Claude descobre falhas criptográficas inéditas, Gemini Robotics ER 2 faz vários robôs colaborarem, GPT-5.6 baixa seus preços

30 de julho de 2026 é dominado por dois avanços de pesquisa: Claude Mythos, o modelo interno de pesquisa da Anthropic, descobre falhas criptográficas inéditas em um candidato pós-quântico do NIST e em uma versão enfraquecida do AES, enquanto o Google DeepMind lança o Gemini Robotics ER 2, capaz de fazer vários robôs colaborarem em uma mesma tarefa. Em torno desses dois temas gravitam uma redução de preços na OpenAI para o GPT-5.6, uma adoção simultânea de pull requests empilhados na GitHub e no Devin, vários lançamentos de modelos abertos (Thinking Machines, Sakana AI, LightOn) e uma onda de atualizações do lado dos agentes (Perplexity, Genspark, Gemini).

Claude Mythos descobre falhas criptográficas inéditas (HAWK, AES)

30 de julho — A Anthropic publica uma pesquisa de sua Frontier Red Team mostrando que Claude Mythos Preview, seu modelo interno de pesquisa mais avançado e não comercializado, descobriu falhas matemáticas inéditas em dois algoritmos criptográficos importantes — além dos simples bugs de implementação que Claude já sabia identificar em bibliotecas como OpenSSL. O anúncio foi publicado em 28 de julho no X, e depois detalhado em um artigo de blog completo.

Primeiro resultado: um ataque aprimorado contra HAWK, candidato da terceira rodada do concurso do NIST (o órgão americano de normalização) para assinaturas digitais pós-quânticas. Em 60 horas de trabalho, por um custo de cerca de 100 mil dólares em API, o modelo encontrou um ataque que divide pela metade o tamanho efetivo da chave do HAWK-256 — o custo estimado de um ataque completo passa de 2^64 para 2^38 operações. Segundo resultado: em uma versão de AES-128 reduzida para 7 rounds em 10, uma nova técnica chamada Möbius Bridge (ponte de Möbius) acelera de 200 a 800 vezes os melhores ataques conhecidos, com custo semelhante — o modelo primeiro julgou a tarefa inviável antes de persistir sob o impulso dos pesquisadores, que depois passaram várias centenas de horas validando o resultado.

A Anthropic esclarece que nenhum sistema em produção é afetado: HAWK é apenas um candidato não implantado, e o ataque ao AES se aplica apenas a uma versão enfraquecida da cifra — o AES completo com 10 rounds não foi quebrado. Resultados preliminares também atingem LEA (chave recuperada em menos de uma hora em 13 rounds), Serpent-128 (ataque completo a 6 rounds) e ganhos mais limitados em Salsa20, Poseidon e SHA-1.

Para aprofundar essas pesquisas, a Anthropic se associa à ETH Zurich, à Tel Aviv University e à TU Berlin para construir o CryptanalysisBench, um banco de testes destinado a medir as capacidades de criptoanálise dos modelos.

Alvo criptográfico	Resultado obtido
HAWK-256 (assinatura pós-quântica)	Tamanho efetivo da chave reduzido pela metade (2^64 → 2^38), encontrado em 60 horas
AES-128 reduzido a 7 rounds em 10	Ataque 200 a 800 vezes mais rápido via a técnica Möbius Bridge
LEA reduzido a 13 rounds em 24	Recuperação de chave em menos de uma hora em computador de mesa
Serpent-128 reduzido a 6 rounds em 32	Novo ataque completo de recuperação de chave
Salsa20, Poseidon, SHA-1	Ganhos inferiores a 10 vezes sobre os melhores ataques conhecidos

🔗 Pesquisa completa — Anthropic

O Google DeepMind lança o Gemini Robotics ER 2

30 de julho — O Google DeepMind lança Gemini Robotics ER 2 (Embodied Reasoning, raciocínio incorporado), seu modelo mais capaz para dar aos robôs um cérebro de alto nível. Ele entende o mundo físico, conversa com humanos, planeja tarefas em várias etapas e depois delega a execução motora a um modelo de visão-linguagem-ação de nível inferior; também pode chamar nativamente ferramentas como o Google Search ou funções definidas pelo desenvolvedor.

