antuérpia-Bruges, Gotemburgo e Liverpool, sem qualquer produto novo. 🔗 fonte
MiniMax H3 IP Edition — No resumo da sua conferência de Tóquio de 11 de setembro, a MiniMax afirma ter mais de 60 empresas interessadas; o piloto Captain Tsubasa × PixVerse reuniu 126 360 criadores e 329 314 conteúdos licenciados em 45 dias. 🔗 fonte

Modelos abertos e investigação comunitária

Rerank 5 mencionado pela Cohere — A Cohere publica um vídeo em que Rerank joga Mario e convida a ver se Rerank 5 supera a pontuação de Rerank 4; nada foi lançado, e a documentação ainda só lista Rerank 4 e as versões 3.x. 🔗 fonte
Lumma-Fev-27B — A FrontiersMind ajusta integralmente Qwen3.8-27B com cerca de 100 000 exemplos de decisão (inglês, hindi, tâmil, canarês): 90,7 % de respostas corretas contra 83,9 % para Jev 1.13 em 4 454 decisões reservadas, mas Jev continua à frente em BBH e WinoGrande; medições dos autores, pesos sob Apache 2.0. 🔗 fonte
TranscribePsy — A Tether AI Research publica um modelo de reconhecimento de fala de 254M parâmetros para 25 línguas europeias, em versões GGUF e Core ML: taxa de erro de palavras de 8,02 % no Open ASR Leaderboard contra 12,34 % para Whisper-small, e 2,6 vezes mais rápido do que o seguinte em seis telemóveis, segundo a Tether. 🔗 fonte
VKORE-46M-NPU — A VIDRAFT treina de raiz, com retropropagação real, um pequeno descodificador de 46M parâmetros num NPU de inferência com 32 chips; a sua curva de perda tem uma correlação de 0,99 com a do mesmo treino em GPU. 🔗 fonte
Quantização e capacidades de agente — Em 19 200 resultados emparelhados, Patrick Hill (PBH Applied Systems) mostra que Mistral-Nemo em Q4_K_M perde significativamente 5 capacidades de agente em 8, até −28,0 pontos na saída estruturada com prosa, enquanto Q5_K_M (8,73 Go contra 7,48) e Q8_0 não alteram nada. 🔗 fonte
Uma porta em Gated DeltaNet — Avi Fenesh acrescenta a uma LoRA treinada por GRPO uma pequena porta sobre o beta das camadas Gated DeltaNet: o raciocínio de Qwen3.5-4B encurta 48 % em MATH-500 e a exatidão a qualquer momento passa de 0,786 para 0,852. 🔗 fonte
pico-165m — Fausto Saporito treina num único chip TPU um modelo de 165M que tira notas: 0,81 nas verificações de memória em conversas de cerca de 47 trocas, contra 0,31 para SmolLM2-360M-Instruct a ler toda a conversa. 🔗 fonte

Inferência e kernels de computação

DeepGEMM-Ascend, DeepGEMM 2.8.2 e TileKernels 2.1.0 — Sem anúncio, a DeepSeek acrescenta à sua biblioteca para NPU Ascend kernels de logits MQA esparsos e um termo C ou um bias às GEMM BF16, FP8 e FP4, atualiza DeepGEMM para 2.8.2 e publica TileKernels 2.1.0 sem notas de versão. 🔗 fonte
TokenSpeed e Qwen3.8-Flash-Next — O motor open source da LightSeek serve o modelo a 685,9 tokens/s por utilizador com uma única conversa em quatro GPU NVIDIA GB300 em NVFP4, e a 95,7 tokens/s com 32 conversas; a Qwen elogiou o resultado. 🔗 fonte
Qwen3.8-Flash-Next em AMD MI350P — Florian Zimmermeister faz passar, com vLLM, o débito agregado de 1 168,2 para 2 256,6 tokens/s com 32 fluxos (+93,2 %) num único GPU, a partir de um ponto de partida já equipado com um MXFP4 personalizado. 🔗 fonte
GLM 5.3 Flash no Microsoft Foundry — A Hugging Face acrescenta o modelo da Z.ai ao seu catálogo Foundry, otimizado para AMD MI300X em três configurações com contexto 512K; em ShareGPT, a versão com 8 GPU em TP4 + DP2 proporciona cerca de 1,8 vezes o débito e reduz o tempo até ao primeiro token de 11,3 para 5,2 s. 🔗 fonte
Qwen3.8-27B no Neural Engine — O projeto ANEMLL quantiza todas as matrizes MLP do modelo em vetores de 3 bits: num chip M6, divergência KL de 0,0518 face ao BF16 e 37,5 tokens/s em média, para 9,74 Gio de pesos; a exatidão em tarefas padrão continua por medir. 🔗 fonte
Visualizador de tensores do Hub — A Hugging Face devolve os cabeçalhos de todos os fragmentos num único pedido: DeepSeek-V3.2 abre em 0,45 s em vez de 9,2 s, GLM-5.3 em 0,57 s em vez de 4,0 s. 🔗 fonte

