Na Anthropic, os juniores passam de 27 % para 9 % das contratações técnicas, a DeepSeek lança V4.1-Flash-1017, o Claude Code começa a responder três vezes mais depressa

A Anthropic usa as suas próprias equipas como objeto de estudo: os juniores passaram de 27 % para 9 % das contratações técnicas, os agentes lançados pelos trabalhadores trabalharam, em agosto, seis vezes mais horas do que eles, e 91 % desses trabalhadores consideram a IA capaz de uma descoberta digna de um prémio Nobel até 2030, contra 39 % dos americanos. A DeepSeek lança V4.1-Flash-1017 sob licença MIT, à frente de GPT-5.6 Sol e Claude Opus 5 no DeepSWE v1.1, com o preço inalterado, e disponibiliza a todos as suas API de pesquisa web Search e Fetch. Agentes da Google Research controlam robôs de laboratório e contribuem para obter ligandos proteicos nanomolares contra um alvo tumoral, o Claude Code começa a responder três vezes mais depressa do que em agosto, e a NVIDIA apresenta em detalhe os seus PC RTX Spark para programadores.

A Anthropic estuda os seus próprios empregos: os juniores caem para 9 % das contratações técnicas, os seus trabalhadores esperam muito mais da IA do que os americanos

16 de outubro — A equipa Economics da Anthropic publica dois relatórios do The Anthropic Institute que usam a própria empresa como objeto de estudo. O primeiro, «Como o emprego está a mudar na Anthropic» (Como o emprego está a mudar na Anthropic), cruza dados internos (número de trabalhadores, utilização da IA, produção, agendas, decisões de contratação) com 17 entrevistas a trabalhadores. O segundo, «A diferença nas expectativas sobre a IA» (A diferença nas expectativas sobre a IA), compara uma sondagem da Morning Consult realizada em agosto junto de 10 980 adultos americanos com um inquérito interno a 1 334 trabalhadores; uma segunda ronda, em setembro, apresenta resultados semelhantes.

Indicador acompanhado na Anthropic	Evolução medida
Percentagem de juniores nas contratações técnicas	de 27 % para 9 %
Percentagem de juniores nos departamentos técnicos	de 21 % para 14 % desde o início de 2025
Horas dos agentes interativos por hora de trabalhador	6 em agosto de 2026
Commits por engenheiro	5 vezes o ritmo de há seis meses
Sessões de código dos não técnicos, por mês	de 2 (agosto de 2025) para 90 (maio de 2026)

A redução dos principiantes é a constatação mais clara, e a IA tem aí um papel declarado: em abril de 2026, cerca de um terço dos gestores de aprendizagem automática e um quinto dos gestores de engenharia de software afirmavam contratar menos por causa dela. Os agentes, por sua vez, ganharam espaço: em março de 2026, as suas horas acumuladas ultrapassaram pela primeira vez as dos trabalhadores. Entre 192 engenheiros que passaram a usar agentes de código, comparados com 74 que não o fizeram, o volume de código adicionado dispara, sem que o código dos agentes seja depois eliminado ou revertido com maior frequência.

A contrapartida é a atenção humana, que se tornou o estrangulamento: as sessões interativas ficam inativas cerca de 80 % do tempo, à espera de uma resposta, e ler tudo o que produzem ocuparia mais de metade da semana de trabalho. O metatrabalho (meta-work), que consiste em escrever especificações para os agentes, pôr um agente a rever outro ou supervisionar cadeias de processamento, passou de 10 % para 22 % das sessões entre o outono de 2025 e a primavera de 2026, e o trabalhador mediano passa mais 20 % de tempo em reuniões do que há um ano. Na contratação, as avaliações dão maior destaque à autonomia e ao discernimento; a Anthropic afirma estar a implementar um sistema de alerta precoce (early warning system) para os postos expostos e a privilegiar a reafetação interna.

