ESPnet triplica o seu corpus de voz aberto com YODAS v3, Mistral disponibiliza GLM 5.3 na sua API, JEV-27B e OpenDecider reivindicam paridade com Jev

A ESPnet publica YODAS v3, um conjunto de dados de voz aberto com 1,1 milhões de horas em mais de 100 línguas, três vezes maior do que a primeira versão e inteiramente a 48 kHz. A Mistral passa a disponibilizar na sua API o GLM 5.3, modelo de pesos abertos da Z.ai, com 1 milhão de tokens de contexto e um SLA de 99,5 %, enquanto JEV-27B e OpenDecider, dois modelos de decisão abertos, reivindicam paridade com Jev nos testes realizados pelos seus autores. A MiniMax lança M3.1-Flash-Preview sem benchmarks nem preços da API, e as Breves abordam, entre outros temas, uma pré-versão do Copilot CLI que lê as regras do Claude Code e o Space Bunny Alpha, um modelo furtivo gratuito na OpenRouter.

ESPnet publica YODAS v3, 1,1 milhões de horas de fala aberta a 48 kHz

27 de setembro — A equipa da ESPnet (William Chen e Shinji Watanabe) publica YODAS v3, um conjunto de dados de voz multilingue com 1,1 milhões de horas, três vezes mais do que a primeira versão. Todo o áudio é distribuído a 48 kHz, com a frequência efetivamente útil indicada nos metadados, porque muito áudio da web foi sujeito a sobreamostragem.

Característica de YODAS v3	Valor publicado
Línguas abrangidas	Mais de 100, das quais 34 com mais de 1 000 horas
Áudio multicanal	Mais de 70 % com pelo menos dois canais distintos
Anotações	Transcrições com marcação temporal por palavra, tradução para inglês de mais de metade do conteúdo multilingue
Tamanho e licença	60 To no formato OPUS, CC BY 3.0

Segundo os autores, este volume basta para treinar de raiz um modelo ao nível do Whisper, e a primeira versão, descarregada mais de 2,5 milhões de vezes, serviu para treinar IBM Granite, NVIDIA Canary e Parakeet, bem como OLMoASR da Ai2. Um artigo associado consta das atas da Interspeech 2026.

🔗 YODAS v3 no blogue da Hugging Face

Mistral disponibiliza GLM 5.3 da Z.ai na sua API, com 1M de contexto e um SLA de 99,5 %

26 de setembro — A Z.ai lançou GLM 5.3 em 14 de agosto e abriu os seus pesos no dia 28: a novidade é a sua chegada à API da Mistral, anunciada pela conta @MistralDevs. Em pré-versão pública sob o identificador zai-glm-5-3, o modelo é disponibilizado sem alterações na infraestrutura da Mistral, com 1 milhão de tokens de contexto, 128k de saída, mais de 100 tokens por segundo e um SLA de 99,5 % no nível prioritário (priority tier).

Preço por milhão de tokens	API da Mistral	Together AI (29 de agosto)
Entrada	1,40 dólares	1,40 dólares
Entrada em cache	0,14 dólares	0,26 dólares
Saída	4,40 dólares	4,40 dólares

A Mistral tinha anunciado em 11 de agosto a abertura da sua plataforma a modelos de terceiros, a começar por GLM 5.2, e GLM 5.3 tinha chegado em 21 de setembro ao Vibe Code, como modelo predefinido da aplicação web.

🔗 Anúncio de @MistralDevs · Ficha do modelo

Modelos de decisão abertos: JEV-27B da AutoTrust AI e OpenDecider frente a Jev

Duas publicações da comunidade de 27 de setembro apresentam, sob licença Apache-2.0, modelos de decisão abertos. Estes modelos respondem rapidamente, com uma probabilidade para cada resposta, às pequenas perguntas estruturadas que os agentes fazem: verdadeiro ou falso, escolha entre várias opções, pontuação. Chegam quatro dias depois de Tev1-4B-experimental da Together AI e ambos são comparados com Jev 1.13, o modelo fechado e alojado da TypeSafe AI; os resultados abaixo provêm das medições dos respetivos autores.

