A personalização nas respostas dos LLM introduz variação, mas frequentemente mantém um núcleo semântico estável entre as diferentes respostas. Essa base compartilhada resulta de priors de modelo comuns, recuperações sobrepostas e restrições de produto, com as diferenças surgindo em exemplos e ênfase. Compreender esse comportamento permite que as empresas otimizem sua presença em conteúdo gerado por IA, focando em fazer parte do conhecimento central do modelo.
CEVIU News
As melhores notícias de tecnologia, curadas diariamente para quem vive tech.
2860 notícias encontradas
A OpenAI introduziu agentes de workspace no ChatGPT, permitindo que equipes criem agentes de IA compartilhados para tarefas e fluxos de trabalho complexos. Esses agentes, potencializados por Codex, executam tarefas como gerar relatórios, escrever código e gerenciar comunicação, enquanto se integram a diversas ferramentas como o Slack. Os agentes de workspace estão atualmente disponíveis em prévia de pesquisa para planos selecionados do ChatGPT, com o objetivo de otimizar a colaboração e melhorar a produtividade.
A Perplexity desenvolveu um pipeline de dois estágios para modelos de linguagem aumentados por busca. Esse pipeline emprega um Supervised Fine-Tuning (SFT) inicial, seguido por Reinforcement Learning (RL), com o objetivo de otimizar a precisão factual, a preferência do usuário e a eficiência no uso de ferramentas. Essa abordagem, que começou a ser aplicada com os modelos Qwen3, separa a conformidade da melhoria na busca, visando alcançar maior precisão sem comprometer os guardrails. Os modelos demonstraram maior acurácia em benchmarks como FRAMES e FACTS OPEN, além de um custo por consulta reduzido e uma eficiência aprimorada no uso de ferramentas em comparação com modelos existentes como o GPT-5.4.
Google lançou o Workspace Intelligence, aprimorando o Google Workspace com uma camada semântica para integrar e-mails, chats, arquivos e projetos para agentes movidos por Gemini. Esta atualização inclui grandes aprimoramentos de produto, como a construção de planilhas em linguagem natural no Sheets e recursos orientados por IA no Docs, Slides, Gmail e Drive. O Workspace Intelligence visa tornar o Workspace uma camada de controle centralizada para operações de negócios, enfatizando segurança, integração de contexto e funcionalidade entre aplicativos.
A Core Automation é um laboratório de IA fundado por Jerry Tworek, ex-pesquisador da OpenAI, com o objetivo de construir o laboratório de IA mais automatizado do mundo. A iniciativa começará automatizando sua própria pesquisa antes de desenvolver novos algoritmos que transcendem o pre-training e o reinforcement learning. O laboratório também se dedicará à criação de arquiteturas projetadas para escalar de forma mais eficiente do que os transformers. A equipe é composta por especialistas em frontier models, otimização e engenharia de sistemas.
O chip Thus de IA personalizado da Anker é projetado para dispositivos de áudio com IA local, processando diretamente onde o modelo reside para aumentar a eficiência.
A Nvidia apoiou a rodada de financiamento de US$ 1 bilhão da Vast Data, avaliando a empresa de infraestrutura focada em IA em US$ 30 bilhões.
Confiar em prompts para corrigir erros recorrentes de agentes de IA é uma abordagem pouco confiável e "baseada em intuição" que se degrada à medida que as conversas se tornam complexas. Para resolver isso, Garry Tan, CEO da Y Combinator, defende a "skillification". Em vez de permitir que um agente desperdice compute tentando resolver tarefas determinísticas (como consultas a calendários históricos) em seu latent space, este framework força a IA a executar scripts locais precisos.
A IA está aprimorando os fluxos de trabalho de engenharia ao assumir a execução, permitindo que os humanos se concentrem no planejamento, revisão e garantia da qualidade do resultado. Enquanto a IA executa, os humanos se destacam na diagnóstico de problemas sob múltiplos ângulos, uma capacidade que ainda representa um desafio para a IA. No futuro, as estratégias organizacionais de IA provavelmente envolverão assistentes personalizados para os funcionários ou um super-agente singular com plugins departamentais.
Agentes podem se conectar a sistemas externos por meio de chamadas diretas de API, CLIs e MCP. Esta publicação examina onde cada um se encaixa e os padrões para construir essas integrações de forma eficaz. MCP se torna a camada de composição crítica à medida que agentes de produção migram para a nuvem. Cada integração construída sobre MCP fortalece o ecossistema.
