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.
CEVIU News
As melhores notícias de tecnologia, curadas diariamente para quem vive tech.
2860 notícias encontradas
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.
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 laboratórios de IA estão apostando que a escala do aprendizado por reforço a partir de recompensas verificáveis (RLVR) em milhões de tarefas diversas levará à inteligência artificial geral. No entanto, este paradigma encontra limitações em domínios que carecem de simuladores determinísticos. Para alcançar um aprendizado contínuo verdadeiro, é necessário ir além da memória temporária em contexto (in-context memory) e transferir esse aprendizado diretamente para os pesos do próprio modelo.
O relatório do Índice Econômico de junho de 2026 da Anthropic revela que os custos computacionais de IA apresentam uma forte correlação com o valor econômico das tarefas executadas, indicando que ocupações com salários mais altos chegam a consumir até 2,5 vezes mais tokens.
Os agentes de IA voltados para programação aumentaram drasticamente a produtividade da engenharia de software, deslocando o gargalo do desenvolvimento da escrita de código para a tomada de decisão sobre o que de fato deve ser construído. Com a crescente automatização do desenvolvimento de software, tornam-se cada vez mais valiosos os engenheiros que combinam fundamentos técnicos sólidos com visão de produto, insights sobre as necessidades dos clientes e habilidades de code review.
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.
A Stanford publicou um relatório interativo sobre os preços históricos e atuais de memórias e armazenamento. O conjunto de dados segue a linha do clássico trabalho de John C. McCallum sobre preços de memória, contando com dados brutos para download e ferramentas de exportação de gráficos.
O Qwen-Image-Agent aprimorou a geração de texto para imagem ao utilizar planejamento, raciocínio, busca, memória e incorporação de feedback para preencher o contexto ausente do usuário. O trabalho também introduziu o IA-Bench para testar o desempenho de agentes na geração de imagens em tarefas de planejamento, raciocínio, busca e memória.
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.
Masayoshi Son argumenta que os cálculos matemáticos não sustentam a viabilidade de data centers baseados no espaço.
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.
🚀
GPT-5.6 já está em operação restrita nos EUA: Sol, Terra e Luna são os três novos modelos da OpenAI
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.
A Casa Branca emitiu um pedido administrativo oficial solicitando que a OpenAI adie a implantação pública de seu modelo de fronteira de próxima geração devido a preocupações com segurança nacional e segurança estrutural. Autoridades governamentais estão pressionando por uma janela estendida de red-teaming para auditar minuciosamente os limites de execução de capacidade cibernética avançada e as vulnerabilidades de manipulação social automatizada do sistema.
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.
A família de modelos de programação autolimitantes Ornith-2.0 é capaz de escrever estruturas de RL. Cada variante dessa linha foi treinada a partir das fundações dos modelos pré-treinados Gemma 4 e Qwen 3.5. O Ornith-1.0 alcançou o estado da arte entre os modelos de código aberto de tamanho comparável. Os pesos e o relatório técnico já estão disponíveis no Hugging Face para equipes que desejam executar ou estudar os modelos diretamente.
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 economia da IA generativa movimentou 110 bilhões de dólares em vendas nos últimos 12 meses e continua crescendo rapidamente, com uma taxa de receita anualizada que já ultrapassa os 175 bilhões de dólares. Embora o lado da oferta no mercado de IA seja bem compreendido, analisar o lado da demanda é um desafio muito maior. Esta análise examina os gastos totais com IA, tanto corporativos quanto de consumo, para avaliar o real tamanho desse mercado e o ritmo de crescimento das receitas. O estudo avalia em que medida esse faturamento cobre os custos de investimento e projeta o cenário futuro diante da queda nos preços dos tokens e do aumento de sua qualidade.