MiniMax lança M3.1 Flash, do qual Space Bunny era uma versão preliminar, FLUX 3 Max gera 10 segundos de vídeo em 12 segundos, OpenAI retirará GPT-4o e GPT-4.1 da sua API a 14 de janeiro

A MiniMax disponibiliza M3.1 Flash, um modelo para agentes e código com um preço de 0,15 dólares por milhão de tokens de entrada, e revela que Space Bunny, o modelo anónimo que processou mais de 200 000 mil milhões de tokens, era uma versão preliminar deste modelo. A Black Forest Labs e a fal lançam FLUX 3 Max, que gera um vídeo de 10 segundos em 12,45 segundos, cerca de 22 vezes mais depressa do que Seedance 2.5, e fica em primeiro lugar ex aequo numa arena de imagem para vídeo ainda preliminar. A OpenAI fixa para 14 de janeiro de 2027 a retirada de GPT-4o e GPT-4.1 da sua API, a Meta apresenta os detalhes do Prometheus, o supercomputador que treinou Muse Wonder, e Devin passa a atribuir uma pontuação de 0 a 100 à eficiência de cada engenheiro.

MiniMax lança M3.1 Flash: Space Bunny era uma versão preliminar, a 0,15 dólares por milhão de tokens de entrada

19 de outubro — A MiniMax disponibiliza oficialmente M3.1 Flash, o seu novo modelo da gama Flash, e desvenda o mistério de um modelo anónimo:

Space Bunny 🐰, which processed more than 200 trillion tokens while operating anonymously, was an early version of MiniMax M3.1 Flash.

🇵🇹 Space Bunny 🐰, que processou mais de 200 000 mil milhões de tokens enquanto operava de forma anónima, era uma versão inicial de MiniMax M3.1 Flash. — MiniMax, publicação de lançamento

M3.1 Flash sucede a M3.1-Flash-Preview, que surgiu a 27 de setembro no MiniMax Code e depois no Token Plan, sem benchmark nem preço, e a Space Bunny Alpha, um modelo discreto listado a 23 de setembro pelo OpenRouter sem indicação do fornecedor, e aqui apresentado no dia 27. A MiniMax descreve-o como um salto de geração para tarefas de agentes, código, utilização de computador (Computer Use) e cibersegurança. Todas as pontuações abaixo provêm da MiniMax:

Teste de desempenho	Pontuação anunciada pela MiniMax
DeepSWE v1.1	73,7 %
OSWorld V2	61,7
Agents’ Last Exam (ALE)	29,6
BankerToolBench	76,2
CyberGym	82 %
Automation-Bench	62 % (tweet fixado)

No OSWorld V2 e no Agents’ Last Exam, M3.1 Flash ocupa o primeiro lugar entre os modelos chineses; no AutomationBench-AA, a publicação diz apenas que está «entre os melhores», mas o tweet fixado indica 62 % no Automation-Bench.

O outro argumento é o custo. Uma maior esparsidade (sparsity) eleva a velocidade de saída para mais de 200 tokens por segundo (mediana superior a 170) e tornaria a inferência online quase três vezes mais rápida. O custo de utilização em tarefas de agentes diminui 70 % face ao modelo anterior, segundo a publicação, e o tweet fixado refere um terço do custo de M3, com o triplo da velocidade. A tabela de preços é fixa:

Tipo de tarifa	Preço por milhão de tokens
Entrada	0,15 dólares
Saída	0,60 dólares
Entrada em cache	0,015 dólares

M3.1 Flash já está disponível através da API MiniMax, da subscrição M Plan e da aplicação MiniMax Code. Os pesos chegarão a 23 de outubro, segundo o tweet fixado, embora a publicação diga apenas «mais tarde», e seguir-se-á uma versão Pro, sem data anunciada. Durante a noite, a MiniMax divulgou o suporte desde o primeiro dia pelo Ollama, com alojamento nos Estados Unidos sem retenção de dados, e afirmou ter passado doze dias na liderança do OpenCode com a versão preliminar.

🔗 O anúncio fixado de @MiniMax_AI

FLUX 3 Max: Black Forest Labs e fal geram 10 segundos de vídeo em 12 segundos, 22 vezes mais depressa do que Seedance 2.5

19 de outubro — A Black Forest Labs (BFL) apresenta FLUX 3 Max num tweet fixado. A página da fal descreve-o como o novo modelo de vídeo com pós-treino realizado pela fal Research, desenvolvido com a BFL sobre FLUX 3, tanto em texto para vídeo como em imagem para vídeo, a 720p.

Generate a 10-second video in 12 seconds. Tied for #1 in image-to-video. 22× faster than Seedance 2.5 at the same quality. FLUX 3 is a model designed for customization. @fal adapted and optimized it to create FLUX 3 Max.