Em comparação com a versão anterior (ER 1.6), o principal avanço está na compreensão contínua de vídeo: ao observar um fluxo de vídeo ao vivo, um robô pode acompanhar sua própria progressão, se adaptar em caso de erro e saber com precisão quando passar para a etapa seguinte. O Google também introduz a colaboração entre vários robôs: máquinas diferentes (um robô com rodas e um humanoide, por exemplo) comunicam-se por meio de uma compreensão semântica compartilhada para dividir tarefas complexas — demonstrado com os robôs Apollo 2 da Apptronik e Franka F3 Duo, que arrumam uma garagem em dupla.

Em termos de desempenho, o modelo alcança 57,4 % de precisão em classificação de progressão de tarefa e 91,3 % na detecção do momento certo para agir (diferença média de 0,96 segundo), com velocidade de execução 4 vezes superior à de modelos maiores com precisão comparável. Em segurança, o Google afirma que este é seu modelo mais seguro até hoje: ele para corretamente um robô humanoide quando uma pessoa se aproxima e só retoma a atividade quando a área fica desobstruída.

O modelo está disponível a partir de hoje para desenvolvedores via API Gemini e Google AI Studio, com acesso antecipado restrito na plataforma Gemini Enterprise Agent. Uma demonstração com um robô Spot da Boston Dynamics, indo buscar um lanche por comando de voz, também está documentada, com código no GitHub.

Indicador de desempenho	Resultado medido
Classificação de progressão de tarefa	57,4 % de precisão
Detecção do momento certo para agir	91,3 % de precisão, diferença média de 0,96 segundo
Velocidade de execução vs modelos maiores	4 vezes mais rápido

🔗 Anúncio oficial — Google DeepMind

Cursor: os agentes cloud concluem 56 % das pull requests mescladas

30 de julho — O Cursor compartilha um número interno marcante sobre a adoção de seus agentes cloud: em dezembro, apenas 1 pull request mesclada em 10 vinha de um agente cloud; hoje esse número chega a 56 %. A empresa atribui essa progressão ao fato de dar aos agentes sua própria máquina cloud, com a capacidade de corrigir e melhorar eles mesmos seu ambiente de execução — o que lhes permite conduzir tarefas de engenharia mais longas de ponta a ponta.

In December, 1 in 10 of our merged PRs came from cloud agents. Today, it’s 56%, as we use cloud agents to complete longer engineering tasks from start to finish. We got here by giving agents their own cloud computers and letting them fix and improve their environments.

🇵🇹 Em dezembro, 1 PR mesclada em 10 vinha de agentes cloud. Hoje, isso é 56 %, graças ao uso de agentes cloud para concluir tarefas de engenharia mais longas, de ponta a ponta. Chegamos até aqui dando aos agentes seu próprio computador cloud e deixando que corrigissem e melhorassem seus ambientes. — @cursor_ai no X

As pull requests empilhadas entram em prévia no GitHub, e o Devin as adota no mesmo dia

30 de julho — Dois anúncios distintos, no mesmo dia, em torno de um único fluxo de trabalho: dividir uma mudança volumosa em uma série de pull requests menores e revisáveis de forma independente.

O GitHub generaliza as stacked pull requests

O GitHub coloca as stacked pull requests em prévia pública em todos os repositórios. Em vez de uma pull request gigante ou de várias branches a serem rebaseadas manualmente, a mudança é dividida em camadas ordenadas, cada uma revisável por meio de um “stack map” que situa a camada em análise no conjunto, e depois mesclável em uma única operação. Mesclar a camada mais alta faz aterrissar automaticamente tudo o que está abaixo; mesclar uma camada intermediária faz rebase e retarget automáticos das camadas que permanecem abertas, sem perder as proteções de branch existentes. O recurso está disponível via github.com, a CLI (extensão gh-stack), o aplicativo móvel e diretamente a partir de um agente de codificação como o GitHub Copilot graças à competência dedicada gh-stack.

