Laguna XS.2 e Laguna M.1 são modelos de codificação baseados em agentes, projetados para tarefas de longo prazo. O Laguna M.1 serve como a base para a família de modelos Laguna, enquanto o Laguna XS.2 é um modelo significativamente menor, mas ainda assim notavelmente capaz para seu tamanho. Ambos os modelos estão disponíveis gratuitamente por tempo limitado via API da Poolside e na plataforma OpenRouter. Os pesos do Laguna XS.2 foram liberados sob uma licença Apache 2.0.
Todas as notícias
CEVIU IA
Lançamentos, inovações e pesquisas para profissionais de IA, machine learning e ciência de dados
3078 notícias
O Nemotron 3 Nano Omni da NVIDIA é um novo modelo multimodal projetado para análise de documentos, áudio e vídeo, alcançando precisão de ponta em benchmarks como MMlongbench-Doc e VoiceBench. Sua arquitetura híbrida Mamba-Transformer é integrada com codificadores especializados para visão e áudio, permitindo o processamento eficiente em contextos multimodais extensos. Este modelo aprimora significativamente o throughput e a velocidade de raciocínio para diversas aplicações práticas, incluindo análise de documentos, reconhecimento automático de fala e compreensão de vídeo.
Alega-se que o CFO da OpenAI não se reporta ao CEO e, segundo relatos, tem sido excluído de discussões financeiras sobre a aquisição de servidores. A empresa assumiu enormes obrigações de infraestrutura, mas o CFO e o conselho estão incertos se esses compromissos poderão ser financiados. Esses fatores, somados ao cronograma apertado para o IPO, tornam improvável que a OpenAI consiga abrir seu capital este ano.
A Anthropic aprimorou a compreensão de inputs do Claude Opus 4.7 com um novo tokenizer. Embora o preço do modelo não tenha sido alterado, os mesmos inputs agora custam mais do que nos modelos anteriores. Os custos aumentaram entre 12% a 27%, exceto para prompts curtos, que, na verdade, se tornaram mais eficientes em termos de custo.
Fornecer ferramentas de busca básicas a agentes resulta em respostas de melhor qualidade. Incentivar o agente a explorar mais gera melhorias adicionais. Modelos de busca agentic conseguem identificar como apresentar resultados relevantes, contudo, os dados de treinamento continuam a ditar os pontos fortes desses modelos. Modelos de linguagem grandes (LLMs) não conseguem avaliar o que desconhecem, e ainda não há uma maneira efetiva de compensar essa lacuna de conhecimento.
O novo modelo de IA da Meta, Muse Spark, sinaliza uma mudança em sua estratégia de IA, migrando do open-source para acesso pago, com o objetivo de impulsionar seu negócio de publicidade e competir no crescente mercado de IA. Analistas demonstram otimismo cauteloso, destacando os testes internos e investimentos da Meta, apesar de a empresa ainda estar atrás de players de ponta como o Claude da Anthropic. A redução de força de trabalho da Meta e as contratações estratégicas refletem seu foco intensificado em avanços e infraestrutura de IA.
Em uma entrevista recente, Sam Altman, CEO da OpenAI, e Matt Garman, CEO da AWS, discutiram os Bedrock Managed Agents, impulsionados pela OpenAI, e como isso se encaixaria no acordo da OpenAI com a Microsoft, que concedia à Azure acesso exclusivo aos modelos da OpenAI. Desde então, a Microsoft e a OpenAI alteraram seu acordo para permitir que a OpenAI ofereça seus produtos em outros cloud providers. A exclusividade da Azure estava ativamente prejudicando o investimento da Microsoft na OpenAI, o que levou a Microsoft a tomar medidas, mesmo que isso significasse diminuir a diferenciação da Azure. Além disso, a OpenAI liberou a Microsoft da cláusula de AGI, o que implica que o acordo entre as duas empresas será válido até 2032, mesmo que a OpenAI alcance a AGI antes.
A Parallel Web Systems, startup fundada por Parag Agrawal, ex-CEO do Twitter, desenvolveu uma plataforma para agentes de IA realizarem buscas na web.
