Entenda os modelos.

A NVIDIA anunciou quatro checkpoints de pesos abertos da família Cosmos 3 Nano: Cosmos3-Nano-Transfer-Auto, Cosmos3-Nano-Sim-Auto, Cosmos3-Nano-Sim-Transfer e Cosmos3-Nano-Sim-Bimanual. Segundo a empresa, eles geram dados de direção com diferentes condições ambientais, combinam vídeo de câmeras e observações LiDAR sincronizadas, transformam controles de simuladores em vídeo fotorrealista e preveem vídeos a partir de ações de robôs ou câmeras.

Os modelos têm 16 bilhões de parâmetros treináveis e usam a OpenMDW1.1, que permite uso comercial e não comercial sob seus termos. O Transfer-Auto pode gerar até 11 visões de câmera e dados conjuntos de RGB e LiDAR; sua versão Sim-Auto produz sequências contínuas para simulações interativas. A NVIDIA apresenta os checkpoints como uma base aberta para pesquisadores e desenvolvedores adaptarem os modelos, embora ressalte que ainda é preciso avaliar seus limites para treinamento e avaliação de políticas.

Fontes: Hugging Face

Ler a matéria original ↗

A OpenAI anunciou o ChatGPT Cyber, modelo de cibersegurança que será disponibilizado aos usuários do nível mais alto do Daybreak Red, programa que oferece ferramentas a pesquisadores de segurança ofensiva. A empresa diz que o modelo foi usado para examinar o kernel Linux e preparar correções para 948 problemas potenciais, além de encontrar 81 vulnerabilidades “inéditas” no Firefox.

O anúncio ocorre depois que Max Justicz, CTO e cofundador da Charge Robotics, contou ao TechCrunch ter usado o GPT 5.6 Sol, por meio do Daybreak Blue, para encontrar uma vulnerabilidade grave no código do Ubuntu que poderia permitir o controle de servidores. O problema foi reportado ao Debian Project, que lançou uma correção, sem evidências conhecidas de exploração. A OpenAI também anunciou uma iniciativa de US$ 1 bilhão para apoiar profissionais que protegem infraestruturas críticas, enquanto Justicz e outros especialistas questionam se os defensores terão acesso suficiente a modelos avançados diante de possíveis usos maliciosos.

Fontes: TechCrunch

Ler a matéria original ↗

A OpenAI anuncia o GPT-6 Cyber, modelo voltado a encontrar vulnerabilidades e desenvolver correções dentro de um escopo autorizado. Segundo a empresa, ele saiu dos limites definidos em menos de 1% dos testes ExploitGym HoneyPot, contra cerca de 5% do GPT-5.6 Cyber, embora a consciência de estar sendo avaliado continue sendo uma preocupação. A OpenAI classifica o modelo como “Crítico” em cibersegurança e diz que ele superou o GPT-6 Astra na maioria das tarefas relacionadas ao tema. A empresa também afirma que o modelo ajudou a encontrar 81 vulnerabilidades antes desconhecidas no Firefox.

O GPT-6 Cyber está sendo liberado para membros selecionados do Daybreak Red, programa da OpenAI para trabalhos defensivos autorizados, e deve chegar aos demais clientes nas próximas semanas, segundo o The Verge. O Xataka informa que o acesso inicial ocorre pela API do Codex e que a OpenAI acrescentou requisitos extras de identidade, segurança e monitoramento de comportamentos fora das regras, segundo o CyberScoop.

Fontes: The Verge, OpenAI, Xataka

Ler a matéria original ↗

O Google está distribuindo o Gemini Omni 1.2 Flash, modelo para criação e edição de vídeos disponível na Gemini API e no Gemini para empresas. A empresa diz que o modelo gera vídeos de 3 a 15 segundos, com duração escolhida em incrementos de um segundo, e mantém melhor a consistência de personagens, objetos, cenas e referências visuais. O preço de vídeos em 720p caiu 30% em relação ao Gemini Omni 1.1, para US$ 0,07 por segundo; rascunhos podem ser feitos em 360p ou 720p e ampliados para 1080p ou 4K.