O segundo relatório mostra que os trabalhadores e o público em geral concordam quanto ao que a IA consegue fazer hoje, mas não quanto à velocidade dos seus progressos:

Resposta medida, horizonte de 2030	Americanos inquiridos	Trabalhadores da Anthropic
Descoberta digna de um prémio Nobel considerada possível	39 %	91 %
Percentagem do próprio trabalho realizável pela IA (média)	28 % (ativos)	75 %
Crescimento do PIB implícito nas respostas (mediana)	5,4 %	17,1 %

Os dois grupos raciocinam, contudo, da mesma forma: quanto maior a percentagem do próprio trabalho que se pensa que a IA fará, maior o desemprego previsto, e os trabalhadores americanos que a consideram capaz de realizar pelo menos 80 % do seu trabalho preveem 12,2 % de desemprego em 2030, contra 4,2 % atualmente. O crescimento do PIB é calculado a partir do modelo de cenários económicos apresentado pela Anthropic em setembro. Por fim, o trabalhador mediano estima que a IA já realiza 51 % do trabalho de construção de um modelo de ponta e prevê 95 % no final de 2030: o relatório esclarece que se trata de opiniões pessoais recolhidas por sondagem, não de previsões da empresa.

🔗 Como o emprego está a mudar na Anthropic · A diferença nas expectativas sobre a IA · O artigo de apresentação

Modelos abertos: a DeepSeek lança V4.1-Flash-1017 e disponibiliza as suas API Search e Fetch, os parceiros da NVIDIA fazem o pós-treino de Nemotron 3.5 Super VL

17 de outubro — A DeepSeek lança DeepSeek-V4.1-Flash-1017, uma nova versão de V4.1-Flash, o seu modelo multimodal do tipo MoE com 552 mil milhões de parâmetros, lançado a 10 de setembro. A ficha do modelo fala de uma atualização menor (minor update), mas as diferenças são claras nas tarefas de agentes: 77,0 % no DeepSWE v1.1 contra 74,2 % da versão anterior, 42,3 contra 31,2 no Terminal-Bench 4.0. Os pesos são publicados sob licença MIT no Hugging Face e no ModelScope, e o modelo está disponível no site, na aplicação e na API.

Stronger benchmark performance, faster task completion, and shorter outputs than the previous version—a Pareto improvement in performance and cost.

🇵🇹 Pontuações mais elevadas, tarefas concluídas mais depressa e respostas mais curtas do que na versão anterior: uma melhoria de Pareto em desempenho e custo. — @deepseek_ai no X

O preço mantém-se. O nome deepseek-flash passa agora a disponibilizar esta versão, com um contexto de um milhão de tokens e até 384K tokens de saída; os nomes antigos deepseek-v4-flash e deepseek-v4-flash-vision-exp continuam a ser aceites, mas os seus pedidos também passam para V4.1-Flash-1017. A página de preços continua a indicar 0,30 dólar por milhão de tokens de entrada (fora da cache) e 1,20 dólar de saída nas horas de ponta, metade nas horas de vazio, tal como a 13 de setembro. A redução do custo resulta, portanto, de respostas mais curtas: o gráfico da nota de versão, disponível apenas em imagem, situa a configuração max em 77,0 % no DeepSWE v1.1 por cerca de 0,2 dólar por tarefa, acima de todos os outros pontos. O mais próximo, GPT-6.1 Sol, fica por cerca de 75 % por aproximadamente 0,65 dólar, enquanto os melhores pontos de GPT-6 Astra, Gemini 3.8 Flash, Claude Opus 5 e Claude Fable 5, entre cerca de 70 % e 74 %, custam aproximadamente entre 2 e 15 dólares por tarefa.

Teste de avaliação	V4.1-Flash-1017	V4.1-Flash	K3	GLM-5.3	GPT-5.6 Sol	Opus 5
HLE sem ferramentas	42,6	36,8	43,5	42,0†	44,5	56,3
Terminal-Bench 4.0	42,3	31,2	12,6	37,9	39,9	51,8
DeepSWE v1.1	77,0	74,2	67,5	66,9	73,0	74,0
ProgramBench	29,1	20,3	17,5	19,0	23,0	37,0
NL2Repo-Bench	68,2	65,4	58,0	58,0	56,8	75,3
Automation-Bench v1.0.6	60,5	54,8	46,7	48,8	45,8	50,3
Agents’ Last Exam	35,4	31,8	27,6	28,5	26,7	28,6
Apex Bench v1.1	72,1	64,6	47,8	56,6	54,3	65,8

† : subconjunto de texto do HLE, única pontuação indicada para GLM-5.3 (V4.1-Flash-1017 obtém aí 44,0). Fonte: ficha do modelo no Hugging Face.