O Google concordou em fornecer ao Departamento de Defesa dos EUA acesso à sua IA em redes classificadas para usos legais amplos.
O analista Ming-Chi Kuo relatou que a OpenAI explorou a construção de um smartphone com parceiros como MediaTek e Qualcomm. A iniciativa visaria potencialmente substituir interfaces centradas em aplicativos por agentes de IA e modelos híbridos que combinam processamento on-device e em nuvem.
A China barrou a aquisição de US$ 2 bilhões da startup de IA agentic Manus pela Meta, ordenando o desfazimento do negócio em meio a um escrutínio regulatório, o que complica o avanço da Meta no segmento de agentes de IA e sua expansão transfronteiriça.
OpenAI e Microsoft revisaram seu acordo para aumentar a flexibilidade, o que inclui licenciamento de IP não exclusivo, suporte multi-cloud para produtos OpenAI e termos de participação na receita limitados até 2030.
As empresas que se integram na camada de modelo o fazem porque, em sua escala, os argumentos econômicos e de diferenciação se justificam. Quase todas estão realizando post-training, e não pre-training do zero. As empresas deveriam começar a coletar dados e a construir modelos pequenos e especializados. Quanto mais dados as empresas coletam, melhores modelos elas podem produzir.
A IA americana foi financiada com a aposta de que os frontier models seriam o próximo grande negócio monopolista. Essa premissa está agora se desfazendo, à medida que os open weight models estão tornando a capacidade uma commodity, capacidade essa que o moat pago pelo capital americano deveria proteger. A diferença entre a frontier aberta e a frontier fechada está diminuindo. A questão será se os países optarão por subsidiar o moat privado ou os bens comuns abertos.
A Batch API oferece um desconto de 50%, mas adiciona latência, tornando-a menos adequada para uso por um único agente. Para frotas de agentes onde múltiplas requisições podem ser agrupadas, a abordagem de batching se torna economicamente viável. O uso ideal envolve rotear modelos mais lentos e custosos através de batches, enquanto modelos mais rápidos são empregados por caminhos síncronos, possivelmente gerenciados por proxies inteligentes como o LunaRoute, que está em desenvolvimento.
O GPT-5.5 representa uma melhoria sólida e é competitivo com o Claude Opus, mostrando-se superior para consultas factuais, buscas na web e requisições diretas e bem especificadas. Por outro lado, o Claude Opus se destaca em propósitos mais abertos ou interpretativos. O modelo é improvável de apresentar novos grandes riscos, e seu alignment parece similar ao dos modelos anteriores. Esta publicação examina o system card do GPT-5.5.
O TurboQuant comprime cada coordenada em grandes tabelas de vetores de alta dimensão para 2 a 4 bits, com uma distorção comprovadamente quase ótima, sem overhead de memória para fatores de escala e sem necessidade de treinamento ou calibração. Ele é entre quatro e seis ordens de magnitude mais rápido que as alternativas na indexação de 4 bits, apresentando também um recall superior. Esta página explica como o TurboQuant funciona.
O preço de aluguel da GPU NVIDIA B200 disparou 114%, atingindo US$ 4,95 por hora, impulsionado pela demanda de modelos de IA como o GPT-5.5.
Pesquisadores da Amazon apresentaram o ESRRSim, um framework de avaliação baseado em agentes que utiliza uma taxonomia estruturada para fazer benchmark de riscos. A ferramenta permite identificar e analisar comportamentos problemáticos como engano e reward hacking, revelando uma ampla variação na forma como 11 LLMs distintos se comportam diante desses desafios.
Pesquisadores do MIT introduziram os Modelos de Linguagem Recursivos (RLMs) para resolver o problema de "context rot", um fenômeno em que Large Language Models (LLMs) experimentam degradação do raciocínio ao processar janelas de contexto massivas, mesmo quando são eficazes em tarefas básicas de retrieval. Em vez de obrigar um modelo a ingerir um documento completo de uma vez, um RLM carrega o contexto em um slot de memória runtime de um REPL Python.
