A Apple estreia o MacBook Neo, primeiro Mac movido por chip de iPhone. Com o A18 Pro dos iPhone 16 Pro, promete ser 50% mais rápido que PCs Intel Core Ultra 5 em tarefas do dia a dia. Traz tela Liquid Retina 13" sem notch, bateria de 16h, 8GB de RAM unificada e duas USB-C. Disponível em quatro cores (Silver, Indigo, Blush, Citrus) a partir de US$ 599 (256GB). Pré-venda já aberta, chegada em 11 de março.
CEVIU News
As melhores notícias de tecnologia, curadas diariamente para quem vive tech.
18838 notícias encontradas
As CLIs representam a interface de menor atrito para que agentes de IA acessem sistemas externos, agilizando suas operações.
O Delta Lake 4.1.0 introduz as tabelas gerenciadas por catálogo, mudando o controle de caminhos de filesystem para um catálogo centralizado . Essa abordagem consolida metadados, governança e commits, resultando em melhor descoberta e interoperabilidade entre diferentes engines .
Ferramentas de IA já estão substituindo muito trabalho rotineiro de engenharia de dados e analytics agora, e não em um futuro distante. Para se manter relevante, é crucial priorizar um profundo entendimento de negócios, expertise de domínio insubstituível, fortes laços com a comunidade e manter-se à frente dominando os mais recentes modelos de IA.
O PostgreSQL está implementando uma versão de alta concorrência para seus índices B-tree, conhecida como Blink-tree. Esta nova abordagem incorpora um ponteiro "link" simples entre nós irmãos e um marcador de limite "high-key" em cada nó, otimizando o desempenho e a gestão de concorrência. ️ Com essa arquitetura, as operações de busca podem navegar rapidamente para o nó irmão direito, quando necessário, sem a necessidade de manter locks em múltiplos níveis – eliminando o "lock-coupling" durante as leituras. Já as modificações estruturais, como page splits, empregam um breve "lock-coupling" de baixo para cima, agindo em poucos nós por vez, o que reduz significativamente a contenção de locks.
O padrão de 'modo código' aprimora o uso de ferramentas MCP ao permitir que o LLM escreva e execute um script que compõe múltiplas ferramentas em um sandbox, em vez de chamá-las sequencialmente. Isso reduz significativamente o inchaço da janela de contexto e o overhead de round-trip , tornando catálogos de ferramentas extensos muito mais escaláveis e eficientes para os LLMs utilizarem.
O GitHub reconstruiu sua arquitetura de busca utilizando o Cross Cluster Replication (CCR) do Elasticsearch para operar clusters independentes de nó único por instância (primária e réplicas). Esta abordagem permite persistência durável e replicação assíncrona, que é acionada após a criação dos segmentos Lucene. O sistema incorpora fluxos de trabalho customizados para configuração e gestão de failover, além de migrações com zero-downtime e promoção automática de réplicas em caso de falha. ️️
Testes empíricos de sistemas agentic de chat-BI, utilizando os benchmarks BIRD e DABStep, revelaram alta precisão na geração de SQL (mais de 70% correto no BIRD). Contudo, esses testes expuseram nós de falha críticos: definições de métricas ambíguas, perguntas fora do escopo e lacunas de senso comum ️. Embora arquivos de contexto e regras (como RULES.md) auxiliem, eles podem induzir erros cumulativos e overfitting à medida que a complexidade do sistema cresce. Para garantir a confiabilidade, são essenciais a avaliação iterativa human-in-the-loop, classificação estruturada de erros, definições de métricas determinísticas e testes de CI reproduzíveis ️.
Pontuações de testes de IA convencionais não se mostram eficazes para bots de atendimento ao cliente, que exigem a manutenção de conversas contínuas, a compreensão de intenções subjacentes e a capacidade de levar usuários a compartilhar informações de contato. ️ Para superar essa limitação, a equipe desenvolveu um sistema de avaliação aprimorado. Este novo sistema combina a análise humana para os pontos mais desafiadores, com a pontuação automática por LLMs (LLM-as-judge) para garantir escalabilidade. Além disso, inclui verificações pontuais feitas por humanos para identificar e corrigir casos problemáticos.
