Anthropic descobre um espaço de trabalho global nos LLMs (J-space), Runway abre um hub de physical AI em Paris, Claude Code explica os loops agentivos

Este 6 de julho marca um dia denso entre interpretabilidade fundamental e infraestrutura física: Anthropic publica uma pesquisa sobre o J-space, espaço de trabalho global descoberto nos LLMs, que remete às teorias neurocientíficas da consciência; Runway anuncia seu primeiro escritório na França com 30 M USD investidos em pesquisa em physical AI; e a equipe Claude Code documenta finalmente os quatro tipos de loops agentivos que estruturam os workflows autônomos. No lado open source, LeRobot v0.6.0 e a parceria Google DeepMind × Apptronik уточam a anatomia da IA robótica em 2026.

Pesquisa Anthropic — O J-space, espaço de trabalho global nos LLMs

6 de julho — Anthropic publica em transformer-circuits.pub uma nova pesquisa de interpretabilidade: os LLMs possuem um mecanismo análogo ao espaço de trabalho global (global workspace) descrito pelas neurociências cognitivas — uma zona de informação ativa, consciente, acessível ao raciocínio. Esse mecanismo, chamado J-space, emerge naturalmente nos modelos de linguagem sem ter sido explicitamente projetado.

A pesquisa estabelece que, assim como o cérebro humano só torna acessível à consciência uma fração de sua atividade neuronal, os LLMs concentram seu raciocínio ativo nesse espaço restrito. Essa descoberta tem três implicações concretas:

Ler sobre o que Claude está raciocinando ativamente em um dado momento
Auditar os estados intermediários do raciocínio
Orientar o processo de pensamento do modelo durante sua execução

O fio no X da Anthropic menciona uma demo interativa disponível via Neuronpedia em modelos open-weights, permitindo explorar o J-space diretamente. A pesquisa se insere no programa de interpretabilidade mecanística da Anthropic (mechanistic interpretability), que visa entender as representações internas dos modelos para garantir sua confiabilidade à medida que ganham capacidade.

New Anthropic research: A global workspace in language models. Of everything happening in your brain right now, only a tiny fraction is consciously accessible—thoughts you can describe, hold in mind, and reason with. We found a strikingly similar dynamic inside language models. The J-space lets us read, audit, and shape what Claude is actively thinking about—useful tools for keeping models trustworthy as they grow more capable. And it suggests surprising parallels between language models and our own minds.

🇵🇹 Nova pesquisa da Anthropic: um espaço de trabalho global nos modelos de linguagem. De tudo o que acontece no seu cérebro neste momento, apenas uma ínfima fração é conscientemente acessível — os pensamentos que você pode descrever, manter na cabeça e sobre os quais raciocinar. Descobrimos uma dinâmica surpreendentemente semelhante nos modelos de linguagem. O J-space nos permite ler, auditar e orientar sobre o que Claude está pensando ativamente — ferramentas úteis para manter a confiabilidade dos modelos à medida que eles ganham capacidade. E isso sugere paralelos surpreendentes entre os modelos de linguagem e as nossas próprias mentes. — @AnthropicAI no X

🔗 Paper completo — transformer-circuits.pub

Runway abre seu primeiro escritório na França, em Paris

6 de julho — Runway anuncia a abertura de seu primeiro escritório francês em Paris, dedicado à pesquisa em world models (modelos de mundo) e em physical AI (IA física). Esse hub faz parte da expansão europeia da Runway, seis semanas após a abertura de seu primeiro escritório em Londres.

Elemento	Detalhe
Local	Paris, França
Equipe inicial	10 pessoas
Investimento	30 M USD
Foco	World models, physical AI
Recrutamento	Paris + Europa

“France has one of the deepest concentrations of AI research talent in the world. We’re excited to plant a flag in Paris as we continue to grow our global research presence.”

🇵🇹 « A França possui uma das concentrações mais profundas de talentos em pesquisa de IA do mundo. Estamos entusiasmados em fincar nossa bandeira em Paris enquanto continuamos a expandir nossa presença global em pesquisa. » — Anastasis Germanidis, co-CEO, Runway

O co-CEO cita a densidade de talentos oriundos das grandes instituições francesas de pesquisa e o apoio do governo como fatores determinantes. A Runway está recrutando ativamente em Paris e em toda a Europa. O investimento de 30 M USD posiciona Paris como um centro de pesquisa fundamental, complementar ao hub londrino voltado para a comercialização.