GitHub, fora da IA

Permissões das GitHub Apps — Duas permissões granulares permitem criar um repositório ou gerir os repositórios de uma instalação sem direitos de administração, e um administrador de repositório pode associar o seu repositório a uma app já aprovada; o objetivo declarado é deixar de usar os PAT clássicos. 🔗 fonte
Relatório de disponibilidade do GitHub — A 7 de outubro, 120 dos 160 serviços de produção funcionavam em Central US e 13 das 51 bases de dados MySQL primárias tinham sido migradas; o GitHub falhou o seu objetivo de 30 de setembro e revisita o incidente de 13 de setembro, que afetou cerca de 96 % das criações de issues na web. 🔗 fonte
Histórico de estrelas — O novo endpoint da API devolve até 30 semanas de contagens diárias por pedido, sem identificação: bastam cerca de 24 pedidos para react/react, em vez de cerca de 2 511. 🔗 fonte

O que isto significa

A voz torna-se um terreno de comparação quantitativa, em que o custo conta tanto quanto a classificação. Grok Voice 3.0 melhora as suas pontuações sem alterar o preço por minuto, e a SpaceXSI destaca o custo por tarefa, 0,025 dólar contra 0,030 para GPT-Live-1. Estas medições da Artificial Analysis, citadas pelo fornecedor, não resolvem tudo: no τ-Voice, GPT-Live-1 continua à frente, e Grok Voice 3.0 compensa com uma latência 40 % inferior. A implementação também conta: 20 000 chamadas por dia na Starlink, das quais cerca de 70 % são resolvidas sem intervenção humana, mostram que os agentes de voz já tratam de uma parte real do apoio ao cliente. No vídeo, FLUX 3 Video reduz os seus preços de 2K e 4K entre 30 e 53 % graças a um serviço que exige menos computação, enquanto a HeyGen aposta numa voz ajustada à acústica do cenário.

Os modelos de fronteira também são avaliados pelos resultados de investigação. A Google mostra o Argon num descodificador quântico, numa conjectura da física dos plasmas e em enzimas testadas em laboratório, a Meta em dez manuscritos médicos, e a Ai2 em dados climáticos a 3 km produzidos a um custo cerca de 300 vezes inferior. As limitações continuam escritas preto no branco: o resumo do artigo sobre a conjectura de Grad não menciona Argon, os estudos da Meta são retrospetivos e um deles é considerado gerador de hipóteses, e no repositório ADK a revisão humana conservou apenas duas das seis otimizações. Em todos os casos, o ser humano mantém a última palavra: na experiência da Meta, os investigadores médicos decidem as conclusões científicas, e os responsáveis pela manutenção do ADK cortam parte do que o agente propõe.

O custo do trabalho dos agentes torna-se um tema central das ferramentas. Claude Code compacta as conversas longas antes de a cache expirar para evitar voltar a processar tudo, HydraFusion ajusta o esforço de raciocínio passo a passo, e o estudo da Cohere Labs mostra que um agente principal forte, rodeado de agentes de baixo custo, se aproxima da melhor pontuação com um custo 70 % inferior. HybridAgent aborda o mesmo problema através da arquitetura, raciocinando sem produzir tokens. Para gerir estas despesas, é preciso ter visibilidade sobre elas: os traces da Claude Platform e do Claude Code 2.1.300 seguem agora as mesmas convenções GenAI do OpenTelemetry, e a Ramp quantifica entre 10 e 20 % a redução de tokens obtida em certos agentes ao atribuir notas aos seus próprios traces. O relatório da OpenAI sobre a UE recorda o que está em jogo: Codex e ChatGPT Work já geram aí mais de metade dos tokens de saída dos clientes Enterprise analisados.

A segurança da IA também ganha uma dimensão pública. Em Singapura, a mesma Cyber Week vê a Anthropic assinar um memorando de entendimento sobre a avaliação de modelos e a resposta a incidentes, e a Google DeepMind apresentar, com a GovTech, um sistema de deteção de burlas que permanece no telemóvel. No Reino Unido, a NVIDIA financia a investigação sobre a segurança dos agentes com recursos computacionais; nos Estados Unidos, a Anthropic prepara Claude para as eleições intercalares com classificadores contra campanhas divididas em pequenas tarefas. Nas empresas, a OpenAI afirma ter identificado, com os seus próprios modelos, o funcionário que tinha escondido um dispositivo de gravação, o GitHub fixa as dependências dos workflows para que uma tag movida deixe de provocar a execução de código diferente do que foi revisto, e o VS Code impõe, por política empresarial, o harness Copilot e as suas regras de execução.