Anthropic publica a versão 2026-10-21 da sua API Claude, Hugging Face lança o modelo de ADN Carbon-X, METR testa a monitorização de agentes na OpenAI

Anthropic publica a versão 2026-10-21 da API Claude, a primeira desde 2023: temperature, top_p e top_k são rejeitados, e todos os SDK recebem uma nova versão principal, sob a licença Apache 2.0. Hugging Face lança Carbon-X, um modelo aberto de 14 mil milhões de parâmetros que lê e gera ADN quase ao nível de GPT-6.1 Sol, e a METR publica, em conjunto com a Redwood Research, o balanço de três semanas a atacar a monitorização dos agentes internos da OpenAI. Agent Skills e OpenEnv juntam-se a MCP na Agentic AI Foundation, a API Decisions da OpenAI passa a estar em disponibilidade geral, e a NVIDIA dedica o segundo dia da GTC Berlin a Cosmos e a Minerva.

API Claude 2026-10-21: a primeira versão desde 2023 rejeita temperature, top_p e top_k

21 de outubro — Anthropic publica a versão 2026-10-21 da API Claude, o valor a indicar no cabeçalho anthropic-version, acompanhada de novas versões principais de todos os seus SDK e do seu CLI ant.

API version 2026-10-21 is now available. The Claude API has evolved a lot, but this is our first official version release since 2023. We plan to release versions more often so you can handle breaking changes before a new model requires them. 2023-06-01 is not deprecated.

🇵🇹 A versão 2026-10-21 da API está disponível. A API Claude evoluiu muito, mas esta é a nossa primeira publicação de uma versão oficial desde 2023. Planeamos publicar versões com mais frequência, para que possa gerir as alterações incompatíveis antes de um novo modelo as impor. A versão 2023-06-01 não está obsoleta. — @ClaudeDevs no X

A alteração mais visível afeta a amostragem. Com 2026-10-21, temperature, top_p e top_k provocam um erro 400 na Messages API, na contagem de tokens e em cada pedido de um lote (Message Batch), mesmo com o seu valor predefinido; sem eles, o pedido faz a amostragem com uma temperatura de 1.0. Os modelos Claude 4.7 e posteriores já só aceitavam estes valores. Num modelo mais antigo, como Claude Sonnet 4.6, porém, uma temperatura reduzida para obter resultados mais regulares deixa de ter efeito, sem uma configuração de substituição: a documentação aconselha, nesse caso, a manter esse pedido em 2023-06-01.

Elemento do pedido	Efeito com 2026-10-21
`temperature`, `top_p`, `top_k`	Erro 400, mesmo com o valor predefinido
Bloco de documento colocado diretamente numa mensagem do assistente	Erro 400 (um documento aninhado, como um resultado de web fetch, continua a ser aceite)
Citações não vazias nos blocos de texto de uma mensagem do utilizador	Erro 400, incluindo `search_result`
`workspace_id` das chaves API	Removido, substituído por `scope`
Campos renomeados da Admin API e da Enterprise Analytics API	Nomes antigos removidos

Python 2.0.0, TypeScript 1.0.0, C# 13.0.0, Go 2.0.0, Java 3.0.0, PHP 1.0.0, Ruby 2.0.0 e ant CLI 2.0.0 enviam a nova versão por predefinição. Estes SDK passam a usar a licença Apache 2.0 em vez da MIT, mantendo-se as versões anteriores sob a MIT, e introduzem as suas próprias alterações incompatíveis: um tipo de mensagem por função, a chave API enviada em Authorization: Bearer em vez de X-Api-Key (a API continua a aceitar ambos), a remoção da antiga API Text Completions (TypeScript, Go, Java, Ruby e CLI) e a da compaction do tool runner no cliente, em favor da compaction no servidor.

Para migrar, a Anthropic publica um guia passo a passo e remete para o skill /claude-api do Claude Code, cuja versão 2.1.307 acrescenta o comando /claude-api api-version. No Amazon Bedrock, 2026-10-21 só está disponível para Claude 4.7 e os modelos posteriores. No mesmo dia, as notas de versão acrescentam aos perfis de utilizador (user profiles) os campos enforcement_status e enforcement_actions, que indicam se a Anthropic restringiu ou baniu algum dos clientes finais de uma organização.

🔗 O guia de migração para 2026-10-21 · As notas de versão da Claude Platform

Carbon-X: Hugging Face publica um modelo aberto de 14 mil milhões de parâmetros que lê e gera ADN

22 de outubro — Hugging Face publica Carbon-X, um modelo aberto de 14 mil milhões de parâmetros que processa ADN e linguagem natural num mesmo fluxo de tokens: pode ser questionado sobre uma sequência, sobre o efeito de uma mutação ou receber um pedido para gerar ADN. Derivado de Qwen3-14B, é publicado sob a licença Apache 2.0 pela organização HuggingFaceBio, que tinha lançado o anotador de genes Carbon-A a 8 de outubro.

A equipa de Loubna Ben Allal, Lewis Tunstall e Leandro von Werra prosseguiu o treino de Qwen3-14B (midtraining) com 300 mil milhões de tokens que misturam ADN, inglês e dados intercalados, seguindo-se um pós-treino por afinação supervisionada e aprendizagem por reforço. Um tokenizer híbrido mantém o BPE de Qwen3 para o texto e divide o ADN em 6-mers não sobrepostos, com cada token a abranger seis pares de bases. Sem um codificador de ADN separado, o texto e as sequências partilham a mesma matriz de embeddings, e uma resposta pode combinar ambos.

Em cinco benchmarks (efeito das variantes, compreensão de sequências, previsão da base seguinte), Carbon-X obtém uma média de 66,7 % sem raciocínio: mais 27 pontos do que Qwen3-14B e um resultado superior ao de todos os outros modelos abertos avaliados. GPT-6.1 Sol consegue um resultado ligeiramente melhor, com 67,5 %, mas Carbon-X supera todos os modelos testados, abertos e fechados, no efeito das variantes codificantes (BioReason Coding) e na previsão da base seguinte.

Modelo avaliado	Índice de ADN da publicação (arredondado)
GPT-6.1 Sol	68 %
Carbon-X	67 %
Kimi K3	50 %
DeepSeek V4.1 Flash	47 %
Qwen3-14B	40 %
GLM-5.3	40 %

Introducing Carbon-X: The best open DNA model. We midtrained a 14B model on DNA and text, and it beats every open language model and matches GPT-6.1 Sol at 1,000x lower cost.

🇵🇹 Apresentamos Carbon-X, o melhor modelo aberto para ADN. Prosseguimos o treino de um modelo de 14B com ADN e texto: supera todos os modelos de linguagem abertos e iguala GPT-6.1 Sol a um custo 1 000 vezes inferior. — @LoubnaBenAllal1 no X

Quanto ao custo, circulam dois números: a ficha do modelo estima-o em cerca de 1/1 800 do de GPT-6.1 Sol por problema, enquanto o anúncio arredonda para 1 000 vezes mais barato. O cálculo baseia-se nos preços de API padrão dos modelos comparados, cada um no nível de raciocínio que proporciona a sua melhor média, e, para Carbon-X, na taxa de processamento medida durante uma hora de H200 faturada a 5 dólares; o modelo responde diretamente, sem raciocínio alargado. Clément Delangue, CEO da Hugging Face, apresenta Carbon-X como uma resposta às salvaguardas dos laboratórios de ponta em biologia, que, segundo ele, prejudicam cientistas, universidades, associações e agências de saúde sem travar os agentes mal-intencionados.