🔗 Anúncio oficial da Runway

Claude Code — Guia sobre os quatro tipos de loops agentivos

6 de julho — A equipe Claude Code publica via @ClaudeDevs um guia aprofundado, já visto 316 000 vezes, sobre a concepção de loops agentivos. O guia parte de uma definição precisa: um loop é um agente que repete ciclos de trabalho até que uma condição de parada seja atingida.

Tipo de loop	Disparador	Condição de parada	Primitivo Claude Code	Caso de uso típico
Turno a turno (turn-based)	Prompt do usuário	Claude julga a tarefa concluída	Agentic loop	Tarefas curtas e exploratórias
Orientado a objetivo (goal-based)	Prompt + critério explícito	Critério atingido ou número máximo de turnos	`/goal`	Tarefas com critério de saída verificável
Temporal (time-based)	Intervalo temporal	Cancelamento ou fim do trabalho	`/loop`, `/schedule`	Trabalho recorrente ou sistemas externos
Proativo (proactive)	Evento ou schedule sem humano	Fim de cada subtarefa	Dynamic workflows + modo auto	Fluxos de trabalho recorrentes bem definidos

Exemplos concretos dados no guia: /goal get the homepage Lighthouse score to 90 or above, stop after 5 tries (goal-based), /loop 5m check my PR, address review comments, and fix failing CI (time-based). O guia aborda também a gestão da qualidade do código em loops longos (SKILL.md para auto-verificação, segundo agente para revisão) e o controle do uso de tokens (escolha do modelo adequado, critérios de parada claros).

🔗 Thread @ClaudeDevs — Começando com loops

Governo de Alberta — 466 milhões de linhas auditadas em 20 horas

6 de julho — Anthropic publica um caso de uso detalhado do governo de Alberta (Canadá): desde 2025, a província usa Claude Code com os modelos Opus e Sonnet para auditar a segurança de seus sistemas de informática governamentais. Os resultados são impressionantes.

Métrica	Valor
Linhas de código examinadas	466 milhões
Duração da varredura	20 horas
Agentes paralelos	~50 (Opus + Sonnet)
Aplicações cobertas	1 280
Repositórios cobertos	3 400
Ministérios envolvidos	27
Controles de segurança por passagem	~95

A arquitetura se baseia em dois tipos de agentes construídos com o Claude Agent SDK: um agente de « equipe vermelha » (red team) que investiga as aplicações como um atacante, e um agente de « equipe azul » (blue team) que avalia as defesas segundo um padrão internacional de segurança e redige o plano de remediação. Um portal de subsídios Java com 25 anos foi reconstruído em 4 a 5 dias (contra 5 meses originalmente). Alberta publica white papers técnicos para que outros governos possam reproduzir a abordagem.

🔗 Case study — anthropic.com

Sakana AI lança Sakana Translate — tradução JA/EN/ZH em tempo real

6 de julho — Sakana AI, laboratório de Tóquio especializado em redes neurais bioinspiradas, lança Sakana Translate, integrado ao seu serviço Sakana Chat. A ferramenta oferece tradução bidirecional japonês ↔ inglês ↔ chinês com três modos distintos:

Modo	Funcionamento
Translate	Tradução longa em tempo real
Proofread	Refina o tom e a formulação com controle de alterações
Ask	Esclarece escolhas de palavras nuançadas

Esse lançamento marca a entrada da Sakana AI nas ferramentas de tradução para o grande público, com um posicionamento deliberadamente voltado às três grandes línguas do leste asiático. O serviço está acessível em translate.sakana.ai.

🔗 Tweet da Sakana AI

HuggingFace LeRobot v0.6.0 — world models, reward models, 9 famílias de benchmarks

5-6 de julho — HuggingFace publica o LeRobot v0.6.0 sob o título « Imagine, Evaluate, Improve », uma versão que estrutura o aprendizado robótico em três eixos complementares.

Políticas com modelo de mundo:

Política	Descrição
VLA-JEPA	VLA compacto (Qwen3-VL-2B) que prevê o futuro no espaço latente
LingBot-VA	Modelo vídeo-ação autorregressivo que prevê vídeo futuro e ações simultaneamente
FastWAM	Avalia se a imaginação na inferência melhora realmente o desempenho

Novos VLAs integrados: GR00T N1.7 (NVIDIA), MolmoAct2 (Allen AI, inferência ~12 GB), EO-1, Multitask DiT, EVO1 (0,77 bi parâmetros).