Quanto aos modelos fechados, a tabela inclui apenas GPT-5.6 Sol e Claude Opus 5, não os seus sucessores. V4.1-Flash-1017 supera-os no DeepSWE v1.1, Automation-Bench, Agents’ Last Exam e Apex Bench, mas fica atrás de Opus 5 no HLE sem ferramentas (onde GPT-5.6 Sol também o supera, 44,5 contra 42,6), Terminal-Bench 4.0, ProgramBench, NL2Repo-Bench e nos três testes visuais com ferramentas da ficha (Chartography, BabyVision e ZeroBench-main); perante os modelos abertos K3 e GLM-5.3, só perde para K3, no HLE sem ferramentas (43,5 contra 42,6). A DeepSeek atribui estes progressos à aprendizagem por reforço com autoavaliação (reinforcement learning with self-feedback) em projetos completos, e otimiza o modelo para DeepSeek Harness, Tencent CodeBuddy e WorkBuddy. Para execução local, a publicação não fornece um template de conversação em formato Jinja, mas sim uma implementação Python de referência do formato de prompt, e recomenda pelo menos 256K tokens de saída; nenhum novo relatório técnico acompanha esta versão.

🔗 A nota de versão da DeepSeek · A ficha do modelo no Hugging Face

Search e Fetch: a DeepSeek disponibiliza a todos as suas API de pesquisa web, a 0,75 dólar por 1 000 pedidos bem-sucedidos

17 de outubro — Na mesma sequência de publicações, a DeepSeek disponibiliza dois serviços de pesquisa web a todos os utilizadores da sua API. Search consulta o motor de pesquisa próprio da DeepSeek, que, segundo a empresa, processa centenas de milhões de pedidos por dia, e devolve resultados estruturados: cada um inclui uma pontuação de relevância de 0 a 3, um resumo de 600 a 800 caracteres destinado ao modelo, a data de publicação e um nível de autoridade de 0 a 4. Fetch obtém uma página e converte-a em Markdown, sujeito às regras de acesso do site de destino.

Elemento da oferta	Valor indicado pela DeepSeek
Preço de cada API	0,75 dólar por 1 000 pedidos bem-sucedidos
Limite por conta	5 pedidos por segundo em cada API
Resultados por pesquisa	de 1 a 50 (10 por predefinição)
Chamadas a partir de Harness, Claude Code, Codex	gratuitas até 31 de outubro às 16 h UTC

Só são faturadas as respostas com resultados: as falhas, as pesquisas vazias e os pedidos que excedem o tempo limite são gratuitos, e o número de resultados pedidos não altera o preço. As ferramentas do lado do servidor da API DeepSeek, chamadas a partir de DeepSeek Harness, Claude Code ou Codex, já se baseavam nestas API, e essas chamadas continuam gratuitas até 31 de outubro; Harness v0.2.1-rc.2 integra Search e Fetch nas suas definições de pesquisa web.

🔗 O guia Search e Fetch · O anúncio de @deepseek_ai

Nemotron 3.5 Super VL: com pós-treino pelos parceiros da NVIDIA, iguala nas tarefas destes modelos fechados mais caros

16 de outubro — No dia seguinte ao lançamento de Nemotron 3.5 Super VL, o seu modelo aberto com 120 mil milhões de parâmetros (12 mil milhões ativos) apresentado aqui a 15 de outubro, a NVIDIA publica uma sequência que cita 21 publicações de parceiros, quase todas divulgadas no dia do lançamento. Uma boa parte mostra os resultados do modelo após o pós-treino numa tarefa específica, cada um medido nas suas próprias avaliações: a NVIDIA partilha-os sem uma metodologia comum.

Parceiro citado	Utilização após pós-treino	Resultado anunciado pelo parceiro
AfterQuery (com Hebbia)	Tarefas de crédito de especialistas	de 47 % para 74 % de tarefas perfeitamente resolvidas, por cerca de 1/7 do custo dos modelos fechados comparados
Trajectory	Legal Agent Bench da Harvey	nível de Opus 4.7, a 1,34 dólar por milhão de tokens contra 15
Alex Dimakis	Investigador autónomo de ML	de 28 % para 35 % no AutoResearchExam, ao nível de Qwen 3.8 Max, 20 vezes maior
Handshake	Documentos de ciências da vida	precisão duplicada com mais de 2 000 dados de especialistas
Multiverse Computing	Compressão do modelo	Comet 60B, metade dos parâmetros, com menos de 5 % de diferença face à precisão original

A sequência mostra também as ferramentas que se desenvolvem em torno do modelo: disponibilidade no Tinker, na API River, no AC2 da Applied Compute e no ModelScope (pesos BF16 e NVFP4), lançamento da Fastino Training API para os ciclos de SFT e RL, e disponibilização a 962 tokens por segundo e por utilizador em duas GPU H200 com o motor Litespark da Mindbeam.