🔗 A ficha de Carbon-X · A publicação de lançamento · O tweet de Clément Delangue

METR e Redwood Research põem à prova a monitorização dos agentes internos da OpenAI

22 de outubro — A METR publica o relato de um exercício realizado este verão na OpenAI com a Redwood Research. De 21 de julho a 11 de agosto, um funcionário de cada organização passou três semanas nas instalações a atacar (red-teaming) o sistema assíncrono que monitoriza o desalinhamento dos agentes internos da OpenAI, aqueles que escrevem código ou realizam experiências para os seus investigadores. O acesso foi profundo: dispositivos fornecidos pela OpenAI que nunca saíram das instalações, código interno, prompts e configuração dos monitores, entrevistas com uma dúzia de investigadores e engenheiros.

Medida comunicada pela METR	Valor estimado
Tráfego agêntico interno elegível da Responses API (modelos pelo menos GPT-5.5)	Cerca de 75 a 94 %
Tráfego elegível dos agentes Codex internos	99,2 %
Tráfego Codex interno elegível não monitorizado, de maio a julho de 2026	Da ordem de 10 % (compaction)
Pedidos do monitor com erro	Menos de 0,2 %
Relatório interno, seguido de versão expurgada	61 páginas, depois 38 páginas

Estas estimativas, sujeitas a uma forte incerteza segundo a METR, dizem respeito ao sistema tal como existia a 21 de julho. A principal lacuna vinha dos eventos de compaction do contexto, que os monitores não viam:

Because of this coverage gap, we estimated that on the order of 10% of internal Codex traffic was unmonitored from May to July. OpenAI had independently identified this issue shortly before the exercise began.

🇵🇹 Devido a esta lacuna de cobertura, estimámos que cerca de 10 % do tráfego Codex interno não era monitorizado de maio a julho. A OpenAI tinha identificado este problema por sua iniciativa pouco antes do início do exercício. — @METR_Evals no X

A OpenAI corrigiu-a durante o exercício. Como o monitor só era acionado quando o agente devolvia o controlo ao utilizador, um agente podia, enquanto a compaction escapasse à monitorização, adiar indefinidamente essa monitorização, continuando a agir. O treino por reforço não estava abrangido no início do exercício.

A equipa descreve também falhas: uma forma de contornar a sandbox do Codex e o Auto-Review que concedia ao agente todos os direitos do utilizador anfitrião, uma técnica que ocultava centenas de ações recentes da monitorização (pormenores expurgados pela OpenAI), entradas capazes de fazer o monitor falhar explorando diferenças de serialização, dois cabeçalhos controláveis pelo cliente que desativavam a monitorização de novos agentes, embora a sua utilização continuasse a ser detetável, e duas ferramentas internas não monitorizadas, consideradas apenas de leitura, que um exploit simples, não validado na prática, poderia ter desviado da sua função. Por outro lado, o monitor vê a trajetória completa do agente, salvo algumas exceções, e os seus prompts procuram maquinações (scheming), sabotagem, exfiltração de dados, engano e injeções de prompt.

A OpenAI afirma ter corrigido todas as vulnerabilidades que afetavam a sua pilha de proteções em produção; a METR esclarece que não avaliou essa afirmação. As partes tinham acordado antecipadamente publicar apenas um texto breve, podendo a OpenAI expurgar o relatório. A METR retira daí cinco princípios de conceção, incluindo tornar a monitorização difícil de evitar (por exemplo, a cada N minutos ou a cada N mensagens), atacar regularmente o sistema e isolar os agentes dos seus monitores. Para a OpenAI, estas conclusões ajudaram a reforçar as suas proteções durante a expansão do sistema e orientarão as suas futuras colaborações com avaliadores externos. A 15 de outubro, a Anthropic tinha descrito um acesso comparável concedido a uma equipa da METR.

🔗 Red-Teaming dos sistemas de monitorização de agentes internos da OpenAI (METR) · O tweet de @OpenAI

Agentic AI Foundation: Agent Skills, Open Responses, OpenEnv e OpenSandbox juntam-se a MCP

22 de outubro — A Agentic AI Foundation (AAIF), a fundação da Linux Foundation cofundada no ano passado pela Anthropic, pela Block e pela OpenAI e que já acolhe MCP, recebe quatro novos projetos de uma só vez: Agent Skills, disponibilizado pela Anthropic, Open Responses pela OpenAI, OpenEnv pela Hugging Face e OpenSandbox pela Alibaba. Conta assim com 10 projetos logo no seu primeiro ano; segundo Manik Surtani, o seu CTO e cofundador, cada um abrange uma parte da pilha, desde a forma como os agentes adquirem capacidades até ao local onde são executados.

A Anthropic doa o nome e o logótipo Agent Skills, a organização GitHub e o domínio agentskills.io. Nascido durante o trabalho no Claude Code, este formato de pastas que ensinam uma tarefa a um agente (um ficheiro SKILL.md, scripts, documentos de referência) foi publicado como padrão aberto em dezembro de 2025; segundo a Anthropic, mais de 70 plataformas de agentes o integraram desde então, incluindo ChatGPT, Cursor, GitHub Copilot e VS Code, e foram publicados 1 milhão de skills, com quase 280 milhões de instalações. Engenheiros da Anthropic, da Google, da OpenAI e de outras empresas irão mantê-lo a título individual, com David Soria Parra e Mahesh Murag como responsáveis (Lead Maintainers), e a sequência de publicações de @ClaudeDevs também cita Earendil, Microsoft e OpenCode no comité de direção técnica. Os skills existentes continuam a funcionar e as licenças não mudam; primeira etapa proposta: versões numeradas, um processo formal de propostas e recomendações de segurança.

Por sua vez, a Hugging Face entrega OpenEnv, o seu framework aberto de ambientes para treinar agentes, a uma governação neutra, com um comité que reúne, entre outros, Microsoft, Reflection, Meta-PyTorch, Fleet, Mercor, Nebius, Modal, Prime Intellect e Unsloth. Os antigos endereços meta-pytorch/OpenEnv e huggingface/OpenEnv redirecionam agora para github.com/openenv/OpenEnv.

🔗 O comunicado da Linux Foundation · A publicação da Anthropic · O anúncio de Ben Burtenshaw (Hugging Face) · A sequência de publicações de @ClaudeDevs

Conceber e governar os agentes: subagentes recolhidos, modo auto por predefinição, comparação da adoção agêntica

Três anúncios incidem menos sobre o que os agentes sabem fazer e mais sobre a forma de os organizar, de lhes dar o controlo e de medir a sua utilização.

A Anthropic aconselha a integrar os subagentes no ciclo principal e publica um kit de migração open source

22 de outubro — Num guia de boas práticas para a Claude Platform assinado por Diane Sarkis, a equipa Applied AI da Anthropic constata que, em várias implementações empresariais, um agente único equipado com skills obteve frequentemente melhores resultados em termos de qualidade do que um prompt único que reúne tudo ou uma arquitetura com subagentes, muitas vezes com um custo e uma latência por tarefa inferiores; um cliente mediu uma execução cerca de duas vezes mais rápida do que com o seu harness multiagente. A Anthropic afirma ter reduzido em mais de 80 % o prompt de sistema do Claude Code para os seus modelos mais avançados, em parte graças à divulgação progressiva das skills e das ferramentas, e observa que, acima de 30 a 50 definições de ferramentas, a seleção destas se degrada. Os subagentes continuam a ter o seu lugar quando o contexto fica saturado, em tarefas paralelas que podem descartar o seu contexto, ou quando o agente tem dificuldade em escolher as suas ferramentas. O kit single-agent-loop-kit (Apache-2.0) encadeia /claude-api build-eval, prompt-audit, hillclimb e cost-optimize para passar a um ciclo único.