🔗 Stacked pull requests — GitHub

O Devin (Cognition) passa a suportá-las nativamente

No mesmo dia, o Devin, o agente de engenharia de software da Cognition, anuncia suporte nativo às stacked PRs do GitHub: decompor grandes mudanças em diffs menores, tratar e corrigir comentários de revisão ao longo de toda a pilha e fazer rebase automático das mudanças a jusante quando uma camada evolui. A adoção simultânea, do lado da plataforma e do lado do agente, mostra que esse novo modelo de revisão se instala diretamente nos fluxos de trabalho conduzidos por agentes autônomos, e não apenas para desenvolvedores humanos.

🔗 Devin — anúncio da Cognition

Amp Labs assina uma parceria com o banco Westpac

29 de julho — Amp Labs, a divisão de serviços/consultoria da Amp (o spin-off independente da Sourcegraph), anuncia uma parceria com Westpac, um dos bancos australianos mais antigos — uma empresa com mais de dois séculos de história. O objetivo: transformar a maneira como o banco constrói e entrega sua tecnologia, especialmente a migração e a modernização de sistemas de dados usados por milhões de pessoas. Uma equipe dedicada vai trabalhar presencialmente em Sydney, ao lado dos engenheiros da Westpac. O artigo apresenta a equipe fundadora do projeto — vinda de Block, Ethereum Foundation, Google e Canva — e abre uma contratação local em Sydney. Essa parceria ilustra o fortalecimento das ofertas de serviço em torno dos agentes de codificação, para além da simples assinatura de software: a Amp Labs agora vende uma presença humana no local, apoiada por seu agente.

🔗 Anúncio — Amp Labs x Westpac

Queda dos preços da API do GPT-5.6, modo Fast para o Sol

30 de julho — Com base nos ganhos de eficiência obtidos na véspera (GPT-5.6 Sol otimizou por conta própria seus kernels de produção, já cobertos), a OpenAI reduz os preços da API do GPT-5.6 Luna, seu modelo mais rápido e mais barato, em 80 %, e do GPT-5.6 Terra, seu modelo equilibrado para uso comum, em 20 %. Essas reduções também se refletem no consumo de créditos das assinaturas Codex e ChatGPT Work, sem alteração das cotas nem dos preços de assinatura.

A OpenAI também introduz um modo Fast na API, que substitui a oferta Priority Processing: para o GPT-5.6 Sol, ele oferece até 2,5 vezes a velocidade do processamento padrão, ao dobro do preço, sem alteração de inteligência. As requisições existentes marcadas como “priority” passam automaticamente para esse novo modo. Vários clientes empresariais são citados em depoimentos, incluindo Replit, Notion, Ramp, Blitzy, Cognition e Dust.

Modelo e modo	Preço a partir de 30 de julho
GPT-5.6 Terra (entrada / saída)	2 dólares e 12 dólares por milhão de tokens
GPT-5.6 Luna (entrada / saída)	0,20 dólar e 1,20 dólar por milhão de tokens
GPT-5.6 Sol, modo Fast	Até 2,5 vezes mais rápido, pelo dobro do preço

GPT‑5.6 Luna is the closest we’ve come to intelligence too cheap to meter. I’ve never seen a model this affordable be this powerful — it’s unlocking use cases for Replit we didn’t expect to build for a long time.

🇵🇹 GPT-5.6 Luna é o que mais se aproxima de uma inteligência barata demais para ser medida. Nunca vi um modelo tão acessível ser tão poderoso — isso desbloqueia para a Replit casos de uso que não pensávamos conseguir construir tão cedo. — Michele Catasta, presidente e Head of AI, Replit — citado pela OpenAI

Dois ajustes de API triplicam as pontuações do GPT-5.6 Sol no ARC-AGI-3

29 de julho — A OpenAI publica uma análise sobre as pontuações inicialmente baixas do GPT-5.6 Sol (7,8 %) e do GPT-5.5 (0,4 %) no benchmark de puzzles 2D ARC-AGI-3, embora o Sol também tenha resolvido problemas abertos de matemática e derrotado jogos eletrônicos complexos. A investigação mostra que o harness oficial do benchmark remove o raciocínio privado do modelo após cada ação e trunca seu histórico com uma janela deslizante, o que o impede de se lembrar de seus pensamentos e ações anteriores.