Modelos de recompensa: Robometer (zero-shot em qualquer dataset LeRobot) e TOPReward (usa Qwen3-VL como juiz).

Os benchmarks passam agora a cobrir 9 famílias: LIBERO, Meta-World, NVIDIA IsaacLab-Arena e 6 novas. A infraestrutura ganha o CLI lerobot-rollout para implantação com estratégia DAgger, o suporte FSDP para treinar modelos maiores do que a memória GPU disponível e o HF Jobs para treinamento em nuvem em uma linha de comando.

🔗 LeRobot v0.6.0 — HuggingFace Blog

Google DeepMind × Apptronik — Robot Park ampliado, dados Apollo 2 para Gemini Robotics

6 de julho — Google DeepMind anuncia a expansão de sua parceria de pesquisa com a Apptronik. Por ocasião da ampliação do Robot Park da Apptronik, os dados coletados em condições reais pela plataforma humanóide Apollo 2 alimentarão diretamente o treinamento do Gemini Robotics.

Elemento	Detalhe
Parceiro	Apptronik (Robot Park ampliado)
Plataforma	Apollo 2 (robô humanóide)
Uso	Dados reais → treinamento Gemini Robotics

Esse anúncio ilustra a estratégia do Google DeepMind: ancorar a IA robótica em dados de campo em vez de simulações, apoiando-se em robôs humanóides físicos implantados em ambientes reais.

🔗 Tweet @GoogleDeepMind

Breves

Kimi K2.7 Code vs Claude Fable 5 — landing pages com -94 % de custo — Together AI publica uma comparação: 12 landing pages geradas, Kimi K2.7 Code custa cerca de 4 centavos por página contra 1,09 USD para Fable 5 (16× mais barato em média), para scores GPT-5.5 com diferença de 4 a 12 pontos conforme as páginas. A vantagem do Kimi é ampliada com um servidor MCP de referências visuais. 🔗 Blog da Together AI

O que isso significa

A interpretabilidade passa do laboratório para a ferramenta de supervisão. A descoberta do J-space pela Anthropic não é um resultado acadêmico isolado: é a primeira vez que um mecanismo interno dos LLMs pode ser lido, auditado e orientado em tempo real, sem modificar o modelo. Se as ferramentas de supervisão baseadas nessa pesquisa se tornarem operacionais, elas mudariam fundamentalmente a forma de verificar o que um agente autônomo está planejando — o que interessa tanto às equipes de segurança quanto aos desenvolvedores que depuram workflows agentivos.

O physical AI se instala na Europa via Paris. A abertura do escritório parisiense da Runway, combinada com o LeRobot v0.6.0 da HuggingFace e com a parceria Google DeepMind × Apptronik, desenha um ecossistema coerente em torno do physical AI: modelos que imaginam suas ações antes de executá-las (world model policies), dados reais de robôs humanóides para treinamento e infraestrutura em nuvem para democratizar o acesso. A Runway escolhe Paris pela densidade de pesquisa fundamental — um sinal sobre a geografia futura desse campo.

A IA agentiva entra em produção governamental. O caso de Alberta não é um piloto: 466 milhões de linhas examinadas em 20 horas por 50 agentes paralelos, 1 280 aplicações e 27 ministérios cobertos, white papers publicados para outros governos. Combinado com o guia Claude Code sobre loops, que documenta os primitivos /goal, /loop, /schedule para workflows totalmente autônomos, é o sinal de que a IA agentiva agora é suficientemente confiável para ser implantada em sistemas críticos — com arquiteturas multiagentes supervisionadas.

A equação custo-qualidade está mudando. A comparação Kimi K2.7 Code vs Fable 5 publicada pela Together AI materializa uma tensão estrutural: para tarefas de alta frequência (geração de páginas, workflows repetitivos), modelos open-weight bem otimizados reduzem o custo em um fator 16 para uma diferença de qualidade medida em menos de 10 %. Isso não significa que os modelos fechados percam valor, mas que sua vantagem está cada vez mais concentrada em tarefas em que a qualidade marginal realmente importa.