🔗 O guia da Anthropic sobre subagentes · anthropics/single-agent-loop-kit (GitHub)

As sessões das aplicações Claude passarão a usar o modo auto por predefinição nos planos Pro, Max e Team

22 de outubro — A partir da próxima semana, segundo @claudeai, as sessões das aplicações Claude na web, no computador e no telemóvel funcionarão por predefinição em modo auto nos planos Pro, Max e Team: em vez de pedir aprovação a cada passo, um controlo automático bloqueia as ações arriscadas, sendo possível regressar ao modo manual a qualquer momento. O modo auto já é a configuração predefinida do Claude Code para estes planos desde 14 de agosto, e das sessões no terminal e no VS Code em todos os planos desde a versão 2.1.284 de 28 de setembro; o tweet cita, aliás, o anúncio de agosto, no qual o classificador detetava em testes 89 % dos comandos perigosos, contra 14 % com a aprovação manual. O anúncio resume-se a um tweet, sem data precisa, sem detalhes sobre as sessões abrangidas nem menção ao Enterprise.

🔗 O tweet de @claudeai

O Copilot impact dashboard compara a adoção de agentes de uma empresa com a dos seus pares

22 de outubro — O painel de impacto do Copilot (Copilot impact dashboard) acrescenta uma comparação setorial (Industry comparison), facultativa e desativada por predefinição. As empresas e as organizações que não dependem de uma empresa podem comparar dois indicadores com os valores de referência agregados dos pares participantes: a proporção dos seus utilizadores que trabalham prioritariamente com agentes (agent-first) ou com vários agentes (multi-agent), e a taxa de merge das pull requests destes utilizadores de agentes em relação aos restantes. Cada pontuação é classificada em relação à mediana dos pares ao longo de 28 dias e, depois, em relação ao primeiro decil quando o grupo cresce, por dimensão da empresa e entre dez setores. As comparações são atualizadas diariamente, os dados agregados são eliminados após 30 dias, os clientes com residência de dados só são comparados com os da sua região e nenhum destes dados é disponibilizado pela API de métricas ou pelas exportações. No lançamento, por falta de participantes, poderá ser apresentada apenas a mediana, ou até nenhuma classificação.

🔗 Comparações setoriais no Copilot impact dashboard

Modelos de decisão: a API Decisions da OpenAI em disponibilidade geral, GLiDE v1.2 na liderança do Decision Index

Os modelos de decisão respondem a perguntas fechadas (classificar, encaminhar, escolher a ação seguinte) sem gerar texto. No mesmo dia, a OpenAI disponibiliza a todos a sua API dedicada e a Fastino publica pesos que, segundo afirma, lideram o índice de referência da Hugging Face.

A OpenAI coloca a API Decisions em disponibilidade geral, com 400 perguntas por pedido

22 de outubro — Dezasseis dias após a sua versão beta pública, a API Decisions passa a estar em disponibilidade geral (generally available). Desenvolvida sobre o GPT-6 Luna, devolve uma probabilidade (predicate), uma escolha entre valores fornecidos (choice) ou uma pontuação numa grelha (score), até 10 vezes mais depressa do que o GPT-6 Luna através da Responses API, segundo a OpenAI. Aceita agora entradas JSON nativas, imagens nas instruções de cada pergunta e até 400 perguntas por pedido, contra 200 na versão beta, e passa a contar com cache do contexto reutilizado, inferência com residência nos Estados Unidos e na UE e integração nativa com o GPT-Live. A entrada mantém-se em 0,10 dólar por milhão de tokens, a entrada em cache custa 0,01 dólar e a saída não é faturada.

Cliente citado	Ganho declarado à OpenAI
Box	Seleção de rota cerca de 5 vezes mais rápida, com a mesma precisão da Responses API
Datadog	Pontuação de risco dos comandos de agentes 40 vezes mais rápida no p95
Ramp	4 vezes mais rápido e 30 % mais barato do que o GPT-6 Luna
Sierra	Menos de 280 ms no p95, 90 % mais barato por chamada do que a abordagem anterior
Speak	Tempo até à ação seguinte reduzido de 1,4 s para 0,13 s

O SDK openai-python 3.37.0, publicado nessa mesma noite, alarga os tipos de Decisions com uma alteração incompatível na tipagem.

🔗 Crie aplicações mais responsivas com a Decisions API

A Fastino publica o GLiDE v1.2, que apresenta como líder do Decision Index v0.4.1

22 de outubro — A Fastino publica o GLiDE v1.2, uma nova versão do seu modelo de decisão, com os pesos na Hugging Face e acesso através da sua API. Segundo a Fastino, lidera o Decision Index v0.4.1 da Hugging Face, com um dos menores erros de calibração do índice; em 21 de outubro, a Base Labs anunciava o mammoth-1 em primeiro lugar com 71,24, mas na versão 0.4: as duas pontuações não são comparáveis. O modelo lê texto, JSON e agora imagens, e devolve numa única passagem uma probabilidade para cada opção: uma escolha entre um máximo de 255, um sim ou não, ou um nível numa escala; a Fastino retirou os tokens de raciocínio para reduzir a latência.

Característica do GLiDE v1.2	Valor anunciado
Dimensão do modelo	26 mil milhões de parâmetros
Hardware mínimo	Uma GPU de pelo menos 80 Go
Pontuação segundo a Fastino	71,5 no Decision Index v0.4.1, 1,7 ponto à frente do seguinte
Preço da API Fastino	0,04 dólar por milhão de tokens de entrada
Licença dos pesos	fastino-community: gratuita, acordo comercial acima de 10 milhões de dólares de faturação anual

🔗 A publicação da Fastino · fastino/GLiDE (Hugging Face)

Acesso aos modelos: routers sujeitos à aprovação da OpenAI, Batch API na Perplexity, computação confidencial na Cohere

Três alterações dizem respeito à forma de aceder aos modelos, mais do que aos próprios modelos: os intermediários, o processamento em volume e a confidencialidade dos pedidos.

A OpenAI exigirá a partir de 20 de novembro que os routers de modelos e os gateways de IA obtenham a sua aprovação

21 de outubro — Numa publicação da sua secção Safety, a OpenAI afirma ter harmonizado com os seus clientes e parceiros as políticas de segurança dos serviços que dão acesso aos seus modelos, diretamente, através de um parceiro que os aloja ou de um revendedor: proteções coerentes com as suas, investigações sobre possíveis violações, medidas quando é identificado um problema e aplicação coordenada das restrições entre serviços. A alteração mais concreta surge nas Políticas de Utilização (Usage Policies) atualizadas para 20 de novembro de 2026: os serviços que dão acesso direto aos modelos, como os routers de modelos (model routers) ou os gateways de IA (AI gateways), terão de se submeter à análise da OpenAI e obter a sua aprovação antes de disponibilizar esse acesso. A OpenAI também está a implementar SafetyIDs, que os clientes podem fornecer para distinguir os utilizadores finais durante uma investigação sem lhe revelar a identidade deles. A publicação não identifica nenhum serviço abrangido nem detalha o procedimento de aprovação.

🔗 Um acesso mais alargado graças a normas coerentes (OpenAI)

A Perplexity disponibiliza uma Batch API para a sua Agent API, com até 50 000 pedidos por ficheiro

22 de outubro — A Perplexity acrescenta uma Batch API à sua Agent API para trabalhos que não precisam de uma resposta imediata (avaliações, classificação, enriquecimento de dados): carrega-se um ficheiro JSONL de pedidos, cria-se um lote e, depois, obtém-se um ficheiro de resultados e um ficheiro de erros, com endpoints que seguem o formato da Batch API da OpenAI. Cada pedido executa o ciclo completo da Agent API: a pesquisa web (web_search) e a leitura de páginas (fetch_url) também funcionam, portanto, de forma diferida.