🇵🇹 Gere um vídeo de 10 segundos em 12 segundos. Primeiro lugar ex aequo em imagem para vídeo. 22 vezes mais rápido do que Seedance 2.5 com a mesma qualidade. FLUX 3 é um modelo concebido para personalização. A @fal adaptou-o e otimizou-o para criar FLUX 3 Max. — @bfl_ai no X

Indicador publicado pela fal	FLUX 3 Max	Comparação apresentada pela fal
Tempo de geração de um vídeo de 10 segundos	12,45 s	277,80 s para Seedance 2.5, 126,44 s para FLUX 3
Elo, arena de imagem para vídeo da Artificial Analysis	1 139, primeiro ex aequo	Seedance 2.5 também com 1 139; MiniMax H3 (768p) na liderança com 1 141, dentro da margem de incerteza; FLUX 3 com 1 089
Preço a 720p na fal, até 7 de novembro	0,0425 dólares por segundo	0,17 dólares ao preço de tabela

Face ao FLUX 3 original, o trabalho da fal na inferência torna a geração cerca de 10 vezes mais rápida, e o pós-treino acrescenta-lhe 50 pontos de Elo. A classificação da Artificial Analysis, baseada em votos humanos em testes cegos, é apenas um retrato preliminar: MiniMax H3 surge na liderança com 1 141, e FLUX 3 Max, cuja margem de incerteza se sobrepõe à dos líderes, é apresentado como primeiro ex aequo, à frente de Gemini Omni Flash 1.1, Wan 3.0 e H3 Max. A BFL destaca também as vozes, o realismo físico, os efeitos sonoros e o desempenho perante pedidos invulgares.

O preço de lançamento corresponde ao desconto de 75 % durante duas semanas anunciado pela BFL, tanto em texto para vídeo como em imagem para vídeo, sem mínimo nem subscrição. A fal retoma a fórmula de H3 Max, a sua versão de MiniMax H3 com pós-treino, disponibilizada pela mesma API: basta mudar o identificador para passar de um para o outro. É o terceiro anúncio da família FLUX 3 numa semana, depois da redução dos preços de FLUX 3 Video a 14 de outubro e de FLUX 3 Image Klein no dia 15.

🔗 A página de FLUX 3 Max na fal

OpenAI fixa para 14 de janeiro de 2027 a retirada de GPT-4o, GPT-4o mini, GPT-4.1 e GPT-4.1 mini da sua API

14 de outubro — Em retrospetiva: segundo a página de descontinuações da sua API, a OpenAI avisou a 14 de outubro os programadores afetados da retirada de quatro modelos da série GPT-4 a 14 de janeiro de 2027, incluindo as versões ajustadas (fine-tuned). A mesma página enumera duas séries de retiradas anunciadas a 1 de outubro:

Modelo retirado da API	Data da retirada	Substituto recomendado
GPT-4o (`gpt-4o-2024-08-06`, `gpt-4o-2024-11-20`)	14 de janeiro de 2027	`gpt-6-luna`
GPT-4o mini (`gpt-4o-mini-2024-07-18`)	14 de janeiro de 2027	`gpt-6-luna`
GPT-4.1 e GPT-4.1 mini (versões de 14 de abril de 2025)	14 de janeiro de 2027	`gpt-6-luna`
`gpt-5.3-codex` e `gpt-5.1`, anunciados a 1 de outubro	1 de abril de 2027	`gpt-6-sol`
`gpt-5.4-nano`, anunciado a 1 de outubro	1 de abril de 2027	`gpt-6-luna`
`tts-1`, `tts-1-hd` e `gpt-4o-mini-tts`, anunciados a 1 de outubro	6 de janeiro de 2027	`gpt-realtime-2.1-mini`

Estas datas constam apenas da página de descontinuações, sem entrada no changelog da API; o SDK Node 7.37.0, de 17 de outubro, acrescenta avisos de descontinuação para os aliases dos modelos GPT-4.

🔗 A página de descontinuações da API OpenAI

Treinar os modelos: Prometheus da Meta, MARBLE da Luma, Together Post-Training e TorchNeuron no Trainium

Quatro anúncios do dia dizem respeito ao treino, em quatro níveis: o centro de computação da Meta, o paralelismo entre GPU da Luma, o serviço de pós-treino da Together AI e o backend PyTorch dos chips da AWS.

Prometheus: o supercomputador da Meta que treinou Muse Wonder aponta a um milhão de GPU

19 de outubro — A Meta descreve Prometheus, o seu supercomputador da ordem do gigawatt em New Albany (Ohio), que treinou os seus modelos Muse, incluindo Muse Wonder; a nossa cobertura de 12 de outubro apenas mencionava o nome. A primeira fase conta com centenas de milhares de GPU distribuídos por vários edifícios.