🔗 A sequência de publicações de @NVIDIAAI

Agentes no laboratório: a Google Research confia-lhes robôs de pipetagem e obtém ligantes nanomolares contra um alvo tumoral

16 de outubro — A Google Research apresenta três trabalhos que levam agentes de IA até à bancada do laboratório húmido (wet lab): já não se limitam a conceber moléculas, iniciam as experiências, leem os resultados e corrigem o seu método, sob a orientação de cientistas.

A primeira peça, VERID (VERified Infrastructure for Discovery Laboratories), é um gémeo digital da estação de pipetagem robotizada, construído sobre o framework open source PyLabRobot. Acompanha em tempo real o braço, o volume de cada poço, os reagentes e as ponteiras disponíveis, ensaia cada protocolo em simulação em poucos segundos e bloqueia comandos fisicamente impossíveis. Num dos casos relatados, o simulador recusa uma aspiração com oito canais num reservatório demasiado estreito: o agente reformula o plano e depois concebe um plano fatorial que isola um viés de contaminação deixado pelas ponteiras.

Experiência realizada com os agentes	Resultado relatado pela Google Research
Aptâmeros contra a α-trombina, três ciclos	0 %, depois 26,0 %, depois 42,1 % de ligantes confirmados, com 98,5 % de especificidade
Aptâmeros contra a mioglobina	especificidade desceu de 75,0 % para 19,1 %, voltou a subir para 72,4 %; 33,5 % de ligantes no ciclo 3
Ligantes proteicos de novo contra FAP	afinidade nanomolar de um só dígito, previsão da estrutura 8,6 vezes mais rápida
Colaboração humano-agente, com os mesmos recursos computacionais	taxa de sucesso in silico quase duplicada face a um cientista a trabalhar sozinho

O caso da mioglobina mostra a aprendizagem em circuito fechado: no segundo ciclo, os agentes apostam em motivos G-quadruplex que se ligam a tudo, observam a queda acentuada da especificidade nos dados do laboratório e reescrevem autonomamente as suas regras de conceção. Contra FAP, um recetor sobre-expresso nos tumores sólidos, o pipeline conserva apenas o sítio de ligação durante a previsão da estrutura. A Google detalha as suas salvaguardas (sistemas biológicos não infeciosos, triagem de biossegurança de cada sequência, simulação obrigatória antes da execução, supervisão humana), mas não revela que modelo alimenta os agentes.

🔗 A publicação da Google Research · VERID (PDF) · O sandbox de aptâmeros (PDF) · A excisão do epítopo (PDF)

Agentes de código: Claude Code começa a responder três vezes mais depressa, a 2.1.302 generaliza os subagentes fork, a Replit instala-se na cloud dos seus clientes

16 de outubro — Claude começa a responder mais cedo, anuncia @ClaudeDevs. No Claude Code, a conversa enviada ao modelo em cada turno é agora comprimida com gzip para lhe chegar mais depressa, e as sessões cloud arrancam assim que se começa a escrever o pedido. A tabela que acompanha o anúncio mede o tempo de espera até ao primeiro token entre agosto e outubro:

Interface medida	Agosto de 2026	Outubro de 2026	Ganho anunciado
Claude Code, sessões locais	4,07 s	1,33 s	3 vezes
Claude Code, sessões cloud	16,99 s	6,00 s	2,8 vezes
Claude, chat e Cowork	3,36 s	2,17 s	1,5 vezes
API Claude, incluindo o tempo do modelo (mediana)	1,53 s	1,01 s	1,5 vezes

As três primeiras linhas excluem o tempo de processamento do modelo e referem-se ao 90.º percentil. A compressão não é propriamente nova: Claude Code 2.1.300 já a aplicava, a 14 de outubro, aos pedidos grandes enviados para api.anthropic.com, com a variável CLAUDE_CODE_GZIP_REQUEST_BODIES=0 para a desativar. Não é indicado qualquer número de versão para o arranque antecipado das sessões cloud.