Limite da Batch API	Valor publicado
Pedidos por ficheiro	50 000, com um máximo de 200 Mo
Modelos aceites	Um único por ficheiro, entre os da Agent API
Prazo de processamento	Objetivo de 24 h sem garantia, prazo máximo de 48 h
Conservação dos ficheiros	30 dias
Preço do processamento	Sem preço batch distinto; nível flex para os modelos OpenAI que o disponibilizam

Os pedidos de um lote não contam para o limite de pedidos da Agent API, e os que não tiverem começado até ao prazo expiram sem serem faturados. O serviço não está disponível para organizações com retenção de dados nula.

🔗 O fio de @perplexitydevs · A documentação da Batch API

A Cohere disponibiliza em beta pública o Confidential Computing do Model Vault, em GPU NVIDIA H100 no Azure

22 de outubro — Lançado em acesso antecipado a 16 de setembro, o Confidential Computing do Model Vault, a plataforma de inferência dedicada e gerida da Cohere, passa a beta pública: os clientes podem criar cofres cifrados e implementar neles as suas cargas de trabalho desde já, com as mesmas API. A versão beta funciona em GPU NVIDIA H100 no Microsoft Azure, que fornece a infraestrutura de computação confidencial, enquanto o NVIDIA Confidential Computing protege a memória da GPU e cifra as comunicações entre CPU e GPU. O conteúdo dos pedidos é cifrado de ponta a ponta por Oblivious HTTP (OHTTP) até ao ambiente atestado, e o software do cliente verifica uma prova assinada do hardware, do firmware (firmware) e do software antes de qualquer envio; segundo a Cohere, nem os seus operadores nem o fornecedor cloud conseguem ler a memória protegida. Ficam fora do âmbito determinados ataques físicos ou por canais laterais, a disponibilidade, as falhas aplicacionais como a injeção de prompt, os metadados e os identificadores de API e de modelo. As GPU Blackwell B200, a disponibilidade geral e uma stack open source são anunciadas sem data, e não é comunicado qualquer preço.

🔗 Computação confidencial no Cohere Model Vault · O artigo técnico da Cohere

Observar e prever o planeta: ForTy, OlmoEarth v1.3 e StormScope EU

Três publicações do dia mapeiam ou fazem previsões sobre a Terra a partir de imagens de satélite, duas das quais se baseiam em embeddings que resumem cada pixel de 10 metros.

A Google DeepMind publica o ForTy, um mapa mundial a 10 metros que distingue florestas naturais, plantações e culturas arbóreas

22 de outubro — A Google DeepMind e a Google Research publicam, em conjunto com o World Resources Institute (WRI) e o IIASA, o Forest Typology (ForTy) 2020, um mapa que classifica cada parcela de 10 metros por 10 da superfície terrestre numa de seis categorias baseadas nas definições da FAO: floresta primária, floresta de regeneração natural, floresta plantada, plantação florestal, culturas arbóreas e sistemas agroflorestais, outras terras. Enquanto a maioria dos mapas indica apenas a presença de árvores, o ForTy distingue uma floresta primária de uma plantação de palma de óleo, o que faz dele uma referência para o regulamento europeu relativo a produtos «com desflorestação zero» (EUDR). O modelo baseia-se nos embeddings do AlphaEarth Foundations e em cerca de 1,7 milhão de pontos anotados; validado em mais de 9 000 locais escolhidos aleatoriamente, identifica o tipo correto de floresta em 90 % dos casos, distingue floresta de áreas não florestais em 95 % dos casos e fornece uma probabilidade por classe em vez de uma etiqueta. Uma série anual de 2017-2025, em versão preliminar, mostra também o que substitui uma floresta desaparecida. O mapa e a série estão disponíveis livremente no Google Earth Engine, sob licença aberta.

🔗 A publicação da Google DeepMind · O artigo da Scientific Data

A Ai2 publica o OlmoEarth v1.3 e embeddings de satélite pré-calculados para todo o planeta

22 de outubro — A Ai2 publica o OlmoEarth v1.3, um modelo que lê um ano de imagens de radar (Sentinel-1) e multiespectrais (Sentinel-2, Landsat) e resume cada pixel de 10 metros num vetor. A Ai2 calculou estes embeddings e partilha-os na Source Cooperative: todo o planeta para 2023 a 2025, apenas alguns países de 2017 a 2022. Um pequeno classificador treinado com eles basta agora para mapear culturas, ocupação do solo ou alterações, sem ajustar o modelo tarefa a tarefa. Um explorador no navegador, sem necessidade de conta, compara anos, procura locais semelhantes e exporta um mapa em GeoTIFF.

Métrica do OlmoEarth v1.3	Valor publicado
Embedding por pixel de 10 m	128 dimensões, ou as primeiras 64 na versão leve
Avaliações ganhas face ao AlphaEarth Foundations e ao Tessera v2	20 em 27 (128 dimensões), 18 em 27 (64 dimensões)
Computação de treino face à v1.2	53 %
Arquivo de embeddings pré-calculados	Cerca de 150 To por ano

Os pesos, os dados e o código são publicados sob a licença OlmoEarth Artifact License, e a Ai2 apresenta em simultâneo o PLANTEUR, um benchmark de mapeamento de culturas em seis territórios ultramarinos franceses.

🔗 A publicação da Ai2

StormScope EU junta-se ao Earth-2 no segundo dia da GTC Berlin

22 de outubro — A NVIDIA acrescenta ao Earth-2, a sua família de modelos de previsão meteorológica e climática, o StormScope EU: uma versão regional do StormScope treinada com dados europeus, que prevê a evolução das nuvens a muito curto prazo nos 16 canais do Meteosat, em intervalos de 10 minutos, a partir das observações da EUMETSAT. São citados vários utilizadores europeus do Earth-2: a AXA simulou mais de 1 000 épocas de ciclones com o FourCastNet 3, a Vaisala Xweather enriquece o StormScope com dados de relâmpagos, a TotalEnergies prevê a radiação solar em duas instalações e a Universidade de Manchester executa num DGX Spark um modelo CorrDiff de qualidade do ar treinado no supercomputador Isambard-AI.

🔗 Earth-2 na Europa (blog NVIDIA)

GTC Berlin, segundo dia: NVIDIA expande o Cosmos, lança o Minerva e quantifica os resultados dos seus clientes europeus

22 de outubro — No segundo dia da GTC Berlin, a NVIDIA publica uma série de artigos dedicados aos seus clientes europeus, que apresentam sobretudo casos com resultados quantificados. A Shopify fez o pós-treino do Nemotron 3.5 Lightning para o subagente GraphQL do seu assistente Sidekick, mais preciso do que um modelo de ponta no seu banco de testes interno, com um custo de serviço reduzido em 90 % e respostas 7 vezes mais rápidas; a bunq executa o seu assistente Finn com modelos abertos, ao nível dos melhores modelos fechados por 60 % do custo por resposta; a Stripe acelera 42 vezes os pipelines de dados do Radar, a sua ferramenta antifraude, em testes offline. Na energia, as baterias da Hitachi Energy recebem a qualificação DSX Ready, a Schneider Electric valida arquiteturas de referência Vera Rubin e a Siemens Energy publica um projeto de referência. Nos produtos, a NVIDIA expande o Cosmos e lança o Minerva.