Indicador do Prometheus	Valor publicado pela Meta
Débito útil (goodput), Muse Wonder	mais de 85 % no pré-treino, mais de 90 % em RL
Tempo médio entre interrupções	cerca de 47 000 horas-GPU, mais de 54 000 desde então
Interrupções por 8 000 GPU	perto de 1 000 por dia em meados de 2025, uma redução de 99 %
Plataformas NVIDIA	GB200 e GB300 NVL72, depois Vera Rubin NVL72

Com o NVL72, uma avaria afeta um domínio de 72 GPU: a Meta utiliza apenas 64 por rack e mantém os outros 8 de reserva, além de cerca de 2 % de racks de reserva, ou seja, 523 racks (37 656 GPU) para 32 768 GPU ativos. Hyperion, o seu próximo supercomputador, na Luisiana, aproveitará estas aprendizagens.

🔗 Por dentro do Prometheus (Engineering at Meta)

MARBLE: Luma torna exato o paralelismo de sequência em milhões de tokens multimodais

19 de outubro — A Luma publica MARBLE (Mask-Aware Ring with Balanced, Lossless Execution), um método de paralelismo de sequência para treinar modelos multimodais em sequências compactadas de 1 a 8 milhões de tokens, onde se misturam texto causal, imagens e vídeo bidirecionais. MARBLE descreve esta máscara com quatro números inteiros por token e escolhe, para cada camada, entre ring attention, all-to-all esparso e Ulysses.

Configuração testada pela Luma	Resultado de MARBLE
Face a um híbrido FlashMask + Ulysses	mais rápido em 47 dos 48 casos
Ganho mediano com 32 e depois 128 GPU H100	1,28 vezes e depois 2,63 vezes
Passo de Gemma 3 27B, 1 milhão de tokens, 32 GPU	13,2 s, contra 32,5 s com FlashMask

Um kernel FlashAttention-4 modificado mantém o estado do softmax em fp32: as saídas e os gradientes são idênticos aos de um único GPU. A Luma reconhece que o kernel está limitado aos GPU Hopper e que o híbrido usado na comparação foi construído por si própria; o código está prometido, sem data.

🔗 A publicação da Luma sobre MARBLE

Together Post-Training: o cliente escreve o seu ciclo SFT ou RL, a Together AI executa-o nos GPU

19 de outubro — Uma semana depois do seu repositório de receitas (post-training-cookbook), disponibilizado sem anúncio a 12 de outubro e aqui apresentado no dia 13, a Together AI lança oficialmente o serviço. O próprio cliente escreve o ciclo de treino, por ajuste supervisionado (SFT) ou aprendizagem por reforço (RL); a Together AI executa, na infraestrutura subjacente, o treinador e os geradores em GPU dedicados.

Característica do serviço	Detalhe anunciado pela Together AI
Adaptação dos pesos	LoRA, vários adaptadores nos mesmos GPU, ou pesos completos em alguns modelos
Funções de perda integradas	GRPO, CISPO, DPPO, entropia cruzada, ou função de perda personalizada
Modelos no lançamento	Muse Spark Open, GLM 5.3, Kimi K3, Qwen 3.8-27B
Preço de lançamento	9 dólares por hora de GPU B200 durante oito semanas

A faturação é feita por minuto de GPU, e a migração a partir da API Tinker resume-se a uma linha.

🔗 Together Post-Training (blog da Together AI)

TorchNeuron: Transformers, Diffusers e Kernels funcionam nativamente no AWS Trainium

19 de outubro — A Hugging Face passa a suportar nativamente TorchNeuron, o novo backend PyTorch da AWS para os seus chips Trainium, em Transformers, Diffusers e Kernels; a versão beta pública fica disponível a 20 de outubro. Até agora, era necessário recorrer ao Optimum Neuron, construído sobre PyTorch XLA, com formas estáticas e recompilação a cada quebra de grafo. TorchNeuron transforma o chip num dispositivo PyTorch comum, com execução imediata (eager), torch.compile e FSDP2.

Na inferência, 89 % das 100 arquiteturas de geração de texto mais utilizadas funcionam de imediato, contra 46 % com Optimum Neuron v0.4.5, e a Hugging Face recomenda agora utilizar Transformers, Diffusers, Accelerate, PEFT e TRL em vez de Optimum Neuron. Um script SFT padrão do TRL funciona em 8 chips Trainium2, e um kernel Neuron partilhado no Hub acelera os vision transformers até 2,4 vezes.

