Isso sugere que o comércio baseado em agentes ainda não está pronto para substituir as compras tradicionais.
CEVIU News
As melhores notícias de tecnologia, curadas diariamente para quem vive tech.
2963 notícias encontradas
TurboQuant é um método de quantização que reduz a sobrecarga de memória de vetores, mantendo o desempenho. Isso melhora a eficiência do cache de chave-valor e acelera a busca de vetores.
Atualizações direcionais no RLVR mostraram-se eficazes em identificar tokens críticos para raciocínio, permitindo extrapolação durante teste e reponderação durante o treinamento para aumentar a precisão.
Lakewatch é uma plataforma SIEM que utiliza agentes de IA para detecção de ameaças, junto a aquisições da Antimatter e SiftD.ai para suportar implantações seguras de agentes.
A OpenAI abandonou o recurso de checkout dentro do chat devido à baixa adoção, priorizando agora a descoberta de produtos e fluxos de compra orientados por comerciantes.
A Anthropic lançou o Auto Mode em prévia de pesquisa, permitindo que o Claude execute ações de forma autônoma com salvaguardas integradas que filtram comportamentos de risco e prompt injection.
A juíza distrital dos EUA Rita F. Lin, do Distrito Norte da Califórnia, afirmou durante uma audiência que o governo dos EUA parecia estar punindo a Anthropic ao proibir a empresa. A audiência faz parte dos esforços da Anthropic para aliviar a proibição governamental sobre o uso dos modelos de IA da empresa. Lin ainda não decidiu sobre o caso, mas expressou sérias dúvidas sobre as ações do governo Trump em seus comentários iniciais. A ação governamental já custou à Anthropic centenas de milhões de dólares em contratos cancelados e acordos abortados.
O Índice Econômico Anthropic mostra que o uso de Claude se diversificou, com uma queda em tarefas de alto valor, mudando mais para consultas pessoais de baixo valor.
OpenAI anunciou um novo compromisso de US$ 10 bilhões de a16z, DE Shaw Ventures, MGX, TPG e T Rowe Price. Este capital fresco eleva a arrecadação recorde da OpenAI para mais de US$ 120 bilhões. A empresa moderou seus planos de gastos e agora mira aproximadamente US$ 600 bilhões em gasto total de compute até 2030, priorizando iniciativas mais lucrativas antes de um IPO.
A calibração semântica surge como um subproduto da previsão do próximo token. Modelos base estão surpreendentemente bem calibrados ao usar uma noção, baseada em amostragem, de calibração semântica. Eles conseguem avaliar de maneira significativa a confiança em tarefas de perguntas e respostas em domínios abertos, mesmo sem treinamento explícito para isso.
Muitas das cargas de trabalho modernas que usam LLMs priorizam o throughput em vez da latência por solicitação, algo que muitos sistemas e implantações de LLM otimizam atualmente. O Ray Data LLM é uma biblioteca desenvolvida para inferência em batch em larga escala para LLMs. Ele oferece execução escalonável, alto throughput e tolerância a falhas. Com uma arquitetura altamente otimizada para inferência em batch de LLM, os usuários podem alcançar o dobro de throughput em comparação com o motor síncrono de LLM do vLLM, aproveitando a resiliência em escala de produção.
O Ossature é um harness de código aberto para geração de código baseada em especificações. Os desenvolvedores escrevem especificações sobre o que o software deve fazer, e o Ossature as valida, utiliza um LLM para auditar ambiguidades e lacunas, produz um plano editável e, em seguida, gera código uma tarefa de cada vez, fornecendo apenas o contexto necessário para cada tarefa. Há verificação embutida no loop de construção. Se a verificação falhar, um agente solucionador tenta reparar o código a partir do erro reportado.
Prithvi Rajasekaran, da Anthropic, desenvolveu uma arquitetura multi-agente para aprimorar o design de frontend orientado por IA e a codificação de aplicações full-stack. Inspirada por GANs, a abordagem utiliza agentes planejador, gerador e avaliador para decompor tarefas e garantir transições estruturadas, produzindo saídas complexas e de alta qualidade. Desafios persistem na gestão de contexto e ajuste do avaliador, indicando a necessidade de adaptar designs de harness à medida que os modelos de IA avançam.
Em março, o Claude 4.6 traz uma janela de contexto de 1 milhão de tokens e quatro modos: Chat, Cowork, Code e Projects. A suíte Cowork automatiza workflows com Tarefas Agendadas e Conectores, e o ambiente Code utiliza hierarquia CLAUDE.md, protocolos MCP e Equipes de Agentes para desenvolvimento autônomo. Atualizações incluem pré-visualizações de pesquisa em Computer Use e Hooks deterministas para guardrails programáveis.
A App Store foi a resposta centralizada para o problema de distribuição em uma nova plataforma computacional. Na era dos agentes, será necessária uma nova solução, pois os agentes precisam de APIs, não de lojas de aplicativos. A Apple garantiu sua receita obrigando que cada transação no aplicativo passasse pelo seu sistema de pagamento. A era dos agentes carece de mecânicas de bloqueio da Apple; assim, se uma plataforma decidir cobrar altas taxas de pagamento, os usuários simplesmente mudarão para um concorrente. Isso sugere que a camada de pagamento será competitiva e de baixa margem, em vez de monopolista. ️
O CEO da OpenAI, Sam Altman, tomou medidas extremas para garantir capacidade de compute em 2025, firmando acordos de infraestrutura bilionários. Enquanto a empresa se prepara para um possível IPO no final do ano, está começando a moderar expectativas e delinear uma estratégia mais comedida. A OpenAI percebe que o mercado não valoriza necessariamente sua abordagem anterior de crescimento e gastos.
Startups de IA representaram 41% dos investimentos de venture capital na Carta no ano passado, com Anthropic, OpenAI e xAI captando financiamentos substanciais.
Claude executará tarefas agendadas via infraestrutura em nuvem, eliminando a necessidade de manter o Claude Code rodando em máquinas locais. ️
Empresas dependerão cada vez mais de agentes de IA, necessitando de world models para gerenciá-los eficientemente.
O gasto com tokens não importa se as tarefas não são concluídas. A quantidade total de tokens consumidos por tarefa varia entre modelos. Uma empresa que cobra o dobro por tokens pode ainda ser a opção mais barata se seus modelos retornarem a resposta correta em menos interações. Em vez de usar o gasto com tokens como KPI, as empresas devem medir o custo por tarefa concluída com sucesso.