🔗 O comércio europeu (blog NVIDIA) · Os serviços financeiros europeus · A energia das fábricas de IA

Cosmos: cinco blueprints Data Factory, um Framework aberto a outros modelos e NIM até duas vezes mais rápidos

22 de outubro — A NVIDIA complementa o Cosmos, a sua plataforma de modelos de mundo (world models), em todas as etapas. Para os dados, o Cosmos Data Factory, já mencionado na véspera, apresenta-se em cinco blueprints nativos da cloud disponíveis através do GitHub, Microsoft Azure, Nebius e CoreWeave: conjuntos de dados para veículos autónomos, aumento de atributos de imagem, vídeos de acontecimentos raros ou perigosos, imagens de defeitos (circuitos impressos, metal, vidro) e aumento de vídeos (condições meteorológicas, iluminação). Para o treino, o Cosmos Framework estende as suas receitas de ajuste fino (fine-tuning), aprendizagem por reforço, destilação e quantização, sob a forma de skills de agente, a outros modelos abertos como GR00T, Alpamayo, Qwen ou Pi0.5. Para a implementação, novas variantes Cosmos 3 Nano servem para avaliar em simulação políticas de condução autónoma e de robôs bimanuais, os microsserviços NIM Cosmos 3 ganham até um fator de 2 na velocidade de inferência em configurações validadas e o blueprint Metropolis VSS 3.3 acompanha mais 40 % de fluxos de vídeo no mesmo GPU. A MicroAGI destilou assim o seu modelo de raciocínio Cosmos 3 de 32B num Nano de 8B sem perda de precisão, e a Porsche, citada na véspera, quantifica em até 90 % a redução dos seus ensaios físicos repetidos.

🔗 O artigo sobre o Cosmos (blog NVIDIA)

Minerva, uma plataforma AIOps para manter as fábricas de IA produtivas

22 de outubro — A NVIDIA lança o Minerva, uma plataforma de operações com IA (AIOps) para as fábricas de IA, onde um único componente degradado pode abrandar todo um treino. Reúne a telemetria dos GPU, da rede, do armazenamento, dos escalonadores e das cargas de trabalho num grafo de conhecimento que liga o hardware (GPU, SuperNIC, comutadores, cabos) às tarefas em execução, para identificar o componente responsável por um treino mais lento, mesmo em centenas de milhares de GPU, segundo a NVIDIA. Modelos supervisionados e não supervisionados analisam milhares de milhões de pontos de dados por hora, detetam anomalias inéditas, antecipam falhas e agrupam uma avalanche de alertas num único incidente com a sua causa provável; um assistente em linguagem natural propõe correções, aplicadas manualmente ou de forma automatizada. A IREN já o utiliza; Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI e Tesla preveem implementá-lo, e a Lenovo e a Supermicro vão disponibilizá-lo, além da Dell Technologies. A NVIDIA não publica preços nem ganhos quantificados.

🔗 Minerva (blog NVIDIA)

Representar as culturas e as populações: CulturalRiddles e Nemotron-Personas-UK

Dois conjuntos de dados publicados no mesmo dia medem ou corrigem a fidelidade dos modelos às culturas e às populações reais.

Cohere Labs publica o CulturalRiddles, 6 200 enigmas de 62 culturas que revelam os pontos cegos culturais dos LLM

22 de outubro — A Cohere Labs publica o CulturalRiddles, um banco de testes que mede a compreensão cultural dos modelos de linguagem através de enigmas. Em seis meses, 194 voluntários escreveram cerca de 6 200 enigmas originais na sua língua, para 62 comunidades culturais, 45 países e 51 línguas, algumas delas ausentes dos bancos de testes existentes, como o bugis ou o mongondow. Entre 28 modelos proprietários, abertos ou regionais, com cerca de 68 000 respostas revistas por falantes nativos, o melhor resolve 79 % dos enigmas, mas nenhum ultrapassa 22 % em lumasaba (Uganda) ou em mongondow (Indonésia). A língua explica apenas uma pequena parte da diferença: traduzidos para inglês, os enigmas das cinco comunidades mais difíceis fazem cinco modelos passar apenas de 22 % para 32 %. Autorizados a responder «não sei», os modelos só o fizeram em 0,7 % dos casos, embora cerca de 31 % das respostas revistas fossem inventadas; 18 dos 28 modelos respondem polo aquático a um enigma alemão cuja solução é o râguebi subaquático. Os enigmas, o código e o dashboard são públicos, sem dar destaque a qualquer modelo da Cohere.

🔗 CulturalRiddles (Cohere Labs) · O conjunto de dados no Hugging Face

Nemotron-Personas-UK: um milhão de personas sintéticas alinhadas com os censos britânicos

22 de outubro — A Locai Labs, um laboratório londrino de IA soberana, publica com a NVIDIA o Nemotron-Personas-UK, um milhão de personas sintéticas sob licença CC BY 4.0. Cada uma respeita as distribuições demográficas, geográficas, socioeconómicas e profissionais dos censos de Inglaterra e do País de Gales, da Escócia e da Irlanda do Norte, sem que nelas figure qualquer pessoa real. Com o NeMo Data Designer, um modelo probabilístico seleciona primeiro aleatoriamente combinações realistas, e depois o Gemma 4 31B redige os atributos de cada persona (origem cultural, competências, objetivos de carreira, passatempos), em 18 GPU NVIDIA. Estes conjuntos servem para treinar e testar modelos que devem refletir uma população específica sem expor dados pessoais. No segundo dia da GTC Berlin, a NVIDIA apresentou em paralelo o Nemotron-Personas-Germany, um milhão de registos assentes no censo de 2022 (16 Länder, 400 distritos), utilizáveis com a biblioteca open source NeMo User Sim para verificar se um modelo de serviço público se comporta da mesma forma entre regiões ou faixas etárias; estão previstas edições com a SpeakLeash, na Polónia, e a Universidade de Liubliana. A coleção Nemotron-Personas abrange agora 12 países, incluindo a França.

🔗 O artigo da Locai Labs · O setor público europeu (blog NVIDIA)

Imagens e vídeos generativos: Ideogram Vector 1.0, HeyGen Video 1 e FLUX Video Upscale

Ideogram lança o Ideogram Vector 1.0, o seu primeiro modelo vetorial, que gera SVG editáveis

22 de outubro — A Ideogram vai além da imagem matricial com o Ideogram Vector 1.0. A partir de um prompt, com imagens de referência se desejado, o modelo gera diretamente um ficheiro SVG; também consegue converter uma imagem existente em vetor, sem prompt. Cada criação é um único SVG cujas formas, cores e gradientes continuam editáveis no Illustrator, no Figma ou em código. A Ideogram visa os logótipos, o desenho de letras, as etiquetas, a impressão e a ilustração (gravura, pop art, cores planas, desenho a traço), apostando no seu ponto forte histórico, o texto legível. O modelo está disponível no Ideogram, através da API e em parceiros não identificados, sem benchmark publicado.

Modo de geração	Preço por SVG
Texto para vetor, qualidade Low	0,13 dólar
Texto para vetor, qualidade Medium	0,16 dólar
Texto para vetor, qualidade High	0,20 dólar, 0,32 dólar com referências
Imagem para vetor	0,10 dólar por imagem

🔗 O anúncio da Ideogram · A página do modelo

HeyGen Video 1 fica em primeiro lugar em texto para vídeo sem áudio na Artificial Analysis e em terceiro com áudio

22 de outubro — A HeyGen afirma que o HeyGen Video 1, o seu primeiro modelo de vídeo generalista, ficou em primeiro lugar em texto para vídeo num teste cego da Artificial Analysis. A classificação AA-Video-T2V v2.1 relativiza a afirmação: a variante classificada, HeyGen Video (ultraquality), está efetivamente em primeiro lugar na vista sem áudio, com um intervalo de confiança que se sobrepõe ao do Wan 3.0, mas apenas em terceiro na vista com áudio, apresentada por predefinição.