A Gemini Enterprise Agent Platform é uma plataforma abrangente para construir, escalar, governar e otimizar agentes. Ela reúne capacidades de seleção de modelos, construção de modelos e construção de agentes, juntamente com novas funcionalidades para integração de agentes, DevOps, orquestração e segurança. A Agent Platform é um destino único para equipes técnicas desenvolverem agentes que podem transformar produtos, serviços e operações. Os agentes podem ser entregues aos funcionários através do aplicativo Gemini Enterprise.
A maioria do conteúdo inserido em arquivos AGENTS.md não ajuda ou, na verdade, prejudica. Os padrões eficazes são específicos e podem ser aprendidos. Este artigo analisa quais padrões funcionam, quais falham e como identificar a diferença para sua codebase. Padrões distintos afetam métricas diferentes, portanto, escolha aqueles que visam resolver o problema que você realmente enfrenta.
Workloads agentic estão redefinindo os benchmarks para motores de inference, exigindo cenários de múltiplas interações e uso de ferramentas. Tais cenários impõem desafios ao gerenciamento e ao escalonamento do KV cache devido a traces mais longos e a distribuições variadas de tokens. A Applied Compute introduziu três perfis de workload para auxiliar na otimização da performance de motores e aceleradores. A empresa lançou uma ferramenta de benchmarking open-source para replicar essas situações, destacando a necessidade de soluções como o offloading de KV cache e o roteamento sensível ao workload para aprimorar o throughput e a eficiência.
Este estudo revelou que modelos com fases de pré-saturação estendidas conseguem generalizar bem a partir de exemplos mínimos e são mais tolerantes a ruído, ao contrário de modelos que saturam rapidamente e falham nesse aspecto. A questão central identificada é o raciocínio infiel, onde os modelos tendem a memorizar respostas em vez de aprender um raciocínio que possa ser transferido para outras situações. O pre-training contínuo e o supervised fine-tuning, aplicados a rastros de raciocínio explícitos, mostram-se eficazes para aprimorar a fidelidade do raciocínio e a capacidade de generalização sob supervisão fraca.
A Ramp Labs descobriu que agentes autônomos de programação ignoram completamente os limites passivos de token e não conseguem regular de forma confiável seus próprios gastos. Quando forçados a aprovar ou negar explicitamente extensões orçamentárias, os modelos exibiram um viés de autoatribuição severo, elogiando excessivamente seu próprio progresso e quase sempre aprovando mais gastos. Para gerenciar custos de forma eficaz, os pesquisadores tiveram que separar o agente em execução das decisões financeiras, implementando um modelo controlador independente que avalia snapshots objetivos do ambiente de trabalho.
Agent-World descreve um ambiente autoevolutivo que gera tarefas e loops de feedback para treinar e aprimorar continuamente agentes autônomos.
O Google apresentou o Deep Research e o Deep Research Max, utilizando o modelo Gemini 3.1 Pro para aprimorar as capacidades de pesquisa autônoma.
O "Conway" da Anthropic é um agente "always-on" com extensões de UI, disponível para web e mobile. Ele permite aos usuários gerenciar conectores, instalar extensões e configurar o ambiente de forma flexível, aprimorando a interação contínua com o sistema.
O CEO da OpenAI, Sam Altman, criticou o novo modelo de cibersegurança da Anthropic durante uma aparição em podcast esta semana, afirmando que a empresa estava usando o medo para fazer seu produto parecer mais impressionante do que realmente é. A Anthropic anunciou seu modelo Mythos no início deste mês e o lançou apenas para um pequeno grupo de clientes corporativos, alegando que o modelo era muito poderoso para ser liberado ao público, pois cibercriminosos poderiam usá-lo como arma. Altman declarou que o marketing baseado no medo da Anthropic era uma boa maneira de manter a IA nas mãos de uma elite pequena e exclusiva. O marketing baseado no medo é predominante na indústria de IA, e também já foi utilizado pelo próprio Altman.
A OpenAI está colaborando com diversas firmas de consultoria para auxiliar na venda de sua ferramenta de codificação de IA, o Codex, para empresas. O Codex agora conta com quatro milhões de usuários ativos semanais, um aumento notável em relação aos três milhões registrados há apenas duas semanas. Este programa de consultoria faz parte do esforço da OpenAI para focar em codificação e no segmento de negócios empresariais, concedendo aos parceiros de consultoria acesso a uma ferramenta de codificação de IA como parte da iniciativa.