🔗 TorchNeuron (blog da Hugging Face)

Os SDK Python e Node da OpenAI passam a suportar o ciclo de ferramentas de computer use e browser use

16 de outubro — Em retrospetiva: num fio republicado por @OpenAIDevs, Kevin Whinnery, da equipa de experiência de programadores da OpenAI, apresenta novas funções utilitárias (helpers) dos SDK Python e Node.js, que gerem o ciclo de ferramentas (tool loop) da Responses API. O código chegou a 14 de outubro no openai-python 3.31.0 e no openai-node 7.33.0, a primeira parte de uma série de quatro.

Componente do SDK	O que expõe ao modelo
`ComputerToolset`	capturas de ecrã, ações do rato e do teclado, através da ferramenta computer
`BrowserToolset`	texto da página, controlos e separadores, como ferramentas de função
Tool runner de Responses	progresso transmitido em streaming e pontos de retoma (checkpoints)

Um controlador (driver) escrito ou importado pelo programador executa as ações, e a aplicação mantém o controlo: operações expostas, confirmação das alterações, verificações de segurança, limites de passos. O guia enumera integrações com Browserbase, Browser Use, Daytona e E2B. Os SDK de Claude tinham recebido toolsets comparáveis, em versão beta, a 7 de outubro.

🔗 O fio de Kevin Whinnery · O guia Computer use

Perplexity: acesso aos conectores por função, pasta local em Projects, Nano Banana 2.1 e skill Reverse Engineer

19 de outubro — A Perplexity publica o seu primeiro changelog de produto desde 5 de outubro: sete das suas treze rubricas são inéditas.

Novidade do changelog	O que muda	Público abrangido
Acesso aos conectores por função	cada conector acessível a todos, aos admins ou a determinadas funções	admins dos planos Enterprise com acompanhamento
Pasta local em Projects	o Computer lê e guarda numa pasta do Mac, por predefinição	app Mac 26.38 ou posterior
Nano Banana 2.1 no Computer	geração e edição de imagens, novas tentativas na mesma conversa	todos os que têm acesso ao Computer
Skill Reverse Engineer	inspecionar software que se tem o direito de analisar, depois reconstruí-lo e testá-lo	gratuito até 31 de outubro, até ao limite de 10 000 créditos por conta

O controlo de acesso por função, introduzido no final de julho, passa assim ao nível de cada conector, com registos de auditoria. Juntam-se uma faixa de miniaturas no Computer, um tipo de letra próprio (PPLX) e uma moldura que assinala, na área de introdução de texto, o modo Ask ou Computer. Quanto aos temas já abordados, o Gemini 4 Argon está disponível no Computer para os subscritores Pro e Max, mas na pesquisa apenas para os subscritores Max.

🔗 O changelog de 19 de outubro

LiteRT Tensor API: a Google faz escrever em C++ modelos embarcados que correm em CPU, GPU e NPU

19 de outubro — A Google AI Edge lança a LiteRT Tensor API, uma camada da sua stack de inferência embarcada que permite escrever um modelo à mão, operação a operação, em C++. O mesmo grafo corre com LiteRT em CPU, em GPU graças ao motor ML Drift, disponibilizado em open source a 8 de outubro, ou em NPU, e pode executar-se diretamente em CPU através do XNNPACK. Os pesos são carregados a partir de ficheiros .safetensors do Hugging Face, sem conversão, e os tensores circulam sem cópia na memória do acelerador.

Medição da Google no SAM 2	Resultado anunciado
Imagens por segundo em 512x512 no WebGPU	de menos de 10 a mais de 30
Velocidade face ao Apple MLX (MacBook Pro, fp16)	cerca de 1,5 vezes mais rápido

Na demonstração, o SAM 2, o modelo de segmentação da Meta, corre no navegador com prompts interpretados pelo Gemma 4 E2B; segundo a publicação, foi um agente de código, o Antigravity, que o escreveu com a Tensor API e depois o acelerou. A conversão continua a ser o caminho recomendado para a maioria dos projetos.

🔗 A publicação do Google Developers

Agentes de código: o Devin avalia a eficiência dos seus utilizadores, o Amp torna-se um agente no Linear, a Mistral lança o Vibe CLI 3.0.0, o Gemini 4 Argon fica disponível para os subscritores Google AI Pro no Antigravity

A Cognition e o Amp acrescentam funções para equipas, a Mistral lança uma versão principal da sua CLI e a Google disponibiliza o Gemini 4 Argon em mais um nível de subscrição.

