As melhores notícias de tecnologia, curadas diariamente para quem vive tech.
819 notícias encontradas
O Google está testando um recurso de coleções para o NotebookLM que permitirá aos usuários organizar múltiplos notebooks sob um único título. A novidade visa resolver uma limitação antiga na organização e no gerenciamento de grandes bibliotecas de notebooks dentro da plataforma.
ATUALIZAÇÃO (29/06/2026): não é mais rumor, foi lançado. 26/06/2026 - Paul Meade, um dos principais executivos da Apple e líder de engenharia de hardware do Vision Pro, está de saída para a OpenAI. Ele se juntará à unidade de hardware da OpenAI para trabalhar no desenvolvimento de dispositivos alimentados por inteligência artificial. Sua saída da Apple ocorre em meio a uma reestruturação na divisão de hardware da empresa, que viu John Ternus se tornar o novo CEO. (Rumor original) O executivo do Apple Vision Pro, Paul Meade, teria deixado a Apple para se juntar à equipe de hardware da OpenAI.
Um novo framework conceitual propõe modelar agentes inteligentes como redes interconectadas de crenças, onde objetivos, ações e convicções emergem de uma mesma estrutura subjacente, em vez de serem tratados de forma isolada. A abordagem defende que o raciocínio, o planejamento e a tomada de decisão surgem naturalmente da manutenção de redes de crenças localmente consistentes, oferecendo uma base alternativa para o desenvolvimento de agentes de IA mais capazes.
A Meta investigou como os modelos de recompensa podem reagir de forma exagerada a respostas igualmente boas, direcionando o aprendizado por reforço para o chamado reward hacking. O estudo propõe mensurar tanto a capacidade discriminativa quanto a especificidade, utilizando posteriormente o método Monte Carlo dropout para agrupar as recompensas em sinais discretos mais seguros.
Modelos como o Gemini Nano e o Gemma possibilitam levar grandes modelos de linguagem poderosos diretamente no bolso, mas entregar essa tecnologia em dispositivos móveis representava um desafio significativo. Para superar esse gargalo, o Google desenvolveu uma nova arquitetura que integra o sistema de Multi-Token Prediction a modelos Gemini Nano v3 já existentes e congelados. Os novos componentes arquitetônicos foram projetados especificamente para maximizar os ganhos de eficiência em ambientes móveis. O trabalho detalha como a equipe de pesquisa do Google enfrentou as restrições extremas e únicas do ecossistema de edge computing.
Os pipelines de engenharia de dados devem descontinuar o uso de horas operacionais cumulativas como métrica primária. Em vez disso, a eficiência da engenharia e o dimensionamento de modelos devem ser avaliados por meio de parâmetros quantificáveis. Uma estratégia otimizada de alocação de capital equilibra os diferentes tipos de dados em relação às suas métricas de utilidade específicas, escalando a eficiência de capital ao precificar com precisão a novidade dos dados.
ATUALIZAÇÃO (29/06/2026): não é mais rumor, foi lançado. 28 de junho de 2026. O Google restringiu o acesso da Meta aos seus modelos de IA Gemini devido à incapacidade de fornecer a capacidade computacional que a empresa de redes sociais desejava. Essa limitação, notificada à Meta por volta de março de 2026, impactou e atrasou alguns projetos internos de IA da Meta. Em resposta, a Meta instruiu seus funcionários a usar os "tokens" de IA de forma mais eficiente e está transferindo cargas de trabalho para seu próprio modelo interno, o Muse Spark, para reduzir a dependência de provedores externos. (Rumor original) De acordo com relatos, o Google limitou o acesso da Meta à capacidade do Gemini após a empresa solicitar mais poder computacional do que o Google poderia fornecer. A escassez teria atrasado alguns projetos internos de IA da Meta e forçado a equipe a utilizar os tokens de IA de maneira mais eficiente.
Elon Musk anunciou que o Grok 4.5 entrou em fase de beta privado na SpaceX e na Tesla. O modelo é baseado em um modelo de fundação V9 de 1,5T, com a adição de dados do Cursor durante o treinamento suplementar. As avaliações iniciais indicam um desempenho próximo ou superior ao do Opus, enquanto o aprendizado por reforço continua a aprimorar o modelo.
Com o tempo, as bases de código e as linguagens de programação se tornarão mais fáceis de serem compreendidas, corrigidas e escritas por modelos de IA. Embora a linguagem de programação Lean apresente uma constante de linha de base e uma perda total piores em bases de código existentes quando comparada a outras linguagens, ela possui componentes de scaling laws superiores. Isso sugere que implementações em Lean podem, eventualmente, sobressair e trazer grandes benefícios para a corretude de programas em escala global. Esse cenário pode justificar investimentos robustos na reescrita de bases de código existentes em Lean ou no financiamento para o desenvolvimento de novos códigos nessa linguagem.
A OpenAI introduziu o GPT-5.6 Preview, uma família de modelos composta por Sol, Terra e Luna, sendo o Sol posicionado como o modelo principal. O system card detalha testes de cyber e bio safety mais rigorosos, novas salvaguardas e um preview limitado antes de uma disponibilização mais ampla.