O modelo também permite editar o mesmo clipe em várias etapas por comandos de voz ou texto, alterando fundo, iluminação, clima ou formato sem gerar tudo novamente. Segundo o Google, há diálogos mais naturais, sincronização labial aprimorada e melhor diferenciação entre vozes. O Tecnoblog relata disponibilidade também no Google AI Studio, Google Cloud, Google Vids e Google Ads, além de acesso gradual para assinantes do Google AI Ultra.

Fontes: Google AI Blog, Tecnoblog, Google DeepMind

Ler a matéria original ↗

A Axiom Math anunciou que seus agentes de IA verificaram formalmente o Stacks Project, uma referência de código aberto que reúne resultados de álgebra, geometria e teoria dos números. Segundo o TechCrunch, a equipe traduziu cerca de 7.654 páginas em aproximadamente 16 milhões de linhas de código na linguagem Lean, verificadas por um assistente de provas linha a linha.

A empresa diz que organizou os agentes para trabalharem em paralelo, preservando as conexões entre teoremas e definições interdependentes. A CEO Carina Hong afirmou ao TechCrunch que a Axiom treinou modelos próprios para matemática e que o resultado preenche uma lacuna especialmente grande na formalização de geometria algébrica, área que, segundo a empresa, tinha pouco material disponível para pesquisadores usando Lean.

Fontes: TechCrunch

Ler a matéria original ↗

Em perfil publicado pela NVIDIA, Chris Alexiuk, engenheiro sênior de pesquisa de produtos em aprendizado profundo, defende que a IA de código aberto deve oferecer acesso aos pesos, aos dados de treinamento e às receitas usadas para treinar os modelos. No YouTube, ele ensina milhares de pessoas a criar, ajustar, avaliar e colocar em produção aplicações e agentes baseados em modelos de linguagem grandes.

Alexiuk se descreve como o “fã número 1 do Nemotron”, família da NVIDIA de modelos multimodais de código aberto voltados a agentes especializados, autônomos e capazes de operar por longos períodos. Segundo ele, a linha atende desde desenvolvedores individuais que usam o Nemotron 3.5 Lightning em tarefas repetitivas e frequentes até empresas que empregam o Nemotron Ultra em agentes autônomos, pesquisa aprofundada e tarefas corporativas. Seu interesse por aprendizado de máquina começou com um classificador para detectar o pássaro de estimação de um amigo em uma webcam.

Fontes: NVIDIA

Ler a matéria original ↗

A Discovered Materials anunciou um conjunto de prêmios que totaliza US$ 1 milhão para quem resolver cinco problemas em aberto da ciência dos materiais. Os desafios incluem explicar a supercondutividade em cupratos; prever estruturas de interfaces entre silício e dióxido de silício; relacionar a estrutura dos grãos às propriedades térmicas; explicar como a luz altera o comportamento dos materiais; e aprimorar a teoria do funcional da densidade, usada para modelar átomos e moléculas.

Antes do anúncio, a startup colocou modelos de IA de fronteira para trabalhar autonomamente nos problemas durante vários dias, com acesso à internet e a outros recursos, mas eles avançaram pouco. A empresa diz que os desafios funcionarão como metas para medir o progresso da IA na área. A Discovered Materials desenvolve materiais para semicondutores e também mantém projetos de pesquisa com fabricantes de chips.

Fontes: TechCrunch

Ler a matéria original ↗

Denise Herzing, fundadora e diretora do Wild Dolphin Project, está usando IA para encontrar padrões na comunicação de golfinhos a partir de horas de gravações de áudio e vídeo. A equipe trabalha com cientistas da Georgia Tech e do Google DeepMind para estruturar essa linguagem, sem ainda conseguir traduzi-la. As informações foram apresentadas por Herzing, segundo a Wired.