🔗 O anúncio de @ClaudeDevs

Claude Code 2.1.302: subagentes fork por predefinição fora do terminal, modelo do classificador do modo auto à escolha, 43 correções

16 de outubro — No dia seguinte à 2.1.301, Claude Code 2.1.302 (63 entradas, das quais 43 correções) alarga às outras interfaces um comportamento próprio do terminal: os subagentes fork estão agora ativos por predefinição em claude -p, no Agent SDK, na aplicação de desktop e no VS Code (CLAUDE_CODE_FORK_SUBAGENT=0 para os desativar), e tanto a aplicação de desktop como o VS Code iniciam sempre em segundo plano os subagentes da conversa principal.

Área abrangida	Alteração introduzida pela 2.1.302
Modo auto	`CLAUDE_CODE_AUTO_MODE_MODEL` escolhe o modelo do classificador executado do lado do cliente
Comando `/config`	linha Idle compaction para desativar ou reativar a compactação durante a inatividade
Fornecedores terceiros	sem um modo especificado, `claude -p` e o Agent SDK arrancam no modo `default` se a telemetria estiver desativada ou a instalação for nova
Hooks de prompt e de agente	máximo de 12 execuções simultâneas por evento
Ferramenta Read	imagens com mais de 128 Mo são recusadas em vez de serem carregadas na memória

Entre as outras correções, uma rotina agendada com uma falha parcial deixa de ser reiniciada desde o princípio, o que podia publicar o mesmo relatório duas vezes, e os discos exFAT ou FAT32 deixam de bloquear as operações de escrita no Windows.

🔗 As notas de Claude Code 2.1.302

Replit Bring Your Own Cloud: a plataforma no espaço Azure, Google Cloud ou AWS do cliente, e Claude Haiku 5.5 no modo Power

16 de outubro — A Replit lança Bring Your Own Cloud (BYOC), que executa a totalidade ou parte da Replit no espaço cloud (tenant) de uma empresa, na Microsoft Azure, Google Cloud ou Amazon Web Services. Para os programadores, nada muda: continua a publicar-se com o mesmo botão Publish.

Opção de implementação	O que é executado na infraestrutura do cliente	Fase de disponibilidade
Full BYOC	toda a plataforma, incluindo o harness do Agent, e as aplicações publicadas	versão prévia privada
BYOC for Published Apps	apenas as aplicações publicadas, mantendo-se o desenvolvimento na Replit	acesso antecipado
Image Exports	uma imagem Docker, um ficheiro Terraform e um SBOM, implementados pela equipa do cliente	acesso antecipado

Os túneis são exclusivamente de saída, com dupla encriptação mTLS, e as chaves geridas pelo cliente (CMEK) estão reservadas aos contratos de isolamento físico completo. A documentação estabelece os limites: o plano de controlo permanece na Replit, Full BYOC não é uma instalação isolada (air-gapped) nem uma Replit inteiramente autoalojada, e a inferência dos modelos continua a ser assegurada pela Replit. Não são publicados preços. O changelog do mesmo dia acrescenta Claude Haiku 5.5 ao seletor do modo Power nos planos Core e Pro, onde Claude Sonnet 5.5 tinha chegado a 2 de outubro.

🔗 A publicação da Replit · A documentação BYOC · O changelog de 16 de outubro

RTX Spark: a NVIDIA detalha os seus PC para programadores, com Junie Local da JetBrains e ganhos anunciados face ao Core Ultra X9 388H

16 de outubro — No dia do lançamento dos portáteis RTX Spark, cujas aplicações de lançamento tinha apresentado a 13 de outubro, a NVIDIA explica no seu blog técnico o que a máquina oferece aos programadores: programar, testar e implementar num único PC, com agentes de código que são executados localmente com até 128 Go de memória unificada. Os portáteis estão disponíveis, e pequenos computadores de desktop chegarão em novembro, apresentados como adequados para agentes que funcionam continuamente.