O Devin avalia de 0 a 100 a eficiência de cada engenheiro e aumenta automaticamente os limites dos mais bem avaliados

19 de outubro — A Cognition acrescenta três funções de gestão de despesas ao plano Enterprise do Devin. O Efficiency Score avalia a utilização recente de cada engenheiro combinando a eficiência E, em horas produtivas por ACU (a unidade de faturação do Devin), e o volume V, em horas produtivas por dia: Score = 100 × (E + 0,2 × V × (1 − E)). O volume tem pouco peso: um engenheiro mediano obtém 55, um utilizador intensivo com a mesma eficiência 60, um grande consumidor pouco eficiente 41, um utilizador prudente mas muito eficiente 76.

O Devin Coach comenta um prompt antes da sua execução, sem nunca o reescrever silenciosamente. Com a opção Approve based on efficiency, o administrador define um teto: quando um engenheiro classificado como Healthy ou Satisfactory se aproxima do seu limite, o Devin aumenta-o sem que ele tenha de o pedir, até esse teto e dentro dos limites da organização. O excedente, tal como os pedidos dos engenheiros classificados como Needs Improvement ou Unknown, é encaminhado para um administrador, e nenhum pedido é recusado automaticamente. Disponíveis desde já para todos os clientes Devin Enterprise, estas aprovações não têm um preço publicado.

🔗 A publicação do Devin

O Amp torna-se um agente no Linear: atribuir uma issue ou mencionar @Amp inicia uma orb

19 de outubro — Atribuir uma issue do Linear ao Amp, ou mencioná-lo com @Amp num comentário, abre agora uma sessão de agente (Agent Session) no Linear e inicia uma orb, uma conversa de agente que trabalha em nome da pessoa. O Amp responde nessa sessão, reage às mensagens enviadas durante a execução e indica se para devido a um erro ou se aguarda a aprovação de uma ferramenta. Segundo a documentação, as subscrições também podem iniciar uma orb para cada nova issue. Um administrador do espaço Amp instala a aplicação, um administrador do Linear aprova-a, depois cada pessoa associa a sua conta, e o Linear passa a integrar os seus servidores MCP. Não é indicado qualquer preço; o Amp já conseguia reagir aos webhooks do Linear desde 23 de julho.

🔗 O anúncio do Amp

Vibe CLI 3.0.0: a Mistral mantém apenas a Rust CLI e o Unified Harness

19 de outubro — A Mistral lança sem anúncio o Vibe CLI 3.0.0, a sua primeira versão 3.x: 95 entradas, incluindo 54 correções e 5 remoções. A antiga interface Python, o antigo motor de execução e o modo Plan desaparecem, vibe continua a iniciar a Rust TUI, e todas as interfaces, da CLI ao Desktop, passam pelo Unified Harness.

Várias alterações podem tornar uma instalação incompatível: Python 3.14 como mínimo em vez de 3.12, certificados validados segundo regras RFC 5280 mais rigorosas, abandono das sessões Vibe 1.x, ferramentas de subagentes que passam a chamar-se agents.*. Entre as novidades, /branch bifurca uma conversa para uma nova sessão, o Vibe Desktop importa as sessões de outro agente de código, e uma flag enable_mcp permite aos administradores bloquear os servidores MCP. No Windows, um comando deixa de poder contornar o controlo de aprovação ocultando parte de si próprio.

🔗 As notas do Vibe CLI 3.0.0

O Gemini 4 Argon fica disponível para os subscritores Google AI Pro no Antigravity, com uma quota semanal separada

15 de outubro — Recuperando uma notícia anterior: o Gemini 4 Argon deixa de estar reservado aos subscritores Ultra no Google Antigravity. A conta @antigravity anunciou a sua chegada aos subscritores pagos do Google AI Pro, na aplicação de computador e na CLI, quando, na disponibilidade geral de 13 de outubro, apenas o Google AI Ultra e os clientes Gemini Enterprise elegíveis tinham acesso. Para o Pro, uma quota Argon distinta, exclusivamente semanal e sem valor divulgado, junta-se à quota do Gemini 3.8 Flash.

Nível de subscrição	Gemini 4 Argon no Antigravity
Gratuito e Google AI Plus	não
Google AI Pro	sim, fora do período de avaliação
Google AI Ultra	sim
Empresarial	sim

O Argon funciona na Antigravity App, na Antigravity CLI e nas extensões IDE, mas não no Antigravity IDE. A 19 de outubro, o Zed 1.24.3 também o integrou na sua versão estável.