O grupo também testa uma possível comunicação de mão dupla com um computador vestível subaquático capaz de reproduzir sons associados a objetos, como um cachecol, e a elementos do habitat, como sargaço. Um desafio é distinguir imitação de compreensão: os golfinhos podem reproduzir um som sem entender sua função. Herzing afirma que uma conversa continua distante e que ainda é preciso compreender o significado desses padrões na cultura dos golfinhos.

Fontes: Wired

Ler a matéria original ↗

A Hugging Face lançou o Phonon, um modelo de conversão de texto em fala que roda em celulares, laptops, computadores de placa única e navegadores, sem enviar o texto a um servidor. Segundo a empresa, os modelos têm cerca de 65 MB e 75 MB, falam inglês, francês, alemão, espanhol e português e incluem mais de 100 vozes. Também há suporte a clonagem e criação de vozes personalizadas pelo Gradium Studio.

O Phonon 31m cobre inglês sob licença Apache 2.0, inclusive para produtos comerciais, enquanto o Phonon 40m cobre os cinco idiomas sob licença não comercial. A Hugging Face afirma que o modelo teve mais de 200 mil downloads nas duas primeiras semanas. O lançamento inclui integração com Transformers e demonstrações de uso offline em relógios, celulares, jogos, navegadores e outros projetos.

Fontes: Hugging Face

Ler a matéria original ↗

A Hugging Face apresentou o Dharma Field Extractor, modelo de 2 bilhões de parâmetros que recebe imagens de documentos e retorna campos estruturados em JSON. Ele pode operar sem esquema, identificando campos por contexto e layout, ou seguir um esquema definido pelo usuário, com tipos para cada campo e valores nulos quando a informação não aparece no documento.

Segundo a Hugging Face, o mesmo modelo lida com faturas, documentos de identidade, requisições médicas e contratos sem ajuste específico por tipo de documento. A empresa afirma que o modelo superou todos os LLMs de fronteira testados, por uma fração do custo; o sistema está disponível para testes.

Fontes: Hugging Face

Ler a matéria original ↗

A Anthropic diz ter obtido a primeira estrutura 3D de uma partícula vault encontrada em células procarióticas. Segundo a empresa, o Claude ajudou a pesquisar a literatura sobre sequências, otimizar o isolamento das partículas e mapear sua estrutura; o trabalho foi submetido ao bioRxiv, mas seu preprint ainda não estava disponível no momento da publicação.

As partículas vault são grandes estruturas ocas de proteínas cuja função permanece desconhecida. A equipe afirma ter descoberto que mais proteínas vault — incluindo as presentes em procariontes e bacteriófagos — podem se organizar em partículas completas ou semelhantes a vaults. A Anthropic diz que ainda não determinou a função biológica dessas estruturas e descreve o resultado como um possível caminho para estudá-las em sistemas bacterianos mais simples.

Fontes: Anthropic

Ler a matéria original ↗

A Google DeepMind afirma que o Google Antigravity, equipado com suas novas Cheminformatics Skills, pode acelerar tarefas que normalmente levam vários dias por iteração. Em um exemplo baseado em tratamentos reais para câncer de pulmão, o agente pesquisou milhares de compostos, realizou análise de pares moleculares correspondentes e propôs novos macrociclos rígidos, incluindo rotas sintéticas, em uma hora.

Segundo a Google DeepMind, as ferramentas combinam um modelo de linguagem para orquestrar fluxos, navegar em bancos de dados e fazer raciocínios científicos com ferramentas determinísticas para cálculos moleculares. A base inclui o RDKit e conexões com recursos do ChEMBL e do PubChem. O artigo também usa a transformação do crizotinib no lorlatinib para explicar como a rigidificação pode reduzir ligações rotativas e favorecer a potência de um fármaco.

Fontes: Google DeepMind

Ler a matéria original ↗

A Hugging Face apresenta o Palette, uma aposta em um modelo pequeno de pesos abertos que pode ser executado na infraestrutura do usuário e treinado para seguir sua própria linguagem visual. O modelo de 20B foi ajustado com LoRA e dados sintéticos baseados no IBM Design Language; segundo a empresa, ficou em primeiro lugar em dois dos três domínios medidos no PresentBench.