Carga de trabalho	Teste utilizado pela NVIDIA	Ganho anunciado face ao Core Ultra X9 388H
Agentes de código	AA-AgentPerf-local com Qwen3.8-27B	4,6 vezes
Ajuste (LoRA)	Unsloth sobre Llama-3.1-8B	2,7 vezes
Compilação	kernel Linux, Phoronix Test Suite	1,8 vezes

Estas medições são da NVIDIA, em comparação com o chip Panther Lake 12Xe da Intel. No software, Windows Developer Config, concebido com a Microsoft, instala os principais frameworks de desenvolvimento, desativa as notificações e melhora o terminal; no Windows on Arm, mais de 2 000 pacotes Conda estão prontos a utilizar e mais de 97 % dos 15 000 pacotes Python mais utilizados têm uma versão Arm. A JetBrains lança o suporte nativo de Junie Local, que ajusta a sua janela de contexto à memória do GPU, GitHub Copilot é executado localmente através de Windows ML com llama.cpp, e os SDK AI for Media (super-resolução de vídeo, geração de fotogramas intermédios, TrueHDR) chegam como pacote Python ao PyPI.

🔗 A publicação no blog técnico da NVIDIA

Breves

Agentes e ferramentas de código

Notas de versão do Devin de 16 de outubro — Após as do dia 14, abordadas no dia 15, a Cognition publica 19 secções: comandos /devin nas merge requests do GitLab, estado de merge do Bitbucket Cloud no Devin Review, pesquisa de pull requests em cinco plataformas de código, ferramentas integradas para issues e labels, e uma definição Enterprise que oculta a antiga marketplace MCP sem desligar os servidores já instalados. 🔗 fonte
Copilot CLI 1.0.100-1 — Duas horas e meia após a 1.0.100-0, abordada na véspera, esta segunda versão de pré-lançamento torna o navegador unificado de sessões a vista predefinida de /sessions, /session e /resume, e remove os marcadores de idioma do ditado por voz; continua sem qualquer versão estável desde a 1.0.98 de 14 de outubro. 🔗 fonte
Gemini CLI, nightly de 17 de outubro — Quatro correções que encerram tickets de março e abril: a atualização automática verifica finalmente o binário efetivamente executado, em vez de anunciar repetidamente um falso sucesso quando coexistem várias instalações no PATH, keybindings.json aceita um array keys, e os sinais de paragem chegam ao processo filho sob ACP, systemd ou num contentor. 🔗 fonte
Antigravity CLI 1.4.0 e aplicação Antigravity 2.24.0 — Recuperando as novidades de 15 e 14 de outubro: a CLI apresenta o seu estado no separador do terminal (sequência OSC 7501) e reformula agy plugin validate com as regras reais de carregamento; a aplicação, após a 2.23.0 abordada a 13 de outubro, remodela o seu painel lateral, acrescenta /compact e permite escolher Flash Lite, Flash ou Pro para cada automatização. 🔗 fonte
DeepSeek Harness 0.2.1-rc.1 e rc.2 — As duas primeiras versões candidatas da série 0.2.1: a rc.1 reúne as alterações das versões de pré-lançamento alpha.1 a alpha.5, a rc.2 suporta V4.1-Flash-1017 e as API Search e Fetch; o repositório conta com 31 publicações desde 17 de agosto, todas em pré-lançamento. 🔗 fonte
bun lint — Recuperando a novidade de 15 de outubro, o Bun, adquirido pela Anthropic no final de 2025, anuncia para a sua próxima versão um linter compatível com ESLint, com mais de 1 000 regras integradas, que lê as configurações eslint e oxlint; anunciado como 26 vezes mais rápido do que ESLint, entre 11 e 43 vezes consoante os cinco repositórios medidos, ainda não tem data de lançamento. 🔗 fonte