Ao reconstruir o harness com a Responses API da OpenAI (a usada em produção no ChatGPT e no Codex), ativando a preservação do raciocínio e a compactação em vez da truncagem, a pontuação do GPT-5.6 Sol no conjunto público passa de 13,3 % para 38,3 %, com 6 vezes menos tokens de saída — para uma referência humana estimada em 48 %. A OpenAI tira daí uma recomendação geral: usar a Responses API em vez da antiga Chat Completions API para obter avaliações representativas de uso real.

Configuração testada	Pontuação obtida (ARC-AGI-3)
Harness oficial do benchmark	13,3 %
Raciocínio preservado e compactação	38,3 % (6 vezes menos tokens de saída)
Referência humana estimada	48 %

🔗 Análise completa — OpenAI

GitHub Copilot no Visual Studio: balanço de julho

30 de julho — O GitHub publica seu informe mensal sobre GitHub Copilot no Visual Studio 2026, com quatro novidades. Um novo Agent (Preview) aparece no seletor do Copilot Chat, construído sobre o mesmo Copilot SDK que alimenta o GitHub Copilot CLI — promessa de respostas mais curtas e de tarefas concluídas com menos idas e vindas. Competências integradas .NET e Azure, escritas pelas equipes internas correspondentes, aparecem automaticamente na categoria “Built-in” do seletor de ferramentas assim que as workloads relevantes são instaladas (desativadas por padrão). Uma função Review Selection permite selecionar código, clicar com o botão direito e então obter comentários inline acionáveis. Por fim, instruções personalizadas no nível da organização permitem que os proprietários da organização definam preferências compartilhadas aplicadas automaticamente a todos os repositórios — reservadas aos planos Business e Enterprise, enquanto as outras três novidades estão disponíveis em todos os planos.

🔗 Balanço de julho — GitHub Copilot no Visual Studio

Genspark apresenta SecondBrain, memória persistente para AI Workspace 6.0

29 de julho — A Genspark destaca, por meio de uma intervenção na mídia de sua COO Wen Sang, um recurso chamado SecondBrain dentro do AI Workspace 6.0 (já lançado em 20 de julho). A abordagem escolhida: o « problema de memória » dos agentes de IA, que esquecem o contexto de um projeto de uma sessão para outra. Com a autorização explícita do usuário, o SecondBrain se conecta aos emails, ao calendário, ao histórico de conversas, às notas de reunião e a ferramentas externas (Gmail, Slack, Notion, HubSpot, Microsoft 365…) para constituir uma camada de contexto pessoal aproveitável pelo Super Agent da Genspark. Vários usos concretos são documentados: resumo semanal automático, briefing antes de reuniões com o contexto dos participantes, ou pesquisa transversal em todas as fontes conectadas. A Genspark distingue este software do produto SecondBrain Note, uma caixa de gravação física vendida separadamente, que é apenas um canal de entrada opcional entre outros.

🔗 SecondBrain — anúncio da Genspark

Perplexity lança Projects, evolução de Spaces no Computer

30 de julho — A Perplexity substitui os « Spaces » por Projects no Computer, seu ambiente de orquestração de agentes: espaços de trabalho persistentes para trabalho de longo prazo, com sistema de arquivos compartilhado e hierárquico sobre o qual as tarefas sucessivas podem se apoiar sem recomeçar do zero. Os Projects se conectam ao Brain, o sistema de memória autoaperfeiçoável do Computer, que relê entre as tarefas os arquivos e sessões do Project para que cada nova tarefa comece com o contexto acumulado. O aspecto colaborativo é destacado: vários membros de uma equipe podem trabalhar em um mesmo Project mantendo sua memória pessoal e seus conectores isolados em sua própria conta. A Perplexity afirma haver conexão possível com mais de 400 ferramentas (Google Drive, Notion, Linear, Snowflake, GitHub), além de integração com Slack e Microsoft Teams. Os Spaces existentes migram automaticamente; disponível a partir de hoje para todos os usuários do Computer.