🔗 O anúncio de @antigravity · A página de Modelos do Antigravity

Breves

Agentes e ferramentas de código

Claude Code 2.1.303 — Lançada a 18 de outubro, esta versão resume-se a uma linha de notas, com correções de bugs e melhorias de fiabilidade, sem lista dos problemas corrigidos; o SDK Agent TypeScript acompanha-a na versão 0.3.303. 🔗 fonte
Qwen Code v0.25.3 — A versão estável segue a versão preliminar abordada a 16 de outubro, sem alterações incompatíveis conhecidas: 41 funcionalidades e 81 correções desde a v0.25.2, sobretudo para o Managed Agent, que executa as suas ferramentas por SSH ou num espaço de trabalho macOS nativo e ganha o modo Plan. 🔗 fonte
Copilot CLI 1.0.100 — Primeira versão estável desde a 1.0.98 de 14 de outubro, não traz nada de inédito: as suas 49 entradas retomam as versões preliminares 1.0.99-0 a 1.0.100-1, apresentadas aqui de 15 a 17 de outubro. 🔗 fonte
ZCode v3.16.1 — A Z.ai sincroniza o repositório open source do ZCode com a versão 3.16.1, sem release nem notas de versão; a única novidade documentada é um guia de utilização da CLI em chinês. 🔗 fonte
Gemini CLI, nightly de 19 de outubro — Nenhuma alteração: é a terceira nightly consecutiva no mesmo commit, sem que nada tenha sido integrado desde a noite de 16 de outubro, e tanto a versão estável v0.64.0 como a preview v0.65.0-preview.0 permanecem inalteradas. 🔗 fonte
Zed 1.24.3 — A única nota desta versão estável acrescenta o Gemini 4 Argon aos modelos Google AI, já presente desde 14 de outubro na versão preliminar 1.25.0. 🔗 fonte
Os parceiros MCP da Figma — Recuperando a notícia de 15 de outubro, a Figma anuncia na Config India 20 novos parceiros MCP, incluindo Amp, Junie da JetBrains, OpenCode, Cline, Delta e Zed, mas a sua lista contém 21 nomes e não especifica as funções disponibilizadas nem a sua disponibilidade; o Zed divulgou o anúncio a 19 de outubro. 🔗 fonte · 🔗 Zed
A Navan e os agentes cloud do Cursor — Recuperando a notícia de 16 de outubro, o Cursor conta como a Navan migrou para Spring Boot 4 (8 aplicações, 15 bibliotecas) em cerca de uma semana, face a mais de um mês há dois anos, com agentes cloud a correr nas suas próprias máquinas; 36 % das PR integradas no seu repositório principal foram escritas com o Cursor ao longo de 30 dias. 🔗 fonte
Retomar uma sessão da app GitHub Copilot no VS Code — Um tutorial do GitHub Blog mostra como a ação Open in VS Code reabre uma sessão no seu worktree, com a tarefa, o plano, a conversa e o diff, antes da revisão, dos ajustes, dos testes locais e do push para a pull request da sessão. 🔗 fonte
COOKED — A OpenAI Developers lança um programa de vídeo sobre o que a equipa e a comunidade constroem com o Codex; o primeiro episódio (13 min 20 s) apresenta funções já disponíveis, dos ambientes cloud do Codex a um jogo de ramen de 8 bits construído com o Ultrafast. 🔗 fonte

API, harnesses e integrações

Agent API da Perplexity — A definição require_approval submete as chamadas das ferramentas MCP e dos conectores à aprovação da aplicação antes da sua execução, e a predefinição xhigh passa para 512 000 tokens de saída, face a 128 000; a Perplexity corrige também a sua entrada de 5 de outubro, reproduzida aqui: o xhigh também utiliza Fast Search. 🔗 fonte
A engenharia do harness — A Perplexity publica um guia sobre o harness (harness), tudo o que envolve o modelo numa ferramenta de IA, em seis componentes, do ciclo do agente à verificação; cita um teste independente, não identificado, em que a simples mudança de harness fez variar em até 11 % a pontuação de um mesmo modelo num teste de código. 🔗 fonte
SPACE na Crusoe — A Crusoe anuncia uma parceria com a Perplexity para integrar o SPACE, a sandbox open source da Perplexity, na oferta Managed AI da Crusoe Cloud, sem data nem preço; a Crusoe já figurava entre os parceiros citados na abertura do código do SPACE, a 15 de outubro. 🔗 fonte
Perplexity no Lovable — Recuperando a notícia de 15 de outubro, a Perplexity junta-se a Claude, Firecrawl, Gemini, OpenAI, p0 e TypeSafe entre os fornecedores das funções de IA que o Lovable integra nas aplicações, para respostas da web em tempo real com citações; sem preço nem detalhes técnicos. 🔗 fonte
Um agente de voz que não se cala — Um guia do Google Developers mostra como as ferramentas em streaming e não bloqueantes do ADK evitam os silêncios de um agente de voz em gemini-3.8-live: num workflow de relatório de vendas, o tempo até às suas primeiras palavras desce de 14,4 segundos para 1,2 segundos, sem qualquer nova função. 🔗 fonte
DeepSeek-V4.1-Flash-1017 na Together AI — Apresentado aqui a 17 de outubro, o modelo da DeepSeek está disponível na Together AI, «ao mesmo preço», segundo o fornecedor de alojamento. 🔗 fonte

