A receita da Anthropic deve mais que dobrar no segundo trimestre, atingindo a marca de 10,9 bilhões de dólares. As projeções, divulgadas aos investidores da Anthropic como parte de uma rodada de financiamento em andamento, demonstram a explosão de vendas da empresa desde o início do ano. Seu crescimento de receita trimestral agora supera o da Google e do Facebook no período que antecedeu suas ofertas públicas iniciais. No entanto, a empresa pode não permanecer lucrativa durante todo o ano, já que planeja aumentar os gastos devido à sua vasta necessidade de compute.
Todas as notícias
CEVIU IA
Lançamentos, inovações e pesquisas para profissionais de IA, machine learning e ciência de dados
3050 notícias
Os IPOs esperados da OpenAI e da Anthropic enfrentam desafios devido à redução dos custos da IA e ao aumento da concorrência. Laboratórios americanos e chineses estão produzindo modelos de IA mais baratos e eficientes, ameaçando a fatia de mercado e o poder de precificação dessas empresas. Empresas estão adotando cada vez mais medidas de redução de custos, como "advisor models", e buscando alternativas acessíveis, o que complica a avaliação para os IPOs antecipados.
Novos estudos de escalonamento revelam que não usar filtragem de dados pode ser ideal para o pré-treinamento de modelos grandes em cenários de alto compute e escassez de dados. Modelos com muitos parâmetros não apenas toleram, mas se beneficiam da inclusão de dados de baixa qualidade e dados distratores. Ao contrário das crenças predominantes, filtrar dados de baixa qualidade pode não ser necessário quando há amplos recursos computacionais.
Mishra desmistifica as abstrações dos frameworks TRL, Unsloth e PRIME-RL, revelando que todo sistema de treinamento de agentes se resume ao mesmo ciclo: prompt leva à ação do modelo, que interage com o ambiente, gera recompensa e, por fim, atualiza o gradiente. Ele demonstra isso construindo um agente simples de texto para diagrama, ao estilo tldraw, usando Python puro. Neste sistema, o modelo emite ações JSON, como criar formas e conectá-las, que são validadas por um "canvas". Uma função de recompensa avalia a validade do JSON, conformidade com o esquema, qualidade do layout e cobertura semântica das palavras-chave do prompt.
A Anthropic concordou em pagar à SpaceX quase US$45 bilhões nos próximos três anos por recursos de compute. O pagamento será de US$1,25 bilhão por mês até maio de 2029, com a possibilidade de qualquer uma das partes encerrar o acordo com 90 dias de aviso prévio. As empresas já haviam fechado um acordo este mês para que a Anthropic tivesse acesso a 300 megawatts de capacidade computacional de um grande data center da SpaceX em Memphis, conhecido como Colossus 1. Esta parceria foi expandida para incluir capacidade em um segundo data center da SpaceX.
A OpenAI estaria se preparando para uma possível oferta pública inicial (IPO) já em setembro, após a rejeição do processo judicial de Elon Musk que contestava a estrutura da empresa.
O Kimi K2.6, um modelo de trilhões de parâmetros, demonstrou o desempenho mais rápido já medido para um modelo frontier pela Artificial Analysis, atingindo cerca de 1.000 tokens por segundo.
Seis novos rerankers CrossEncoder Ettin, construídos com os encoders Ettin ModernBERT, foram lançados, oferecendo modelos de 17 milhões a 1 bilhão de parâmetros. Treinados com pointwise MSE distillation a partir de um teacher robusto de 1,54 bilhão de parâmetros, esses modelos proporcionam melhorias significativas na precisão em comparação com modelos legados, ao mesmo tempo que aumentam a velocidade, especialmente com Flash Attention 2. Eles se destacam pela eficiência em sistemas retrieve-then-rerank e superam modelos como o ms-marco-MiniLM-L12-v2 nos benchmarks MTEB e NanoBEIR.
A OpenAI está fortalecendo a proveniência de conteúdo ao implementar os padrões C2PA e a marca d'água SynthID do Google DeepMind para imagens geradas por IA.
A IA, com seu impacto transformador, está projetada para catalisar um influxo massivo de capital para a filantropia. A expectativa é que essa tecnologia crie novas fortunas e oportunidades, direcionando centenas de bilhões de dólares para iniciativas filantrópicas e marcando uma nova era para doações e investimentos sociais.