🔗 Spaces vira Projects — Perplexity

Gemini Spark integra o Chrome e se expande para 160+ países

30 de julho — O Google amplia o Gemini Spark, seu assistente de automação de tarefas web, com uma integração direta ao Chrome chamada Chrome auto browse. Com a autorização do usuário, o Spark agora pode se apoiar nas contas conectadas e nas senhas salvas do navegador para realizar tarefas tediosas — agendar visitas a apartamentos salvos ou pesquisar voos e iniciar uma reserva. O Google esclarece que essas ações estão protegidas contra tentativas de prompt injection e que etapas sensíveis como pagamentos são sistematicamente devolvidas ao usuário para validação. A funcionalidade começa nos Estados Unidos, com expansão prevista para outras regiões. Em paralelo, o acesso ao Spark se amplia para assinantes do Google AI Pro em mais de 160 países adicionais a partir de hoje — uma expansão muito mais ampla do que a de 23 de julho, limitada aos Estados Unidos.

🔗 Atualizações do Gemini Spark — Google

Nano Banana chega ao Google Earth

30 de julho — O Google Earth agora integra Nano Banana 2, o modelo de geração de imagens do Google, diretamente em sua interface web. Basta aproximar o zoom de um local, clicar em « create image » e descrever o que se deseja visualizar: o modelo gera uma imagem ancorada na imagem real do local (vistas de satélite, aéreas e 3D), e não uma cena genérica. O artigo detalha cinco usos concretos: reconstituir um sítio histórico (as ruínas de Pompeia como eram em 78 d.C.), criar infográficos educativos sobre um local, produzir planos de projetos imobiliários ou urbanísticos, visualizar um projeto de construção antes das obras, ou simplesmente reimaginar um lugar de forma fantasiosa. A funcionalidade está disponível a partir de hoje, globalmente, para todos os usuários do Google Earth na web, sem restrição geográfica nem faixa de assinatura específica.

🔗 Nano Banana no Google Earth — Google

ElevenLabs lança Character Casting em ElevenCreative Audiobooks

30 de julho — A ElevenLabs lança Character Casting dentro do ElevenCreative Audiobooks, sua suíte de produção de audiolivros por IA. A funcionalidade permite importar um manuscrito completo e, em seguida, pré-visualizar diferentes vozes diretamente em diálogos reais do texto, para atribuir uma voz distinta a cada personagem. O objetivo é simplificar o casting vocal, uma etapa até agora manual e demorada na produção de audiolivros gerados por IA — o estúdio agora ajusta a voz com base em falas efetivamente proferidas no livro, em vez de um texto de demonstração genérico.

🔗 Character Casting — ElevenLabs

Inkling-Small: Thinking Machines publica, NVIDIA acompanha no mesmo dia

30 de julho — A Thinking Machines (o laboratório de Mira Murati) lança Inkling-Small, uma versão compactada de Inkling: 276 bilhões de parâmetros no total, 12 bilhões ativos, quantização NVFP4, para desempenhos comparáveis ao Inkling — quatro vezes maior — com melhores resultados em código segundo o Hugging Face. Os pesos completos são publicados em acesso livre, com fine-tuning possível via Tinker e teste no Tinker Playground (texto, imagem, áudio). O Hugging Face amplia o lançamento no mesmo dia com um blog dedicado a benchmarks e desempenho, e uma coleção de modelos no Hub.

A NVIDIA enriquece o lançamento no mesmo dia ao anunciar a compatibilidade do Inkling-Small com NVIDIA NeMo no DGX Station, para fine-tuning, além de um checkpoint dedicado ao formato NVFP4 publicado diretamente no Hugging Face. Esse suporte de hardware disponível desde o lançamento (day-0) ilustra a velocidade com que o ecossistema agora se coordena em torno de um modelo aberto de terceiros: o laboratório publica os pesos, o Hugging Face documenta o desempenho, e a NVIDIA garante a compatibilidade de sua infraestrutura de fine-tuning — tudo em um único dia.

