LLMs frequentemente decidem ações antes de gerar tokens de raciocínio, influenciando sua cadeia de pensamento. Uma linear probe pode decodificar essas decisões a partir de ativações pré-geração com alta precisão.
CEVIU News
As melhores notícias de tecnologia, curadas diariamente para quem vive tech.
17368 notícias encontradas
Ambientes de RL (Reinforcement Learning) funcionam como campos de treinamento para agentes LLM. A distribuição de tarefas é crucial, pois define as habilidades que os agentes desenvolvem, enquanto os harnesses controlam a forma como eles interagem. Verificadores são responsáveis por estabelecer o que é considerado um desempenho 'bom', e tanto o estado quanto a configuração do ambiente são determinantes para o realismo e a eficácia do treinamento.
A Anthropic anunciou que os assinantes do Claude Code não poderão mais utilizar os limites de sua assinatura para ferramentas como o OpenClaw, mudando para um modelo de precificação pay-as-you-go separado para integrações de terceiros.
A Anthropic adquiriu a startup de IA de biotecnologia Coefficient Bio por US$ 400 milhões em ações, visando fortalecer suas iniciativas em saúde e ciências da vida. A Coefficient Bio, fundada por ex-pesquisadores da Genentech, utilizava IA para acelerar a descoberta de medicamentos e a pesquisa biológica. A equipe de 10 pessoas será integrada à divisão de saúde e ciências da vida da Anthropic.
O aprendizado em agentes de IA pode ocorrer em três níveis distintos: nas camadas do modelo, do harness ou do contexto. Entender essa diferença é fundamental para a construção de sistemas que aprimoram seu desempenho ao longo do tempo. A camada do modelo diz respeito aos pesos do próprio modelo, enquanto o harness abrange o código, as instruções e as ferramentas que impulsionam o agente. Por fim, o contexto é composto por informações adicionais que residem fora do harness para permitir configurações mais detalhadas. Embora a discussão sobre aprendizado contínuo frequentemente se concentre exclusivamente na camada do modelo, na realidade, um sistema de IA tem a capacidade de aprender e evoluir em todas as três camadas mencionadas.
ActionParty introduz tokens de estado por sujeito com polarização espacial para garantir a atribuição correta de ações a múltiplas entidades em vídeos gerados, resolvendo falhas comuns na vinculação sujeito-ação.
O desempenho de sistemas com Large Language Models (LLMs) depende não apenas dos pesos do modelo, mas também dos seus harnesses. Meta-Harness é um sistema de outer-loop que busca por código de harness para aplicações de LLM. Seus harnesses superam os melhores desenvolvidos manualmente em benchmarks de codificação agentic, demonstrando como um acesso mais rico a experiências prévias pode viabilizar a engenharia automatizada de harnesses.
Um sistema simples de três pastas (raw, wiki e outputs) transforma notas dispersas em uma base de conhecimento estruturada e mantida por IA, utilizando arquivos de texto simples e um schema leve. Essa abordagem permite a conversão de informações fragmentadas em um repositório organizado e acessível. Ferramentas como o agent-browser automatizam a ingestão de conteúdo, enquanto a IA se encarrega de compilar, conectar e atualizar uma wiki pessoal a partir de inputs brutos, eliminando a necessidade de organização manual. O sistema aprimora-se ao longo do tempo, salvando os outputs de volta no processo e executando verificações periódicas de "saúde" para identificar erros e lacunas antes que se acumulem.
Se o crescimento continuar linear, o GitHub está previsto para alcançar 14 bilhões de commits em um ano.
A Apple aprovou drivers para eGPUs Nvidia. Agora, usuários podem emparelhar suas eGPUs com Macs para processamento de LLM de IA sem precisar desativar a Proteção de Integridade do Sistema. Computadores de ponta da Apple tornaram-se populares para uso com agentes de IA como OpenClaw. A demanda tem sido tão alta que o prazo de entrega para Macs com grandes quantidades de memória aumentou para até seis semanas.
Musk também pediu que os bancos anunciassem no X, mas foi menos insistente quanto a isso.
Muitos economistas ainda não veem evidências claras de que a IA está perturbando o mercado de trabalho, mas estão começando a considerar seriamente essa possibilidade em um futuro próximo. Embora se espere que a IA impulsione a economia com o avanço da tecnologia, seu impacto nos empregos e na economia permanece difícil de prever. Dada a potencial escala de disrupção, economistas afirmam que é hora de pensar em políticas para ajudar trabalhadores que podem ser deslocados ou prejudicados pela transformação econômica. As conversas precisam começar agora, já que muitas mudanças ocorrerão nos próximos dois a cinco anos.
System prompts são muitas vezes o melhor manual de como um aplicativo deve funcionar. Um vazamento acidental do código-fonte do Claude Code revela como o sistema monta um contexto, destacando a complexidade da engenharia de contexto e a importância de harnesses. O post inclui uma tabela mostrando a composição de um system prompt pelo Claude Code; alguns componentes são sempre incluídos, enquanto outros são condicionais e podem ter variações.
Impulse Space e Anduril Industries foram selecionadas para desenvolver tecnologia de interceptação de mísseis baseada no espaço para o escudo de defesa de mísseis Golden Dome planejado pelo presidente Trump. Os interceptores espaciais são um componente chave, porém não comprovado, desse esforço. O Golden Dome protegerá os EUA e possivelmente outros países com camadas de sistemas de defesa do solo ao espaço. O projeto deve custar US$ 185 bilhões e demonstrar capacidade operacional até 2028.
OpenAI e Anthropic estão correndo em direção a IPOs que podem quebrar recordes até o final do ano. A OpenAI projeta um gasto de US$ 85 bilhões em 2028. A Anthropic não espera gastar tanto, mas suas previsões também indicam um aumento nos custos de computação. Não há sinais de desaceleração na corrida armamentista da IA, com ambas as empresas lançando novas versões de seus modelos em um ritmo mais rápido do que nunca. O artigo contém gráficos de documentos financeiros confidenciais compartilhados com investidores, oferecendo uma visão sobre as economias dos dois maiores laboratórios de IA do mundo.
Os grandes provedores de modelos de IA teriam criado modelos específicos de domínio se isso fosse viável.
Apesar da importância do SQLite para a indústria, ninguém parece ter investido em criar uma experiência realmente boa para desenvolvedores. Syntaqlite é um conjunto de ferramentas de alta fidelidade para SQLite, desenvolvido em cerca de 250 horas, durante três meses, por um desenvolvedor usando um agente de codificação com IA. Este post detalha sistematicamente a experiência do desenvolvedor ao construir o syntaqlite com IA, abordando tanto onde a IA ajudou quanto onde foi prejudicial.
A diferença entre 'usar IA' e 'obter valor real da IA' é, fundamentalmente, um problema de produto.
Brad Lightcap, o antigo COO da OpenAI, agora liderará projetos especiais e se reportará diretamente ao CEO Sam Altman.
As empresas de tecnologia chinesas estão cada vez mais buscando estudantes do ensino médio para preencher papéis de pesquisa e estágios devido à falta de talentos nas universidades. A criatividade é cada vez mais valorizada em funções como gerentes de produto, e acredita-se que candidatos mais jovens possam imaginar coisas que ainda não existem. Globalmente, alguns líderes de tecnologia estão questionando se as universidades ainda são a melhor forma de treinar talentos. As empresas têm recrutado muitas pessoas sem diploma de bacharel que aprendem de forma independente.