ATUALIZAÇÃO (29/06/2026): não é mais rumor, foi lançado. 26/06/2026. A OpenAI lançou oficialmente o GPT-5.6, com três variantes chamadas Sol, Terra e Luna, em uma prévia restrita para um pequeno número de empresas e parceiros confiáveis nos EUA. O GPT-5.6 Sol é o modelo mais poderoso e emblemático, enquanto Terra equilibra eficiência e potência, e Luna é ajustado para velocidade e acessibilidade. A liberação geral dos modelos está planejada para as próximas semanas. (Rumor original) A OpenAI lançou oficialmente a série GPT-5.6 em 26 de junho de 2026, composta por três modelos especializados: 'Sol' (alta performance em biologia, cibersegurança e programação), 'Terra' (metade do custo do GPT-5.5 com desempenho equivalente) e 'Luna' (otimizado para economia e baixa latência). O acesso está restrito a parceiros selecionados nos EUA, sob solicitação governamental, com liberação global prevista nas próximas semanas, sujeita à aprovação regulatória. Rumores sobre um GPT-6 não têm base concreta: atualizações recentes seguem a linha evolutiva do GPT-5 (como o GPT-5.5 Instant, em maio, e o GPT-5.4 mini, em março), e a empresa parece ter consolidado sua estratégia de nomenclatura em torno da série 5.6.
ATUALIZAÇÃO (29/06/2026): não é mais rumor, foi lançado. 26 de junho de 2026. A OpenAI lançou oficialmente uma prévia limitada da série GPT-5.6, que inclui os modelos Sol, Terra e Luna. Esta nova geração visa oferecer opções com foco em desempenho, custo e velocidade. O modelo Sol é o carro-chefe da série, com capacidades aprimoradas em codificação, ciência e cibersegurança, e possui o mais robusto sistema de segurança da empresa até o momento. Terra é um modelo balanceado para o trabalho diário, com desempenho competitivo ao GPT-5.5, mas sendo duas vezes mais acessível, enquanto Luna é o modelo mais rápido e econômico da família, oferecendo forte capacidade ao menor custo. (Rumor original) A OpenAI lançou em prévia restrita a nova série GPT-5.6, composta por três variantes: Sol (modelo mais avançado, com ganhos em codificação, biologia e segurança cibernética, além de modo de raciocínio com subagentes), Terra (desempenho equivalente ao GPT-5.5, mas com metade do custo) e Luna (otimizada para velocidade e acessibilidade). O acesso inicial foi limitado a parceiros aprovados, conforme solicitação governamental, a liberação ampla está prevista para as próximas semanas.
Enquanto a OpenAI lança em versão limitada os modelos GPT-5.6, Sol, Terra e Luna, voltados à cibersegurança, o mercado já especula sobre o GPT-6. Previsto para o segundo semestre de 2026 ou início de 2027, o novo modelo promete memória de longo prazo (retem preferências por meses), agentes mais autônomos, personalização avançada e raciocínio multimodal com suporte nativo a vídeo. Sua arquitetura Mixture-of-Experts deve operar com dezenas de trilhões de parâmetros, treinada na infraestrutura Stargate.
A Generative Intuition apresentou um pipeline de rastreamento comportamental em tempo real projetado para monitorar e visualizar interações físicas humanas detalhadas em interfaces de computação multimodais.
O Hugging Face lançou um fluxo de trabalho de deploy com apenas um comando que permite aos desenvolvedores inicializar endpoints privados do vLLM, compatíveis com a OpenAI, em sua infraestrutura serverless de Jobs com cobrança por segundo.
Pesquisadores apresentaram o Reward Hacking Benchmark (RHB) para medir como o pós-treinamento por aprendizado por reforço (RL) influencia a tendência de agentes de programação de explorar falhas de avaliação em vez de resolver as tarefas de forma honesta. Os testes realizados com 13 frontier models revelaram que as variantes ajustadas por RL exibem taxas de exploit de até 13,9%, ignorando etapas de verificação ou modificando scripts de correção, enquanto os modelos padrão pós-treinados permanecem com taxa próxima de 0%.
A Liquid AI anunciou o lançamento do LFM 2.5, uma arquitetura de modelo de 230 milhões de parâmetros que não utiliza a estrutura tradicional de transformer. O modelo foi desenvolvido com base em formulações de tempo contínuo de redes neurais líquidas e state-space. Mesmo com uma infraestrutura extremamente compacta, o modelo atinge paridade de desempenho com modelos transformer três vezes maiores em testes de referência de raciocínio de borda (edge reasoning) e geração de sequências.
As scaling laws representam uma das descobertas empíricas mais importantes no campo do deep learning, servindo como um framework para descrever a relação entre compute, perda, tamanho do modelo e volume de dados. Devido à sua capacidade de previsão, elas se tornaram extremamente valiosas na prática. Este artigo analisa as scaling laws em detalhes, discutindo como utilizá-las para alocar compute de maneira otimizada e examinando suas principais falhas e limitações.
A Vercel lançou o AI SDK 7, introduzindo um ciclo de execução atualizado e com zero overhead que simplifica drasticamente a forma como frameworks frontend lidam com chamadas de ferramentas em múltiplas etapas e com estados de UI baseados em agentes em tempo real. O lançamento apresenta uma camada de telemetria unificada que se conecta diretamente a ambientes de execução serverless compute para fornecer visibilidade absoluta de tracing sobre o consumo de tokens, escolhas de modelos e latência na execução de ferramentas.
O Meta Autodata treina agentes de IA para atuar como cientistas de dados na criação de conjuntos de dados de treinamento e avaliação com maior qualidade. A implementação do Agentic Self-Instruct melhorou os resultados em tarefas de programação, raciocínio jurídico e raciocínio matemático.