OpenAI nas empresas e entre os programadores

Itaú e ia.i — Segundo um estudo de caso da OpenAI, o banco brasileiro disponibiliza ia.i, a sua interface conversacional por texto ou voz, a cerca de 300 000 clientes e pretende abranger toda a sua clientela até ao final de 2026; modelos GPT-5.x alimentam Customer DNA (cerca de 70 milhões de clientes), e a sua plataforma de múltiplos fornecedores IARA suporta uma solução jurídica sobre mais de 90 milhões de documentos. 🔗 fonte
Benefit Street Partners e Codex — Nesta gestora especializada em crédito, o gestor Anant Kumar construiu num dia a primeira versão de um sistema de acompanhamento das avaliações de empréstimos (10 a 12 horas de desenvolvimento no total) e um analisador de contratos de crédito refatorizado com GPT-6 Astra; as questões do comité de investimento, que demoravam dias ou semanas, são tratadas num dia. 🔗 fonte
ChatGPT Enterprise e Edu — Os conectores sincronizados geridos pelo administrador são retirados em favor das aplicações em tempo real Google Drive, SharePoint e Microsoft Teams, com novos controlos de conteúdo, e a página External access da Admin Console centraliza os acessos de Sign in with ChatGPT, das aplicações ligadas e dos dados Ads. 🔗 fonte
Alternância entre fornecedores — Recuperando a novidade de 14 de outubro, o blog OpenAI Developers explica como alternar entre a API direta da OpenAI e os seus modelos no Amazon Bedrock ou no Azure OpenAI: apenas em caso de erro transitório ou limitação que ponha em risco o prazo, nunca em caso de pedido inválido, recusa ou quota esgotada; um prompt para o Codex acrescenta uma alternância desativada por predefinição. 🔗 fonte
Projetos de hardware construídos com Codex — OpenAI Developers destaca uma galeria comunitária de 20 projetos ordenados por votos, aberta a submissões, desde um Kindle antigo transformado em painel de utilização da IA até um crachá DEFCON cujo circuito foi concebido por Astra, do routing no KiCad à encomenda na JLCPCB, segundo o seu autor. 🔗 fonte

API, modelos e pesquisa web

Agent API da Perplexity — Dezasseis modelos antigos (sete Claude 4.x, cinco Gemini 3.x, quatro Grok 4.x) saem da documentação, da calculadora e dos exemplos, sem que a entrada afirme que os seus identificadores deixam de responder; GPT-6 Astra (10 dólares por milhão de tokens de entrada, 50 de saída) e DeepSeek V4 Pro (1,32 e 3,96 dólares) passam a constar. 🔗 fonte
pplx-decider-v1.2 no OpenRouter — Publicados a 16 de outubro com os seus pesos, os dois modelos de decisão da Perplexity chegam no mesmo dia ao OpenRouter, a 0,02 dólar (27B) e 0,01 dólar (4B) por milhão de tokens de entrada, com saída gratuita e um contexto de 262K, tal como a v1.1 a 7 de outubro. 🔗 fonte
Embed 5 Fast contra EmbeddingGemma 2 — A Cohere afirma superar o modelo da Google em mais de 95 % de 163 conjuntos de dados, mas com RCP-nDCG@10, o seu próprio método de avaliação; em nDCG@10 padrão, o seu gráfico ViDoRe v3 apresenta 59,3 contra 47,6, sem lista dos conjuntos de dados, comparando um modelo de API pago com um modelo aberto de 740M de parâmetros. 🔗 fonte
SDK TypeScript da SpaceXSI 0.2.4 — Sem anúncio, acrescenta o parâmetro guidelines de responses.create(), instruções por categoria para a saída do modelo (recusar uma categoria, oferecer apoio em casos de automutilação), os formatos de vídeo 21:9 e 5:2 e os identificadores grok-voice-3.0 e grok-voice-2.0, e marca Live Search como obsoleto em favor de web_search e x_search. 🔗 fonte
AI Mode e AI Overviews — Recuperando a novidade de 15 de outubro, a Google acrescenta mais ligações integradas, colocadas mais acima, nas suas respostas geradas, alarga a outros países e idiomas os seus carrosséis de notícias que destacam as fontes preferidas (Preferred Sources), cuja utilização aumentou mais de sete vezes desde o início do ano, e testa uma secção dedicada às páginas oficiais. 🔗 fonte