Modelos abertos e investigação

Muse Glimmer — A Meta publica o relatório técnico do seu modelo aberto de 30B para tarefas de agente em hardware de consumo, lançado em agosto: texto e imagens, mais de uma centena de línguas, cerca de 4 bits numa única GPU, licença Apache 2.0; a Meta afirma que lidera a sua categoria face a Gemma4-31B e Qwen3.6-27B, sem valores no resumo. 🔗 fonte
SlideOn e mSlideOn — A LightOn lança dois modelos de pesquisa esparsa (sparse retrieval) derivados de DenseOn e mLateOn, de 174M (inglês) e 339M parâmetros (multilingue): o SlideOn obtém 56,68 no BEIR-15 face a 56,20 do DenseOn, e o mSlideOn ganha 10,19 pontos no MLDR face ao mDenseOn. 🔗 fonte
tokenizers v1.0.0-rc.3 — A terceira versão candidata do tokenizers v1 leva a biblioteca ao navegador, através de bindings WebAssembly publicados no npm sob o nome tokenizers-wasm, e desbloqueia o carregamento de ModernBERT, NLLB e dos modelos convertidos a partir de SentencePiece. 🔗 fonte
Transformers v5.20.2 — Versão de correção: as entradas deixam de perder o seu tipo durante a geração, o que prejudicava os modelos multimodais, e os gradientes dos especialistas deixam de ser nulos em bfloat16 com paralelismo de especialistas. 🔗 fonte
Ordenar os prompts — Numa publicação da comunidade, Abdennacer Badaoui torna o vLLM, sem modificações, 12 a 17 % mais rápido no Qwen3-30B-A3B e 7 a 12 % no gpt-oss-120b ao ordenar os prompts por domínio antes da inferência em lotes, porque os pedidos semelhantes recorrem aos mesmos especialistas; o ganho desaparece em serviço online sensível à latência. 🔗 fonte
Nesso3-0.4B-Agentic — A mii-llm lança um modelo bilingue italiano-inglês de 0,4 mil milhões de parâmetros para chamadas de ferramentas, sob licença Apache-2.0: 74/100 na suite bilingue dos seus autores face a 67 do Qwen3-0.6B, mas 48 % face a 84 % nas ferramentas genéricas em inglês. 🔗 fonte
S²-MAS e Fin-Laya — Yang Li simula 12 milhões de agentes extraídos de 500 milhões de personas de agregados familiares, em 3 h 59 em 14 GPU, e apresenta o Fin-Laya, um modelo de decisão financeira com 74,5544 % de exatidão e 9,10 ms de latência média, face a 206,77 ms do Jev 1.13, segundo as suas próprias medições. 🔗 fonte
BlenderWorld — Recuperando a notícia de 15 de outubro, a Qwen publica um benchmark de criação 3D no Blender (223 tarefas, 2 651 critérios binários): entre 13 modelos, o GPT-6-Astra lidera com 79,9 em 100, à frente de Opus-5 (73,0) e GPT-5.6-Sol (67,7), o Qwen3.8-Max fica em quinto (60,6), e o primeiro só satisfaz todos os critérios em 42,2 % das tarefas. 🔗 fonte

Hardware, público em geral e criação

O preço dos portáteis RTX Spark — Recuperando a informação de 16 de outubro, o comunicado de lançamento da NVIDIA anuncia a disponibilidade mundial dos portáteis RTX Spark da ASUS, Dell, HP, Lenovo, Microsoft e MSI a partir de 2 599 dólares; já a publicação no blog da NVIDIA de 17 de outubro indica um preço a partir de 2 399 dólares para os mesmos fabricantes. 🔗 comunicado · 🔗 publicação
Grok Bot no botão Ação — A conta @bot, do Grok Bot, mostra num vídeo que o assistente pode ser atribuído ao botão Ação do iPhone, como os dots da OpenAI apresentados aqui a 18 de outubro; não indica a versão do iOS nem o plano, e não há qualquer publicação em x.ai nem partilha por @SpaceXSI. 🔗 fonte
Chroma Awards, temporada 2 — A ElevenLabs abre a segunda temporada da competição de criação com IA que afirma ter incubado: cinco divisões, 1 milhão de dólares em testes e mais de 450 000 dólares em prémios; a publicação indica o encerramento a 1 de janeiro de 2027, depois a 7 de janeiro nas suas condições, antes de uma cerimónia a 11 de fevereiro de 2027. 🔗 fonte