Vista da classificação	Posição do HeyGen Video (ultraquality)	Modelos próximos na classificação
Sem áudio	1.º lugar, 1 144 Elo (posição 1 a 2)	Wan 3.0 com 1 134, MiniMax H3 768p com 1 120
Com áudio, vista predefinida	3.º lugar, 1 160 Elo (posição 2 a 7)	Wan 3.0 com 1 175, Utopai X com 1 167

Pós-treinado a partir do MiniMax H3, o modelo supera claramente o seu modelo de base sem áudio (1 144 contra 1 120), mas apenas por dois pontos com áudio (1 160 contra 1 158). A Artificial Analysis indica uma API «em breve» para esta variante, enquanto a HeyGen apresenta o HeyGen Video 1 como disponível no HeyGen e através da API, a 0,01 dólar por segundo em promoção.

🔗 A classificação de texto para vídeo da Artificial Analysis · O tweet de @HeyGen

Black Forest Labs reformula o FLUX Video Upscale, que afirma ser mais barato do que o Topaz Astra 2 e duas vezes mais rápido

22 de outubro — A Black Forest Labs anuncia uma reformulação completa do FLUX Video Upscale, a sua ferramenta de super-resolução de vídeo lançada a 20 de agosto, que apresenta como a melhor do mercado, mais barata do que o Topaz Astra 2 e duas vezes mais rápida, sem publicar uma comparação quantificada. A ferramenta, baseada no FLUX 3 segundo a página do produto, regenera cada imagem na nova resolução em vez de interpolar os píxeis. Um parâmetro regula o seu comportamento: o modo preciso aperfeiçoa a fonte sem a alterar, para rostos e produtos, enquanto o modo criativo, predefinido, inventa detalhes com o risco de alterar um rosto.

Parâmetro do FLUX Video Upscale	Valor publicado
Fator de ampliação	1,5 a 3 vezes, até 4K, a partir de 480p
Duração por excerto	20 segundos no máximo, som original preservado
Preço no modo preciso	0,035 dólar por megapíxel-segundo entregue
Preço no modo criativo (predefinido)	0,05 dólar por megapíxel-segundo entregue

🔗 O anúncio da Black Forest Labs · A página do upscaler

Agentes de código: Claude Code 2.1.307, VS Code 1.143, Replit Monitoring Agent, orbs da Amp e plugin da Cognition

O Claude Code acompanha a nova versão da API, o VS Code executa um modelo de código na máquina do programador, a Replit e a Amp confiam mais infraestrutura aos agentes e a Cognition equipa qualquer agente para combater três vulnerabilidades críticas. Copilot CLI 1.0.103, Vibe CLI 3.0.2, Qwen Code v0.26.0, Zed 1.25 e as outras versões do dia estão nas Breves.

Claude Code 2.1.307 acrescenta /claude-api api-version e o evento OpenTelemetry safety_event

21 de outubro — O Claude Code 2.1.307 (43 entradas, incluindo 26 correções) acompanha a nova versão da API: /claude-api api-version atualiza o código de uma aplicação Claude API para a versão 2026-10-21. Na observabilidade, o evento OpenTelemetry claude_code.safety_event é emitido por cada chamada de ferramenta que uma regra de permissão, o modo auto, uma verificação de segurança, um hook ou a sandbox tenha interrompido, submetido a confirmação ou devolvido ao Claude; complementa os campos do classificador adicionados a 15 de outubro aos eventos tool_decision. O Code Review ganha @claude review stop (ou off, pause), que termina uma subscrição @claude review always numa pull request. Entre as correções, as chamadas de ferramentas MCP HTTP deixam de ser enviadas duas vezes quando a ligação é fechada durante a chamada, sendo executadas novamente apenas as ferramentas só de leitura ou idempotentes, uma chamada de ferramenta ilegível é repetida até duas vezes antes de terminar o turno e o runner autoalojado interrompe os seus hooks de checkout ao fim de 30 minutos por predefinição. A versão 2.1.308 de 22 de outubro limita-se a correções de bugs e de fiabilidade.

🔗 Claude Code 2.1.307 no GitHub

VS Code 1.143 executa o MAI Code 1.1 Flash localmente com o Copilot e torna o harness do Copilot a opção predefinida

22 de outubro — O VS Code 1.143 disponibiliza em modo experimental o encaminhamento local anunciado a 7 de outubro: um novo separador On This Device do seletor de modelos descarrega o MAI Code 1.1 Flash, ao qual se enviam pedidos nas sessões do harness do Copilot. As respostas calculadas no dispositivo, assinaladas como On-device, não consomem créditos de IA, e a opção Use in Auto permite ao modo Auto enviar-lhe os pedidos adequados, com fallback para a cloud. Os requisitos de hardware continuam elevados: uma versão compatível do llama.cpp, uma ligação ao GitHub e um GPU NVIDIA com pelo menos 96 Go de memória. O harness do Copilot, construído sobre o Copilot SDK, torna-se a opção predefinida para novas sessões, e a janela Agents ganha em pré-visualização o Compare Models, que atribui a mesma instrução a vários modelos e harnesses (Copilot, Claude, Codex) em paralelo, com um modelo juiz opcional. O instalador também propõe o Copilot CLI, o Voice Mode aceita uma chave OpenAI pessoal e as empresas podem impor os seus modelos predefinidos e fazer instalar automaticamente os plugins obrigatórios.

🔗 Notas de versão do Visual Studio Code 1.143

Replit lança Monitoring Agent, que investiga alertas de produção, aplica correções e pode voltar a publicar autonomamente

22 de outubro — A Replit lança Monitoring Agent, apresentado como um engenheiro de prevenção autónomo para as aplicações publicadas na sua plataforma: perante um incidente de produção, investiga o alerta, procura a causa nos logs, nas métricas e no código, prepara e valida uma correção, pode implementá-la e depois relata o que mudou. Três definições distintas são configuradas aplicação a aplicação: os alertas, relativos a logs de erros, erros HTTP e latência; a correção automática (Auto-fix), que investiga em segundo plano e envia um resumo por e-mail; a republicação automática (Auto-republish), ainda experimental e reservada às aplicações onde Auto-fix está ativo. A Replit avisa que um alerta não garante uma correção e que as migrações e operações sobre índices continuam a apresentar riscos; sem republicação automática, a correção aguarda revisão no chat do agente. Não há preço específico: as execuções podem gerar custos de utilização do Agent. A Replit fala de um agente «primeiro do género», mas a Cognition lançou a 15 de outubro Devin Oncall, que também investiga incidentes de produção.

🔗 A publicação da Replit · A documentação de Monitoring Agent

Amp permite alojar os seus orbs em infraestrutura própria, gratuitamente para todos até 29 de outubro

22 de outubro — A Amp permite alojar os próprios orbs, as máquinas remotas onde funcionam os seus agentes: o cliente fornece os recursos de computação, a Amp transforma-os em orbs, desde que a infraestrutura consiga arrancar rapidamente novas máquinas, suspendê-las e retomá-las, mantê-las durante muito tempo e reduzir o seu número a zero. amp orb provider funciona na infraestrutura do cliente, liga-se à Amp e transmite os pedidos de criação, pausa e eliminação a um programa escrito pelo cliente; a Amp fornece exemplos para Docker, E2B, Kubernetes, Apple Containers, Modal, Vercel, Daytona e exe.dev. Ainda assim, a Amp desaconselha esta opção à maioria dos seus utilizadores: destina-se às empresas que não podem utilizar os orbs alojados devido à regulamentação, a uma rede interna ou a hardware específico. Os orbs alojados em infraestrutura própria continuam gratuitos para utilizadores individuais e equipas; os clientes Enterprise pagarão o preço normal dos orbs a partir de 29 de outubro, sendo a opção gratuita para todos até essa data. Até agora, apenas os runners da Amp faziam o agente trabalhar na infraestrutura do cliente, mas em máquinas persistentes.