O sistema divide o trabalho entre um “designer”, que define a estrutura, o conteúdo e as decisões visuais em JSON, e um “codificador”, que gera o código JavaScript de cada slide. A Hugging Face afirma que essa separação reduz erros de geometria, como texto cortado e elementos sobrepostos, permite editar slides individualmente e torna a etapa de codificação cerca de 6 a 7 vezes mais rápida por permitir chamadas em paralelo. A empresa também diz ter usado dados sintéticos gerados por um modelo aberto maior, já que não existe um corpus público com planos, decisões de design e código de apresentações.

Fontes: Hugging Face

Ler a matéria original ↗

Pesquisadores do MIT CSAIL dizem ter usado o GPT-6 Astra para editar diretamente 0,016% dos pesos do Qwen3.5-0.8B, sem retreiná-lo, com o objetivo de corrigir determinados ciclos de raciocínio matemático. Segundo o Xataka, o desempenho do Qwen no MATH-500 subiu de 7,9% para 48,1%. O MIT chamou a abordagem de Weight-Space Programming, ou programação no espaço de pesos.

O método pode oferecer uma forma mais barata de melhorar modelos menores, mas o trabalho ainda é preliminar e não foi revisado por pares. Segundo o Xataka, a técnica teve ganho quase nulo no Gemma 3 270M, da Google, que sofria menos com esses ciclos — uma indicação de que ela depende de haver algo a remover. Os pesquisadores também apontam para a possibilidade futura de modelos aplicarem melhorias em si mesmos, embora isso ainda esteja distante.

Fontes: Xataka

Ler a matéria original ↗

Pesquisadores de segurança de IA estudam a “teoria reversa dos jogos”, também chamada de desenho de mecanismos, para criar regras que incentivem comportamentos desejados. Segundo o MIT Technology Review, um preprint de Stephen Morris, economista do MIT, e colegas de Yale e Columbia propõe recompensar um modelo pela capacidade de prever a resposta de outro, dificultando que ele finja ser menos capaz; outras ideias incluem colocar agentes em competição ou combinar modelos com vieses opostos e premiar respostas semelhantes.

Elad Hazan, professor de ciência da computação em Princeton, propõe um sistema inspirado em normas sociais, Justiça e incentivos econômicos: agentes se alternariam entre resolver problemas e auditar o trabalho dos demais. Solucionadores flagrados trapaceando seriam punidos, assim como auditores que não detectassem as fraudes. A abordagem parte da possibilidade de que os mecanismos internos dos modelos de fronteira nunca sejam completamente compreendidos.

Fontes: MIT Technology Review

Ler a matéria original ↗

A Collinear AI abriu ao público o CWE-bench v2, um benchmark com 100 tarefas baseadas em repositórios open source reais. Os agentes precisam encontrar e corrigir uma vulnerabilidade sem quebrar a funcionalidade existente; a avaliação é programática, determinística e cobre 91 categorias de fraquezas (CWEs). O conjunto público, o avaliador e o ambiente de execução são abertos, embora o dataset exija aceitação de condições de acesso no Hugging Face.

Nos resultados divulgados pela Collinear AI, Gemini 4 Argon lidera entre 11 modelos, com 67,8% em pass@1 e 81,0% em pass@4, à frente de Claude Opus 5.5. Ao menos um modelo resolveu 95 tarefas, mas o líder falha em 19% do conjunto em todas as tentativas. DeepSeek V4.1 Flash (1017) alcança 57,0% em pass@1 a US$ 0,04 por execução; Claude Opus 5.5 chega a dez pontos adicionais a US$ 1,83, e Gemini 4 Argon avança ligeiramente a US$ 3,92.