JEV-27B da AutoTrust AI: paridade com Jev 1.13 em média, segundo os seus autores

27 de setembro — A AutoTrust AI, que declara não ter qualquer ligação à TypeSafe AI, publica JEV-27B, um modelo aluno destilado a partir de Jev 1.13 com um corpus aberto. O método mantém Qwen3.8-27B congelado e acrescenta-lhe um bloco removível de 108,9 milhões de parâmetros, treinado em cerca de 9,2 horas num B200: o modelo de base permanece intacto, com 78,0 % no HumanEval. Resultados medidos pelos autores em 26 de setembro:

Teste de decisão	JEV-27B	Jev 1.13 (API)
JevBench (conjunto público)	88,70	87,18
Kev	83,75	85,52
OpenJev text	73,89	72,96
Nimble	92,91	91,84
VitaminC	77,46	78,46
MASSIVE-en	87,71	87,14
Média dos seis	84,07	83,85

A sua latência mediana é de 137 ms por decisão num B200. Os autores reconhecem que a paridade só se verifica em média e que o modelo aluno herda os pontos cegos de Jev; anunciam submissões a classificações independentes.

🔗 A publicação da AutoTrust AI

OpenDecider: um nano de 400 milhões de parâmetros à frente de Laya e Jev em typed-decisions

27 de setembro — Manjunath Janardhan publica OpenDecider, uma família de modelos de decisão: um nano com cerca de 400 milhões de parâmetros baseado no codificador Ettin, um small de 4 mil milhões baseado em Qwen3-4B e versões MLX para Mac. São destilados a partir de dois modelos professores abertos, Qwen3-235B e DeepSeek V4.1 Flash, por menos de 30 dólares de GPU.

Modelo avaliado	typed-decisions (2 000)	Decisões gerais inéditas (200)	Erro de calibração
OpenDecider-nano	0,796	0,680	0,092
OpenDecider-small	0,672	0,735	0,087
Laya (checkpoint especializado)	0,766	0,570	0,162
Jev 1.13 (API)	0,754	0,730	0,164

Segundo estas medições do autor, o small iguala Jev em decisões nunca vistas, com um erro de calibração quase duas vezes menor. Jev continua à frente na bateria de aplicações de Laya (0,774), nomeadamente em phishing (0,90 contra 0,63). As previsões e o teste reproduzível foram publicados; os resultados baseiam-se numa única semente.

🔗 A publicação sobre OpenDecider

MiniMax lança M3.1-Flash-Preview no MiniMax Code e no Token Plan, sem benchmarks nem preços da API

27 de setembro — A MiniMax apresenta M3.1-Flash-Preview, em pré-versão, como o seu mais recente modelo de texto. Estreia-se de manhã no MiniMax Code, o seu agente de programação, e chega à noite ao Token Plan, a subscrição da plataforma MiniMax:

MiniMax-M3.1 Flash Preview is now live on the Token Plan! Faster, lighter, and built for teams running high-volume, latency-sensitive workloads, now available under your existing Token Plan subscription, no extra setup required.

🇵🇹 MiniMax-M3.1 Flash Preview já está disponível no Token Plan! Mais rápido, mais leve e concebido para equipas que executam cargas de trabalho de grande volume e sensíveis à latência, está agora acessível na sua subscrição Token Plan atual, sem qualquer configuração adicional. — @MiniMax_AI no X

A MiniMax não publica benchmarks, preços da API, tamanho, janela de contexto nem pesos: as suas notas de versão dos modelos continuam a terminar em 31 de julho.