🔗 A publicação da Amp

Cognition publica em open source um plugin de agente para corrigir vulnerabilidades críticas de PHP, Node.js e GitLab

22 de outubro — No dia seguinte ao PHP2Shell, a Cognition publica Vulnerability Fixes, um plugin gratuito e open source (licença MIT) que entrega a um agente de código a correção de três vulnerabilidades críticas. Instala-se a partir da marketplace de Devin, mas é composto por skills no formato Agent Skills: npx skills add também o adiciona a Claude Code, Codex, Cursor, Factory Droid, GitHub Copilot, Gemini CLI ou OpenCode. O agente começa por fazer um inventário só de leitura de tudo o que inclui PHP ou Node.js (imagens Docker, pacotes de distribuição, CI, Helm, Terraform, runtimes AWS Lambda…), espera que sejam escolhidos os repositórios a corrigir, passa para uma versão corrigida verificada junto das fontes oficiais, executa os testes antes e depois e abre uma pull request por repositório, com um label de risco e um plano de reversão.

Componente visado	Vulnerabilidade corrigida	Versões corrigidas
PHP (PHP2Shell, abordado a 21 de outubro)	CVE-2026-109618 e CVE-2026-109619, CVSS v4 9,2	8.2.35, 8.3.36, 8.4.27, 8.5.12
Node.js (atualização de 21 de outubro)	10 CVE, incluindo CVE-2026-111497 (descodificador Brotli)	22.23.4, 24.22.1, 26.12.1
GitLab alojado em infraestrutura própria	CVE-2026-110264, CVSS 10.0	19.5.1, 19.4.3, 19.3.6, 19.2.9, 19.1.9, 19.0.10, 18.11.13

Segundo a Cognition, as vulnerabilidades de PHP e Node.js estão a ser ativamente exploradas de forma automatizada, e a publicação aconselha a começar por colocar as aplicações web PHP offline. Aos clientes Devin Enterprise são prometidos créditos e acompanhamento, sem indicação de montantes.

🔗 A publicação da Cognition · O repositório CognitionAI/devin-vuln-fixes · O anúncio de @cognition

Breves

Agentes e ferramentas de código

Copilot CLI 1.0.103 — No dia seguinte à 1.0.102, a versão estável do GitHub traz sobretudo correções: as sessões ACP passam finalmente a respeitar as definições do ambiente isolado, as chamadas de ferramentas Gemini deixam de falhar na validação do esquema e desaparecem as antigas opções de arranque --remote e --no-remote. 🔗 fonte
Vibe CLI 3.0.2 — A Mistral aumenta para 32, por predefinição, o número de subagentes ativos e de subagentes em paralelo, face aos anteriores 8 e 4, ajustáveis através de max_subagents e max_concurrent_subagents, e aplica finalmente as permissões, listas de ferramentas e skills dos subagentes personalizados. 🔗 fonte
Qwen Code v0.26.0 — A versão estável sucede às versões preliminares v0.25.4 abordadas na véspera, sem uma v0.25.4 estável: 64 das suas 237 entradas, incluindo 21 funcionalidades, são inéditas, como as aprovações alteráveis durante um turno do Managed Agent e o reinício do daemon qwen serve. 🔗 fonte
Zed 1.25 em versão estável — A v1.25.2 torna estável a versão preliminar abordada a 14 de outubro, com compactação do contexto para os agentes ACP, a inclusão de GPT-6 Astra, Claude Fable 5.1 e Claude Opus 5.5 no fornecedor Amazon Bedrock e um binário cerca de 30 % mais leve desde a 1.23. 🔗 fonte
Gemini CLI, nightly de 22 de outubro — A integração IDE funciona finalmente quando a CLI é executada num ambiente isolado docker, podman ou runsc, sem que o token do componente auxiliar entre nesse ambiente, e uma aprovação de comando shell é válida para as mesmas opções até ao fim da sessão. 🔗 fonte
Antigravity 2.25.0 e extensão VS Code 1.9.0 — Novidades de 19 e 18 de outubro recuperadas agora: a aplicação assinala com um badge os projetos geridos por plugins e corrige o frontmatter YAML das skills; a extensão adiciona atalhos para aceitar ou rejeitar um bloco de diff e um reinício automático opcional do servidor de linguagem. 🔗 fonte
Notas de versão de Devin de 21 de outubro — Devin Review passa a estar disponível para Bitbucket Cloud, Devin Oncall ganha um modo Lite e os administradores Enterprise podem mostrar uma ligação para pedir acesso junto dos repositórios ainda não ligados. 🔗 fonte
Uma ferramenta escolar construída com GenCode — A Genspark publica o testemunho de Jason Hill, que construiu em três dias, por cerca de 600 créditos, uma ferramenta de vagas disponíveis e excesso de alunos para os horários do seu distrito escolar; sem novidades no produto. 🔗 fonte

Empresas e implementações

Uber e ChatGPT Work — Após um projeto-piloto com 1 000 funcionários, a Uber alarga o agente de ChatGPT Enterprise a mais de 30 000, com GPT-6.1 Sol por predefinição e ligações a Google Drive, Gmail, Google Calendar e Slack; sem resultados quantificados. 🔗 fonte
Os Forward Deployed Engineers da OpenAI — Colin Jarvis descreve o seu método, apoiado em números de clientes: cerca de 90 % do código específico eliminado num cliente do setor dos semicondutores ao passar para uma base Codex, e um modelo de voz de telecomunicações que passou de cerca de 60 % para mais de 90 % nas avaliações principais em seis meses. 🔗 fonte
Replit for Government — Uma oferta para administrações de todos os níveis, nos Estados Unidos e noutros países, com presença declarada em 25 estados norte-americanos e mais de 20 países, sem clientes identificados, certificação FedRAMP ou preços. 🔗 fonte
Cognition em Londres — Novo escritório em Finsbury Square, crescimento de mais de 200 % da equipa britânica em seis meses e três contratações, incluindo Katrin Lehmann, antiga diretora global de sistemas de informação da Mercedes-Benz. 🔗 fonte
O Partner Network da SpaceXSI — O programa para integradores e empresas de software que desenvolvem com Grok sai do acesso antecipado, acompanhado por mais de 130 empresas, com 45 parceiros de lançamento, incluindo Bain & Company, Databricks, NVIDIA e Snowflake; sem preços nem calendário. 🔗 fonte
Synthesia e Hays — O projeto-piloto de Roleplay Sessions na empresa de recrutamento regista uma melhoria média de 29 % nas competências comerciais, com mais de 70 % de participação voluntária. 🔗 fonte
Trinity Logistics e ElevenAgents — Num caso publicado a 20 de outubro, os agentes de voz negoceiam e reservam cerca de 1 000 cargas por mês em 30 000 chamadas, com uma margem 25 % superior e uma redução de 40 % no custo da plataforma. 🔗 fonte
Eleven Realtime Translation, continuação — A publicação sobre a tradução de voz em direto, abordada na véspera, identifica um primeiro cliente, a Deutsche Telekom, para o seu Magenta AI Call Assistant, e esclarece que Eleven v4 Turbo serve de base por predefinição; a versão alpha para empresas continua sem preço divulgado. 🔗 fonte

Segurança

OpenAI e os bancos comunitários — A aliança com a ICBA disponibiliza aos bancos membros elegíveis acesso subsidiado a Daybreak for Frontline Defenders, com formação; sem indicação de montantes nem do número de bancos. 🔗 fonte
Cloudflare, Daybreak e Codex — Num estudo de caso datado de 21 de outubro, a Cloudflare propõe, com os modelos da OpenAI, correções e regras WAF revistas antes da partilha, e uma equipa de quatro pessoas reconstruiu um produto em três dias por 1 100 dólares em tokens com Codex. 🔗 fonte
Grok Bot e 1Password — Grok Bot utilizará nos próximos dias as credenciais 1Password aprovadas pelo utilizador sem ver as palavras-passe, no âmbito de 1Password for Agents, que também deverá servir Muse da Meta, Claude Duet e ChatGPT Work. 🔗 fonte · 🔗 1Password for Agents
Public monitoring com residência dos dados — O secret scanning do GitHub passa a monitorizar os commits públicos para os clientes GitHub Enterprise Cloud com residência dos dados, em versão preliminar pública, com atribuição apenas através dos domínios verificados. 🔗 fonte

