Agentes de codificação geram otimizações melhores quando leem artigos e estudam projetos concorrentes antes de tocar no código. Agentes de codificação que trabalham apenas com o código geram hipóteses superficiais. Adicionar uma fase de pesquisa melhora os resultados.
Todas as notícias
CEVIU IA
Lançamentos, inovações e pesquisas para profissionais de IA, machine learning e ciência de dados
2332 notícias
O Sol-RL da NVIDIA introduz um framework de duas etapas que separa a exploração do treinamento, utilizando rollouts FP4 para gerar grandes conjuntos de candidatos e BF16 para atualizações seletivas de política. Essa abordagem reduziu os custos de compute, ao mesmo tempo em que melhorou o alinhamento e acelerou a convergência no pós-treinamento de modelos de difusão.
A PaperOrchestra, da Google Cloud IA, converte notas de laboratório desorganizadas em artigos acadêmicos prontos para publicação, utilizando cinco agentes especializados.
KellyBench, uma nova ferramenta de avaliação, simula a temporada 2023-24 da English Premier League para testar a tomada de decisão sequencial em apostas esportivas. Modelos como Claude Opus 4.6 e GPT-5.4 demonstraram dificuldades significativas no benchmark, não conseguindo gerar retornos positivos. Este desempenho sublinha as limitações atuais desses modelos na adaptação a estratégias de longo prazo e na aprendizagem contínua em ambientes dinâmicos. A pesquisa ressalta a necessidade crítica de desenvolver cenários mais complexos que permitam aos agentes de IA aprender efetivamente com a experiência e lidar com a incerteza inerente a tais contextos.
A Meta introduziu um framework multi-etapas para síntese de imagens que alterna entre raciocínio textual e atualizações visuais. Essa abordagem permite que os modelos planejem, rascunhem, reflitam e refinem suas saídas de forma iterativa, melhorando a qualidade e a coerência das imagens geradas.
O aplicativo Gemini agora permite a geração de visualizações interativas, como modelos 3D e simulações, diretamente no chat.
ALTK-Evolve aprimora agentes de IA ao transformar trajetórias brutas de agentes em diretrizes reutilizáveis, melhorando a confiabilidade em tarefas complexas sem aumentar o context bloating.
Monarch é um framework de programação distribuída para PyTorch que facilita a execução de tarefas de treinamento distribuído em grandes clusters. Ele torna os clusters programáveis por meio de uma API Python simples, expondo o supercomputador como um sistema coerente e diretamente controlável. Monarch é otimizado para uso agentic, fornecendo abstrações de infraestrutura consistentes e telemetria exposta. Ele pode transformar uma máquina de desenvolvimento em um supercomputador, elevando o nível de seus agentes.
O Google Colab aprimorou sua integração com Gemini através das Custom Instructions e do Learn Mode, permitindo assistência personalizada de IA e orientação em programação. As Custom Instructions permitem aos usuários ajustar o comportamento do Gemini para se adequar ao seu workflow ou às necessidades do projeto, enquanto o Learn Mode oferece suporte de programação passo a passo, em vez de soluções completas. Essas atualizações aumentam o controle do usuário e facilitam o desenvolvimento de habilidades, permitindo o compartilhamento de configurações de IA personalizadas com a comunidade do Colab.
A transição da Perplexity da busca alimentada por IA para agentes de IA teria gerado bons resultados, impactando positivamente sua receita.
Um ranking interno na Meta, que classificava os funcionários com base no uso de tokens, revelou que, em um período de 30 dias, a empresa utilizou cerca de 60 trilhões de tokens. Estima-se que o total de todos os livros publicados no mundo seja de aproximadamente 20 trilhões de tokens. A indústria de IA parece obcecada com o gasto de tokens, mas essa métrica é facilmente manipulada e um maior uso de tokens não implica na entrega de mais valor.
Construir software agentic confiável exige tratá-lo como um sistema completo, e não otimizar componentes isolados como ferramentas ou armazenamento. Esta publicação descreve cinco camadas críticas que devem ser projetadas em conjunto para evitar restrições e falhas em cascata. Usando um exemplo real de código aberto, ela demonstra como dados estruturados, permissões impostas e interfaces consistentes permitem que os agentes melhorem ao longo do tempo e operem com segurança em produção.
A Apple possui uma propensão bem estabelecida para a integração vertical, o que significa que a empresa tende a fabricar componentes e tecnologias internamente, em vez de depender de fornecedores externos. Este movimento estratégico alinha-se à sua abordagem de controle sobre a cadeia de produção.
Os Agentes Gerenciados da Anthropic representam um sistema hospedado projetado para dissociar as interfaces dos agentes de suas implementações subjacentes. Essa arquitetura permite o suporte a tarefas de longa duração e garante a continuidade operacional à medida que os modelos de IA subjacentes evoluem.
O Poke, um novo agente de IA acessível via aplicativos de mensagens de texto, simplifica a automação com "receitas" prontas para tarefas como agendamento e controle de casa inteligente. Apoiado por um financiamento de US$ 25 milhões e avaliado em US$ 300 milhões, o Poke visa a adoção em larga escala, oferecendo flexibilidade de preços e incentivando a criação de "receitas" de automação pelos usuários. Diferente de sistemas complexos como o OpenClaw, a abordagem amigável do Poke é direcionada a um público mais amplo, sem comprometer a funcionalidade.
Gerencie roadmaps e quadros de tarefas dentro do Notion, atribua tarefas a Agentes Claude e, em seguida, colabore com os agentes e a equipe para revisar o trabalho, desde o Notion até a fusão de PRs no GitHub.
A OpenAI reportou um rápido crescimento na adoção empresarial de IA, indicando que a tecnologia está transcendendo a fase de experimentação para se integrar em workflows de negócios essenciais. A estratégia atual da empresa foca em agentes unificados e na criação de uma camada de IA abrangente para toda a organização.
A Meta apresentou o Muse Spark, um multimodal reasoning model que incorpora capacidades de tool use, visual chain-of-thought e multi-agent orchestration. Este lançamento se insere na estratégia da empresa para impulsionar o desenvolvimento de uma superinteligência pessoal.
A taxa de resolução do Bugbot se aproxima de 80%, superando significativamente outros produtos de revisão de código com IA. O Bugbot utiliza sinais em tempo real de execuções anteriores para se autoaprimorar, transformando feedback em regras aprendidas. Mais de 110.000 repositórios utilizam este recurso para gerar mais de 44.000 regras aprendidas, aprimorando o foco do Bugbot em problemas específicos e no contexto de negócios.
O 'warp decode' da Cursor é um design de kernel que reorganiza a MoE inference em torno dos neurônios de saída, em vez dos experts. Essa abordagem atinge um throughput aproximadamente 1.8x maior e melhora a precisão numérica em GPUs Blackwell.