🔗 A estreia no MiniMax Code, no X

Breves

Copilot CLI lê as regras do Claude Code — Na pré-versão 1.0.89-5 publicada em 27 de setembro (ainda não saiu nenhuma versão estável 1.0.89), o Copilot CLI passa a aceitar os ficheiros de regras do Claude Code guardados em .claude/rules como instruções personalizadas; as notas não especificam o formato reconhecido nem a ordem de prioridade. 🔗 fonte
CLI mistral 0.7.0 — Publicada em 26 de setembro sem anúncio, esta versão da ferramenta de linha de comandos da Mistral acrescenta mistral apps deploy, que implementa uma aplicação na plataforma até à produção, mistral apps publish, que a publica no catálogo Vibe, e mistral evals para avaliações offline. 🔗 fonte
A Agent API da Perplexity passa a GPT-6 — Atualização de 25 de setembro: as predefinições low e medium passam de openai/gpt-5.6-luna para openai/gpt-6-luna, e a predefinição high passa de openai/gpt-5.6-sol para openai/gpt-6-sol; prompts, esforço de raciocínio, ferramentas, orçamentos de tokens e limites de etapas permanecem inalterados. 🔗 fonte
Space Bunny Alpha na OpenRouter — Atualização de 23 de setembro: a OpenRouter lista um modelo furtivo (stealth) gratuito cujo criador não é identificado, com 1 milhão de tokens de contexto e entradas de texto, imagem e vídeo. O fornecedor terceiro que o opera pode guardar prompts e respostas, sem os usar para treino; não há testes oficiais. 🔗 fonte
Um juiz de 4B para os números financeiros — Tony Esposito publica FinCalc-NLI, um conjunto sintético com rótulos calculados por código sobre dez métricas bancárias, e openjev-fincalc-4b, um juiz afinado em 40 minutos num A100 que verifica afirmações numéricas: 94,4 % de acerto em 4 000 casos, contra 63,2 % do melhor juiz aberto testado. 🔗 fonte
Afinar um modelo num Mac com 16 Go — Em dez afinações LoRA, Harshit Kumar Gupta mede PyTorch MPS entre 2,2 e 5,7 vezes mais rápido do que Apple MLX, mas limitado a cerca de 1,5 mil milhões de parâmetros, enquanto MLX em 4 bits acomoda um modelo de 3 mil milhões; o rank LoRA e o otimizador diferiam entre as duas plataformas. 🔗 fonte

O que isto significa

Os dados abertos continuam a ser a infraestrutura discreta dos modelos abertos. Segundo os seus autores, a primeira versão de YODAS serviu para treinar modelos da IBM, NVIDIA e Ai2; a v3 triplica o volume, passa a 48 kHz e a multicanal e mantém a licença CC BY 3.0, o que, ainda segundo eles, permite treinar de raiz um modelo ao nível do Whisper. Os modelos de decisão de hoje seguem a mesma lógica: JEV-27B aprende com um corpus aberto, OpenDecider destila dois modelos professores abertos por menos de 30 dólares, e ambos são lançados sob Apache-2.0.

Um modelo de pesos abertos é vendido como uma entrada de catálogo, e os fornecedores de alojamento distinguem-se pelo serviço. GLM 5.3 custa o mesmo, sem cache, na Mistral e na Together AI: 1,40 dólares por milhão de tokens de entrada e 4,40 dólares por milhão de tokens de saída; a Mistral destaca a entrada em cache, a 0,14 dólares contra 0,26 na Together AI, um débito de mais de 100 tokens por segundo e um SLA de 99,5 %. A Mistral, que acolhe modelos de terceiros desde GLM 5.2, posiciona-se assim tanto como fornecedora de alojamento como criadora de modelos. O modelo também muda nos bastidores da Perplexity: os pedidos feitos através das predefinições da Agent API são agora processados por GPT-6, sem que o programador tenha escolhido o modelo.

Falta saber quem faz as medições. JEV-27B e OpenDecider reivindicam paridade com Jev em testes executados pelos próprios autores; publicam, pelo menos, as suas limitações, as previsões ou um teste reproduzível, e as suas próprias tabelas colocam Jev à frente em várias provas, de VitaminC a phishing. No outro extremo, a MiniMax lança um modelo sem qualquer número verificável: nem benchmarks, nem preços da API, nem janela de contexto. Em ambos os casos, falta uma avaliação independente; a AutoTrust AI anuncia precisamente as suas submissões a classificações independentes.

Tanto na Mistral como na MiniMax, o modelo passa primeiro pelo agente de programação da casa: GLM 5.3 tornou-se, em 21 de setembro, o modelo predefinido do Vibe Code na web antes de chegar à API da Mistral, e M3.1-Flash-Preview estreia-se no MiniMax Code antes do Token Plan. As instruções, por sua vez, começam a circular de um agente para outro: a pré-versão 1.0.89-5 do Copilot CLI lê os ficheiros .claude/rules escritos para o Claude Code, pelo que um mesmo repositório pode orientar os dois agentes com as mesmas regras, pelo menos nesta pré-versão.