Característica técnica	Valor medido
Parâmetros totais / ativos	276 bilhões / 12 bilhões
Quantização	NVFP4
Compatibilidade de hardware day-0	NVIDIA NeMo no DGX Station

🔗 Lançamento — Thinking Machines no X

🔗 Suporte NeMo/DGX — NVIDIA no X

Sakana AI e NYU publicam Dream-Cubed, dataset e modelos para Minecraft

29 de julho — A Sakana AI publica, com a Universidade de Nova York (NYU), Dream-Cubed : Controllable Generative Modeling in Minecraft by Training on Billions of Cubes. A contribuição é dupla: um vasto conjunto de dados de mundos Minecraft (dezenas de bilhões de « cubes » provenientes de terrenos procedurais e de mapas construídos por humanos com seu consentimento) e uma família de transformers treinados nesses cubes como unidade de tokenização, à semelhança das palavras na modelagem de linguagem. Os modelos permitem gerar e editar em tempo real ambientes 3D interativos em resolução de cube, com inpainting direcionado, outpainting em grande escala e geração condicionada pelo usuário, em mundos de tamanho arbitrário. O conjunto de dados, o código de treinamento e o artigo são publicados em acesso livre.

🔗 Anúncio — Sakana AI no X

Together AI e Y Combinator lançam um cluster GPU dedicado para as startups da YC

30 de julho — A Together AI e a Y Combinator anunciam uma parceria que entrega o primeiro cluster GPU dedicado ao portfólio de startups da YC. O objetivo: eliminar o principal gargalo das jovens startups de IA — o acesso ao compute — sem forçá-las a garantir contratos de compute de vários anos que muitas vezes ultrapassam sua tesouraria total. As startups do portfólio da YC podem reservar, provisionar e gerenciar seus próprios GPUs por meio do portal self-service da Together AI, para necessidades pontuais de inferência e treinamento, sem compromisso de longo prazo, beneficiando-se ao mesmo tempo das tarifas normalmente reservadas a contratos de longo prazo. No mesmo dia, a Together AI destaca um primeiro uso concreto: a startup Osmosis_AI, que explora se um modelo open source pode atingir o nível de um foundation model graças ao reinforcement learning, treinada nesse cluster.

🔗 Cluster GPU dedicado da YC — Together AI

LightOn publica mDenseOn & mLateOn no blog Hugging Face

30 de julho — O laboratório francês LightOn AI publica, no blog Hugging Face, a coleção mDenseOn & mLateOn: modelos de retrieval de vetor único e multi-vetores, além dos datasets associados, especializados em busca multilíngue, contexto longo e busca de código — 18 itens no total, publicados em pesos abertos. Essa publicação segue o mesmo padrão da divulgação da LiquidAI (LFM2.5-Encoders) em 28 de julho: um laboratório terceiro usa o blog Hugging Face como canal oficial de lançamento, com a ficha do modelo e a coleção hospedadas diretamente no Hub.

🔗 mDenseOn & mLateOn — blog Hugging Face

Breves

Cognition atualiza FrontierCode 1.1 — com os novos descontos de preço do GPT-5.6 Terra e Luna (ver acima), a série agora se posiciona na curva de Pareto custo/desempenho. 🔗 fonte
Hugging Face lança Trackio Logbooks — a versão 0.34.0 do Trackio captura automaticamente o código, os traces de agentes e os artefatos de uma experiência de IA na forma de bundle HTML estático reproduzível. 🔗 fonte
Antigravity CLI chega à versão 1.1.8 — formatos de saída estruturada (json, stream-json) para o modo print, validação por esquema JSON personalizado e permissões aprimoradas para comandos compostos. 🔗 fonte
GitHub Models é oficialmente descontinuado — playground, catálogo de modelos, API de inferência e BYOK não estão mais acessíveis a nenhum cliente; o GitHub redireciona para Microsoft Foundry ou GitHub Copilot. 🔗 fonte
GitHub restringe o controle remoto a dispositivos gerenciados — novo parâmetro empresarial remoteControl (requireSSO / disabled / enabled) para sessões Copilot em controle remoto, implantável via repositório privado, MDM ou arquivo de configuração. 🔗 fonte
Kimi K3 (Max) assume a liderança do ranking Fullstack Code Arena — à frente de GPT-5.6 Sol (xHigh) e Claude Fable 5, mais um sinal de que os modelos abertos estão alcançando os modelos fechados em tarefas de desenvolvimento completo (ver Inkling-Small acima). 🔗 fonte