Assistentes

Gemini, Google Maps e Google Agenda — Com o consentimento do utilizador, a aplicação Gemini cruza as suas pesquisas e os locais guardados no Google Maps com a sua agenda para fazer recomendações do dia, através de Personal Intelligence, indisponível no Espaço Económico Europeu. 🔗 fonte
De aplicações Gemini para o Google Sites — Desde 19 de outubro, Export > Google Sites abre uma aplicação web interativa criada no Gemini num rascunho de site privado, mantendo a interatividade, para Workspace e contas pessoais. 🔗 fonte
Kimi Work 3.2.19 — No dia seguinte à 3.2.18, a aplicação da Moonshot AI apresenta uma página de acesso restrito quando a lista de IP permitidos de uma empresa bloqueia a ligação e adiciona uma ferramenta de diagnóstico de rede. 🔗 fonte

Plataformas de desenvolvimento

Espaços e vista dividida nas pull requests — A preferência de visualização das alterações de espaços em branco fica guardada para todas as pull requests, e os ficheiros novos ou eliminados ocupam toda a largura na vista dividida. 🔗 fonte
Novos hosts blob para GitHub Actions — Os intervalos productionresultssa30 a 49 e 100 a 199 em blob.core.windows.net, publicados na API meta, devem ser autorizados, salvo se já existir um caráter universal que os abranja, sob pena de interrupções nos resumos de jobs e nos registos. 🔗 fonte
huggingface_hub 2.3.0 em versão candidata — A listagem paralela reduz a pesquisa dos 798 924 ficheiros de objaverse de 776 para 19,7 segundos, e os Buckets podem ser acompanhados em tempo real. 🔗 fonte
OpenUSD no Hub — Os ficheiros .usd, .usda, .usdc e .usdz abrem num visualizador 3D interativo, publicado em open source, no dia seguinte a SimReady Central. 🔗 fonte

Investigação, modelos abertos e métodos

PLANTEUR — Publicado pela Ai2 com OlmoEarth v1.3, este benchmark de mapeamento de culturas em seis territórios ultramarinos franceses (2 750 séries temporais, 4 506 km² de parcelas) mostra que cada modelo perde cerca de metade da sua exatidão numa ilha nunca vista. 🔗 fonte
Seb-9B-v2 — Este modelo de decisão local de 9 mil milhões de parâmetros, sob Apache 2.0, obtém 59,16 no Decision Index contra 57,96 de Jev 1.13 alojado, segundo o seu autor, que não especifica a versão do índice, em 22 ms por decisão numa RTX PRO 6000. 🔗 fonte
Laghu — A UDGAM LABS treina de raiz, por 146 dólares, um modelo de conversação de 152 milhões de parâmetros, 163 Mo no navegador, a par de SmolLM2-135M-Instruct em conversação, segundo os seus autores. 🔗 fonte
BaseQuant V1 — A basecompute publica quantizações de Qwen3.8-27B (10,93, 16,41 e 20,82 Go) cuja divergência KL é 15 % inferior à da Unsloth a 3 e 4 bits, segundo os seus autores. 🔗 fonte
Um VLM como reranker — Sem treino para reranking, Qwen3.8-27B supera o reranker supervisionado Qwen3-VL-Reranker-2B em três benchmarks e iguala a versão 8B nos documentos visuais de MMEB-V2, segundo uma publicação da comunidade. 🔗 fonte
Avaliar um agente segundo a Perplexity — Um guia em seis etapas, dos critérios de sucesso aos testes de regressão e ao acompanhamento em produção, aconselha uma análise de erros sobre cerca de cem rastos de execução reais e a calibração dos LLM avaliadores; nenhum produto Perplexity. 🔗 fonte
Project Chrysalis — A Google Cloud descreve uma arquitetura de referência de agentes de operações que evoluem autonomamente na plataforma de agentes Gemini Enterprise: em falhas simuladas, o tempo até à primeira medida de mitigação (mitigation) passa de 15 a 45 minutos para 1,8 segundo; não se trata de um produto. 🔗 fonte

O que isto significa

As plataformas estão a reescrever os seus contratos de acesso. A Anthropic passa a fixar a API Claude em versões datadas e elimina definições que os seus modelos recentes já não permitiam alterar: um programador que reduzia a temperatura de um modelo antigo tem de escolher entre permanecer em 2023-06-01 e aceitar a amostragem predefinida, e todos os SDK mudam de versão principal e de licença no mesmo dia. A OpenAI vai filtrar os intermediários: a partir de 20 de novembro, um router ou um gateway que dê acesso direto aos seus modelos terá de obter a sua aprovação, e os SafetyIDs permitir-lhe-ão visar um utilizador final sem conhecer a sua identidade. A Perplexity adota o formato da Batch API da OpenAI, e a Cohere faz com que o cliente verifique, antes de cada envio, o ambiente que irá processar o seu pedido.

Os componentes dos agentes passam para uma governação neutra. Com Agent Skills, Open Responses, OpenEnv e OpenSandbox, a AAIF reúne dez projetos num ano, dos quais os quatro mais recentes vêm da Anthropic, da OpenAI, da Hugging Face e da Alibaba. A utilidade de um formato comum torna-se visível no mesmo dia: o plugin da Cognition contra PHP2Shell e as vulnerabilidades do Node.js e do GitLab instala-se sob a forma de skills em sete agentes de programação concorrentes. Quanto à arquitetura, porém, os sinais divergem: a Anthropic aconselha a integrar os subagentes num único loop equipado com skills e a mantê-los apenas para contextos saturados ou tarefas paralelas descartáveis, enquanto o Vibe CLI 3.0.2 aumenta, no mesmo dia, para 32 o número predefinido de subagentes simultâneos.

Quanto mais os agentes agem sozinhos, mais a sua monitorização se torna uma infraestrutura que é preciso pôr à prova. O exercício da METR e da Redwood Research mostra que um monitor pode observar toda a trajetória de um agente e, ainda assim, deixar passar parte do tráfego: enquanto a compactação do contexto escapava à sua análise, um agente que nunca devolvia o controlo podia adiar indefinidamente a sua avaliação. No mesmo dia, as aplicações Claude anunciam o modo automático por predefinição, em que uma verificação automática substitui a aprovação de cada etapa, o Claude Code emite um evento por cada chamada de ferramenta interrompida, a Replit permite que um agente volte a publicar sozinho uma correção em produção, e o GitHub propõe às empresas que comparem a sua proporção de utilizadores de agentes com a dos seus pares.

Num domínio específico, um modelo especializado aproxima-se do modelo de fronteira por uma fração do seu custo. O Carbon-X, com 14 mil milhões de parâmetros, fica a menos de um ponto do GPT-6.1 Sol em ADN por cerca de 1/1 800 do seu custo por problema; a API Decisions e o GLiDE respondem sem gerar texto; o OlmoEarth v1.3 pré-calcula embeddings para todo o planeta, sobre os quais basta um pequeno classificador para produzir um mapa, e o ForTy constrói o seu com base nos do AlphaEarth Foundations. Os benchmarks recordam o reverso da medalha: no CulturalRiddles, nenhum dos 28 modelos testados ultrapassa 22 % para certas comunidades, e os modelos só respondem «não sei» em 0,7 % dos casos.