A Netflix reduziu a utilização da CPU de seu serviço Ranker, especificamente na funcionalidade de scoring de serendipity, de 7,5% para aproximadamente 1% por nó , através da reengenharia de sua lógica de scoring. As otimizações cruciais incluíram a transição de produtos escalares de complexidade O(M×N) para multiplicações de matrizes em lote, otimizadas para cache com flat buffers, e o aproveitamento da JDK Vector API para ganhos de performance SIMD em Java puro, além da eliminação de alocações desnecessárias. Essas melhorias resultaram em uma queda de 7% no uso da CPU, uma redução de 12% na latência e um aprimoramento de 10% na relação CPU/RPS .
Agentes de IA em produção devem ser gerenciados como produtos de dados completos , exigindo observabilidade rigorosa, segurança e análise de produto iterativa que vai além do registro de logs padrão. Tratar as interações dos agentes como ciclos de feedback acionáveis impulsiona as decisões de roadmap . Além disso, segurança em camadas e a capacidade de descoberta conversacional são essenciais para a confiança e adoção do usuário.
O stack de dados moderno evoluiu para uma complexidade "fractal" incompreensível, impulsionada por um empilhamento interminável de ferramentas. As promessas de "facilidade", que permitem prototipagem rápida, acabaram por fomentar silos departamentais, evasão de decisões, geração de código por IA/LLM sem controle, modelagem excessiva da lógica de negócio e uma desconexão do valor real para o negócio. ️
Uma estratégia de caching de duas camadas, com validação, para sistemas RAG de nível de produção, consegue reduzir os custos de tokens de LLM em mais de 30% e cortar os tempos de resposta de aproximadamente 36 segundos para milissegundos em consultas semanticamente semelhantes. Essa arquitetura combina caching semântico (baseado em embeddings, com ~95% de similaridade) e retrieval caching (nível de contexto/tópico, >70%), abordando redundância, obsolescência de dados e invalidação de cache por meio de verificações de timestamp, fingerprinting SHA-256 e predicate caching.
As Filas para Kafka estão agora geralmente disponíveis no Confluent Cloud e serão lançadas em breve na Confluent Platform, introduzindo semânticas de fila e escalabilidade elástica de consumidores nativamente ao Kafka através do KIP-932.
A família de modelos open-weight Qwen 3.5 da Alibaba tem atraído atenção por entregar forte desempenho em uma ampla gama de tamanhos de modelos , incluindo modelos muito pequenos que rodam localmente e ainda suportam raciocínio e tarefas multimodais. Contudo, o futuro do projeto é incerto ️ após a súbita renúncia de seu pesquisador-chefe e de vários membros da equipe principal, seguindo uma reorganização interna na Alibaba .
A Anthropic está a caminho de gerar uma receita anual de quase US$ 20 bilhões , mais que o dobro de sua receita anualizada do final do ano passado. A empresa recentemente ultrapassou US$ 19 bilhões em receita anualizada, um aumento significativo em relação aos US$ 9 bilhões registrados no final de 2025. Esse crescimento notável foi impulsionado pela forte adoção dos modelos e produtos de IA da Anthropic, incluindo o Claude Code. Contudo, um embate com o Pentágono sobre salvaguardas de IA lança dúvidas ️ sobre o futuro dos negócios da Anthropic.
Os avanços recentes nas capacidades da IA tornaram evidente a necessidade urgente de repensar vários aspectos da privacidade computacional.
Monitores de caixa preta conseguem detectar maquinações de IA ️️, baseando-se apenas em ações observáveis e sem acesso a insights internos. ️
Junyang Lin, o líder técnico da equipe de IA Qwen da Alibaba, e outros dois pesquisadores se desligaram da empresa, deixando uma lacuna significativa em sua representação pública. Lin foi uma figura central na ascensão da Qwen à proeminência global e era conhecido por suas discussões francas sobre as restrições da IA chinesa, tendo levado a equipe a mais de 600 milhões de downloads de modelos. A Alibaba ainda não anunciou um sucessor para Lin. Contudo, os próximos passos do pesquisador certamente atrairão a atenção da comunidade global de IA.
A equipe de suporte do Cursor agora investiga a maioria dos tickets diretamente dentro do Cursor. Isso é possível combinando busca de código, logs, documentação e ferramentas internas por meio de integrações MCP. ️