A nova família de modelos OlmoEarth v1.1 reduz os custos de compute em até 3X, mantendo o mesmo desempenho, tornando o mapeamento em escala planetária mais acessível. Os modelos processam dados de sensoriamento remoto de forma eficiente, otimizando os comprimentos das sequências de token, o que é crucial para diminuir os custos computacionais. As melhorias metodológicas permitem um desempenho similar ao da versão original com significativamente menos compute, beneficiando desenvolvedores e aprimorando a pesquisa científica em sensoriamento remoto.
Oz é um control plane multi-harness para agentes em cloud, com suporte a Claude Code, Codex e Warp Agent. Ele oferece orquestração automática multiagente, Agent Memory inter-harness e controles aprimorados de custo e uso. Além disso, Oz proporciona opções expandidas de self-hosting e recursos de governança aprimorados, simplificando a gestão e a implantação de agentes.
A nova oferta de Capacidade Garantida da OpenAI permite que clientes assegurem acesso de longo prazo a compute para alimentar produtos de IA, agentes e workflows. Clientes podem escolher entre compromissos de um, dois e três anos, com descontos baseados na duração do compromisso. A empresa oferecerá a Capacidade Garantida até esgotar sua alocação atual e planeja oferecê-la novamente no futuro.
A riqueza do HTML permite transmitir informações complexas de forma mais eficaz do que o Markdown, incluindo layouts, tabelas de dados e elementos interativos. Ele melhora a legibilidade ao organizar especificações em documentos bem estruturados e de fácil navegação, além de oferecer melhores capacidades de compartilhamento e interação. O Claude Code utiliza HTML para assimilar eficientemente o contexto de diversas fontes, auxiliando em especificações, prototipagem de design e na criação de interfaces de edição personalizadas com maior engajamento e clareza.
A ideia de uma "meia-vida de modelo", que os lançamentos de modelos de IA se tornariam cada vez mais rápidos, com o tempo de lançamento caindo pela metade a cada seis meses, não se sustenta sob análise. Embora o ritmo de lançamentos tenha de fato acelerado, essa taxa de redução não tem sido sustentada. Este artigo examina as datas de lançamento de vários dos modelos mais conhecidos e apresenta previsões para os próximos lançamentos, buscando um entendimento mais realista do ciclo de inovação.
No I/O 2026, o Google apresentou como os modelos Gemini estão sendo integrados em produtos de consumo, ferramentas criativas e plataformas de desenvolvedores. A empresa também revelou que o uso mensal de token em seus sistemas de IA cresceu para mais de 3,2 quatrilhões.
Andrej Karpathy anunciou sua entrada na Anthropic, afirmando que os próximos anos na "frontier" dos LLMs serão especialmente formativos para seu retorno à pesquisa e desenvolvimento. Karpathy destacou que continua apaixonado por educação e planeja retomar esse trabalho futuramente, sinalizando que a mudança é focada em pesquisa e não um afastamento permanente do ensino.
O Google lançou o Gemini 3.5 Flash, um novo modelo focado em workflows agentic, codificação e execução de tarefas de longo prazo. O lançamento também expandiu o acesso ao Gemini em diversas plataformas, incluindo Busca, ferramentas empresariais, Android Studio e as plataformas de desenvolvedores do Google.
O processo de Elon Musk contra Sam Altman e a OpenAI foi indeferido. Um júri decidiu que Musk esperou tempo demais para entrar com a ação judicial. Musk afirma que planeja recorrer.
Modelos de linguagem (LMs) demonstram mudanças imprevisíveis entre repetição de padrões e exibição de inteligência adaptativa durante o pré-treinamento, um fenômeno chamado "mode-hopping". Esse comportamento não pode ser corrigido por técnicas de otimização padrão e se manifesta como uma competição pela capacidade do modelo, influenciada pelos dados de cada janela de treinamento. Pesquisadores propõem aproveitar essas dinâmicas para selecionar melhor os checkpoints de pré-treinamento, organizar dados para stable generalization e avaliar métricas que prevejam o comportamento dos LMs.