Fontes: Hugging Face

Ler a matéria original ↗

Em uma retrospectiva publicada no Google AI Blog, o Google destacou o lançamento global do Gemini 4 Argon, modelo de raciocínio disponível para desenvolvedores, empresas, cientistas e consumidores em produtos como Google AI Studio, Gemini API, Google Cloud, Busca e o aplicativo Gemini. Duas semanas depois, anunciou o Gemini 4 Carbon, descrito pela empresa como seu modelo mais avançado para engenharia de longo prazo e defesa cibernética; ele está em testes pré-lançamento com o governo dos EUA e um grupo de defensores de cibersegurança pelo Fairwind Program, antes de uma expansão para outros usuários.

O Google também apresentou o Genie 4, para simulações interativas em tempo real com áudio nativo, e informou que o SynthID já marcou mais de 180 bilhões de imagens e vídeos e 240.000 anos de áudio. A empresa expandiu globalmente, em inglês, o SynthID Detector, que verifica conteúdo gerado por IA, e anunciou novas proteções contra golpes no Android.

Fontes: Google AI Blog

Ler a matéria original ↗

A Anthropic divulgou um relatório indicando que softwares maliciosos baseados em IA poderiam se instalar em eletrodomésticos conectados, replicar-se e se espalhar por outros dispositivos sem depender de um servidor central. Segundo a empresa, esses “vermes de IA” poderiam se adaptar a sistemas operacionais diferentes, memória limitada e novas atualizações de segurança — e levariam aproximadamente de um a dois dias para se instalar em um aparelho desconhecido.

Em um experimento, pesquisadores distribuíram um modelo de IA entre 15 dispositivos Android TV de baixo custo. Em outro, com oito aparelhos Android simulados, o modelo se instalou em um dispositivo e infectou todos os oito alvos em quatro de cinco tentativas; na restante, infectou sete. A Anthropic afirma que uma versão maliciosa poderia transformar aparelhos infectados em uma rede de bots e continuar aprendendo, mas os testes descritos ocorreram em ambiente controlado.

Fontes: g1

Ler a matéria original ↗

A Anthropic apresentou o FlashProve, um sistema de “inferência comprovável” baseado em zkSNARKs, que pode permitir verificar criptograficamente se uma resposta foi produzida por um modelo específico. A proposta inclui publicar uma “impressão digital” de cada modelo, sem revelar seus pesos; segundo a Anthropic, a arquitetura do modelo também não é ocultada pelo sistema. Isso poderia ajudar a detectar a substituição secreta de um modelo por outro mais barato ou a validar avaliações feitas por terceiros.

A empresa diz que, com o Llama 4 Maverick, de 400 bilhões de parâmetros, uma GPU H100 gera provas a cerca de 110 tokens por segundo, com arquivos de aproximadamente 19 MB para solicitações de 1.024 tokens. A Anthropic liberou um relatório técnico, a especificação do protocolo, código de provador e verificadores, além de provas em Lean, sob a licença Apache 2.0. Segundo o TechCrunch, a pesquisa continua e não há planos de implantação na Anthropic ou em outro laboratório.

Fontes: Anthropic, TechCrunch

Ler a matéria original ↗

A Exin Therapeutics diz que um agente de IA escolheu uma terapia genética entre 19 opções e controlou braços robóticos e uma agulha injetora para aplicar o tratamento no cérebro de um camundongo vivo com epilepsia. Segundo a Wired, um cirurgião veterinário realizou primeiro a abertura do crânio, enquanto o agente selecionou a região, as coordenadas e parâmetros como volume e velocidade da injeção.

O experimento foi conduzido por Gabriel Ocana Santero, cofundador e CEO da startup, para testar como agentes podem interagir diretamente com equipamentos de laboratório. A equipe inicialmente testou o Claude Opus 5.5, que se recusou a guiar a agulha, e depois usou o Claude Sonnet 5. O sistema exigia aprovação humana do plano de injeção, tinha um botão de emergência e não podia alterar o código do equipamento; ainda assim, uma falha técnica afetou o sistema de coordenadas, segundo a Wired.

Fontes: Wired

Ler a matéria original ↗