GitHub, fora da IA

Clones HTTPS autenticados — Durante períodos de tráfego invulgar, o GitHub pode exigir temporariamente autenticação para alguns git clone e git fetch por HTTPS em repositórios públicos; o SSH, os pushes e as operações autenticadas não são afetados, e o GitHub recomenda GITHUB_TOKEN ou um token de GitHub App para as integrações contínuas. 🔗 fonte
CodeQL, Xcode 27 e Swift 6.4 — Devido à ausência de código x86_64 em alguns binários de sistema da Apple, o CodeQL deixa de rastrear os builds com Xcode 27 e não suporta Swift 6.4 em nenhuma plataforma; o suporte para Macs Intel será descontinuado em meados de dezembro, e o GitHub aconselha a fixar as versões macOS 26 e Xcode 26. 🔗 fonte

O que isto significa

A MiniMax e a Black Forest Labs disputam o mesmo terreno: a velocidade e o custo de uma tarefa, mais do que a qualidade bruta. O M3.1 Flash ultrapassa os 200 tokens por segundo na saída, reduz em 70 % o custo de utilização das tarefas de agente e cobra 0,15 dólares por milhão de tokens de entrada; o FLUX 3 Max gera um vídeo de 10 segundos em 12,45 segundos, a 0,0425 dólares por segundo até 7 de novembro. A qualidade anunciada iguala a dos melhores sem a superar: o FLUX 3 Max está empatado no primeiro lugar de uma classificação em que o MiniMax H3 o supera por dois pontos, dentro da margem de incerteza, e o M3.1 Flash afirma ser o primeiro entre os modelos chineses em dois benchmarks de agentes. O modelo da MiniMax também foi testado em condições reais: o Space Bunny processou mais de 200 000 mil milhões de tokens sem revelar a sua origem, e a sua versão preliminar permaneceu doze dias na liderança do OpenCode, segundo a MiniMax. Todos estes números continuam a ser os dos fornecedores, e a classificação da Artificial Analysis ainda é preliminar.

O pós-treino torna-se um produto por direito próprio. A fal não criou o FLUX 3 Max de raiz: adaptou e otimizou o FLUX 3 da Black Forest Labs, tal como tinha transformado o MiniMax H3 no seu H3 Max; segundo a fal, o pós-treino fez o modelo ganhar 50 pontos de Elo, e o trabalho na inferência tornou a geração cerca de dez vezes mais rápida. A Together AI vende agora esta capacidade aos seus clientes, que escrevem o seu próprio ciclo de treino, SFT ou RL, sobre modelos abertos, e o TorchNeuron abre os chips Trainium da AWS aos scripts PyTorch habituais de Transformers e TRL. Na outra ponta da cadeia, o pré-treino concentra-se: o Prometheus visa um milhão de GPU, e a maior parte da publicação da Meta centra-se na fiabilidade, com 8 GPU de reserva por bastidor e interrupções reduzidas em 99 %. O MARBLE aborda o mesmo problema de escala do lado do software, para sequências de vários milhões de tokens.

Os agentes também ganham mecanismos de controlo para administradores: quem pode executar o quê, com que orçamento e após que aprovação. O Devin aumenta autonomamente os limites dos engenheiros que considera eficientes e encaminha os restantes para um administrador; a Perplexity disponibiliza cada conector a determinadas funções, e a sua Agent API pode suspender uma chamada MCP até à aprovação da aplicação; os toolsets da OpenAI permitem à aplicação confirmar as alterações e limitar o número de etapas; o Vibe CLI 3.0.0 dá aos administradores uma flag que desativa os servidores MCP. Já o Amp trabalha no Linear em nome da pessoa que lhe atribui uma issue: o agente instala-se nas ferramentas da equipa e atua com a ligação ao Linear de cada pessoa.

Por fim, para os programadores, o outono traz várias migrações. O GPT-4o e o GPT-4.1 saem da API da OpenAI a 14 de janeiro de 2027, os modelos de síntese de voz tts-1 e gpt-4o-mini-tts logo a 6 de janeiro, e estas datas só constam da página de descontinuações: uma monitorização limitada ao changelog da API deixa-as passar. No Trainium, a Hugging Face aconselha a abandonar o Optimum Neuron em favor de Transformers e TRL sobre TorchNeuron. E o Vibe CLI 3.0.0 exige Python 3.14, valida os certificados de forma mais rigorosa e deixa de reabrir as sessões Vibe 1.x, o que pode surpreender quem atualiza sem ler as notas.