O que isso significa

A pesquisa fundamental sai do laboratório. Claude Mythos encontra falhas inéditas em um candidato pós-quântico do NIST e em uma versão enfraquecida do AES — um avanço de pesquisa, não uma falha explorável em produção, mas que ilustra a velocidade com que um modelo de pesquisa interno pode avançar em um campo que humanos estudam há décadas. No mesmo dia, o Gemini Robotics ER 2 faz a robótica incorporada passar de um único robô obedecendo instruções para várias máquinas que se coordenam entre si para uma tarefa compartilhada. O Google Earth também ancora a geração de imagens no mundo real: Nano Banana já não desenha uma cena genérica, mas uma reconstituição ou projeção a partir da imagem de satélite de um lugar específico — enquanto o Gemini Spark, via Chrome, passa do texto para a ação concreta na web real do usuário. Quatro formas distintas, neste 30 de julho, de fazer a IA deixar o terreno puramente conversacional.

A economia da inferência continua a se voltar a favor dos desenvolvedores. A OpenAI reduz os preços da API do GPT-5.6 Luna em 80% e do Terra em 20%, ao mesmo tempo em que introduz um modo Fast duas vezes mais caro, mas 2,5 vezes mais rápido — duas maneiras opostas de alinhar o preço ao uso real. No mesmo dia, uma análise da OpenAI mostra que uma simples mudança na configuração da API (reasoning preservado, compaction) triplica a pontuação do GPT-5.6 Sol no ARC-AGI-3 enquanto divide por seis o consumo de tokens de saída — o desempenho de um modelo depende tanto do harness que o executa quanto do próprio modelo. A Cognition tira disso uma consequência imediata ao atualizar seu próprio benchmark FrontierCode: com os novos descontos, o GPT-5.6 se encontra na curva de Pareto custo/desempenho.

Os modelos abertos continuam alcançando os modelos fechados. A Thinking Machines publica o Inkling-Small com suporte de hardware NVIDIA disponível desde o lançamento; Sakana AI e NYU abrem um dataset e modelos generativos para Minecraft; a LightOn publica sua coleção de modelos de busca de informação multilíngue — três laboratórios distintos escolhendo o mesmo canal, o blog Hugging Face, para lançar e documentar seus trabalhos no mesmo dia. Kimi K3 (Max), já na liderança do ranking Agent Arena, também assume a primeira posição do ranking Fullstack Code Arena, à frente de GPT-5.6 Sol e Claude Fable 5. E a Together AI, com a Y Combinator, ataca o que continua sendo o verdadeiro gargalo desse ecossistema: o acesso ao compute, ao entregar um cluster GPU dedicado às startups de IA do portfólio da YC sem obrigá-las a compromissos plurianuais.

A industrialização dos agentes de código acelera. Na Cursor, a parcela de pull requests mescladas vindas de agentes na nuvem passou de 10% em dezembro para 56% hoje. O GitHub generaliza em prévia pública os stacked pull requests, e o Devin (Cognition) passa a suportá-los nativamente no mesmo dia — um mesmo fluxo de revisão adotado simultaneamente do lado da plataforma e do agente. A Amp Labs, por sua vez, agora vende também presença humana em campo (uma equipe no local em Sydney para a Westpac) além de seu agente, enquanto o GitHub amplia o Copilot no Visual Studio com um novo agente baseado em seu SDK. Genspark e Perplexity avançam sobre um problema relacionado, o da memória: SecondBrain e Projects dão a seus agentes um contexto persistente entre sessões, condição para executar tarefas longas sem recomeçar do zero a cada vez.