Modelos abertos e investigação comunitária

FLUX 3 Image Klein — Dois dias após o lançamento do modelo, a Black Forest Labs corrige os seus workflows (ComfyUI v0.41.3, Space do Hugging Face atualizado), recomenda a sua sobreamostragem de prompt em 2K e publica no GitHub o prompt de sistema recomendado para prescindir dela. 🔗 fonte
Filtro por autor no Hub — As páginas Models e Datasets do Hugging Face podem ser filtradas por utilizador ou organização, através de um novo botão em cada perfil; um cartão recorda a conta em consulta quando se acrescentam os filtros de tarefa, tamanho, biblioteca ou licença. 🔗 fonte
Ammu-1.0-OffOnTopic-Guardrail — Kalyan KS publica sob licença MIT quatro classificadores de 150M a 17M de parâmetros que avaliam se um pedido sai do âmbito definido pelo prompt de sistema; segundo o autor, o maior obtém 91,56 de Macro-F1, contra 81,95 para DeepSeek V4 Flash 0731 e 79,12 para GPT-6 Luna. 🔗 fonte
Um classificador de memória não colocado em produção — Javad Taghia explica por que motivo o encoder afinado para decidir as escritas de memória do AtMem não foi colocado em produção: de 18,4 % para 73,8 % num teste selado, mas apenas 16 decisões corretas em 100 observações fictícias reproduzidas como em produção, contra 30 para as regras determinísticas, e entre 15 e 230 vezes mais lento. 🔗 fonte
SPICY-KV — Segundo Yuge Y (ElithiaTechnologies), este método que agrupa as chaves antes de RoPE comprime 28,6 vezes a cache KV do DeepSeek-R1-Distill-Qwen, mantendo 100,0 % (1.5B) e 91,7 % (7B) de recall no RULER, enquanto a fusão após RoPE cai para 0,0 %; são medições do autor, sem revisão por pares. 🔗 fonte

O que isto significa

O relatório da Anthropic muda o foco da questão do emprego. Num laboratório de ponta, os agentes interativos lançados pelos trabalhadores já trabalham seis vezes mais horas do que eles, e o que se torna escasso é a atenção humana: rever, especificar, monitorizar. Os principiantes são os primeiros a sofrer as consequências, com 9 % das contratações técnicas contra 27 %, enquanto as entrevistas valorizam mais a autonomia e o discernimento. A Google Research descreve a mesma divisão no laboratório: o cientista define a estratégia, o agente executa-a, e a dupla encontra quase o dobro dos candidatos in silico em comparação com um cientista sozinho. Resta a disparidade de expectativas: 91 % dos trabalhadores da Anthropic consideram a IA capaz de uma descoberta digna de um Nobel até 2030, contra 39 % dos americanos, e as suas respostas implicam um crescimento do PIB três vezes superior (17,1 % contra 5,4 %).

Os ganhos de velocidade esbarram no mesmo limite. Claude Code reduz a espera pelo primeiro token de 4,07 para 1,33 segundos em execução local e ativa por predefinição os subagentes fork fora do terminal, mas o estudo da Anthropic mostra que a máquina já não é o principal ponto de estrangulamento: as sessões interativas permanecem inativas cerca de 80 % do tempo, à espera de uma resposta, e ler tudo o que produzem demoraria mais de metade de uma semana de trabalho. Reduzir a latência encurta a espera do utilizador diante da máquina, mas não a das sessões que esperam pelo humano.

Quanto aos modelos abertos, o custo por tarefa conta agora mais do que o preço por token. A DeepSeek não altera o seu preço, mas V4.1-Flash-1017 produz saídas mais curtas e afirma atingir 77,0 % no DeepSWE v1.1 por cerca de 0,2 dólar por tarefa, enquanto o melhor modelo fechado do seu gráfico, GPT-6.1 Sol, fica por cerca de 75 % por aproximadamente três vezes mais; a sua tabela de pontuações compara, contudo, apenas GPT-5.6 Sol e Opus 5, não os seus sucessores. Os parceiros da NVIDIA defendem o mesmo em tarefas específicas, com um Nemotron 3.5 Super VL pós-treinado ao nível de Opus 4.7 no Legal Agent Bench da Harvey, a 1,34 dólares por milhão de tokens contra 15. E a DeepSeek vende agora também a pesquisa web dos seus agentes, a 0,75 dólar por 1 000 pedidos: modelo, ferramentas e harness vêm do mesmo fornecedor.

Por fim, os agentes aproximam-se do ambiente real, e cada um estabelece as suas salvaguardas. A Google Research faz repetir cada protocolo num gémeo digital antes de tocar num reagente, com triagem de biossegurança e supervisão humana. A Replit instala a sua plataforma e o harness do seu Agent na cloud do cliente, mas mantém do seu lado o plano de controlo e a inferência. A NVIDIA, com RTX Spark, aposta em agentes de código que correm no computador do programador, de Junie Local a Copilot, à espera de computadores de secretária concebidos para agentes que não param.