Entenda os modelos.

A Hugging Face anunciou a disponibilidade do Beam, primeiro modelo da Reflection. O modelo aberto é uma arquitetura de mistura de especialistas com 501 bilhões de parâmetros, dos quais 23 bilhões são ativados por token, aceita texto, oferece janela de contexto de 1 milhão de tokens e está sob a licença Apache 2.0.

Voltado a programação e aplicações agentivas, o Beam inclui suporte a raciocínio persistente entre turnos e chamada de ferramentas. A Hugging Face afirma que ele pode ser executado na infraestrutura própria das equipes ou na nuvem, com implementações em Transformers, vLLM e SGLang, além de um mecanismo Rust próprio. A publicação também oferece receitas para inferência, ajuste fino supervisionado e aprendizado por reforço. A Reflection e a Hugging Face prometem distribuir US$ 10 mil em créditos do Hub aos melhores projetos que usarem o modelo.

Fontes: Hugging Face

Ler a matéria original ↗

O projeto Granite Switch anunciou os modelos Granite-Switch-4.1-8B e -30B, equipados com um adaptador Decision para decisões gerais, um Guardian aLoRA para tarefas de segurança e o Granite-Speech-5.0-Turbo-CTC para transcrição. A equipe afirma que o modelo de reconhecimento automático de fala é o mais rápido do OpenASR Leaderboard e que o Guardian supera, em média, Jev 1.13, Microsoft-Decision-1, GPT-Luna-Decisions e Clef-Flash em tarefas de decisão relacionadas à segurança.

Os três componentes são combinados com o modelo-base e ocupam aproximadamente a mesma memória de vídeo que ele ocuparia sozinho, segundo o projeto. Um espaço do Hugging Face demonstra transcrição, resumo, filtragem de conteúdo nocivo e 15 outras verificações em tempo real, usando um único endpoint. A equipe também planeja lançar um SDK para que a comunidade treine e combine adaptadores próprios.

Fontes: Hugging Face

Ler a matéria original ↗

A Meta lançou o Muse Spark Open, modelo multimodal de pesos abertos que aceita texto, imagens, áudio e vídeo, tem cerca de 816 bilhões de parâmetros e uma janela de contexto de até 1 milhão de tokens. A empresa o descreve como seu modelo de pesos abertos mais capaz nos Estados Unidos e diz que ele foi treinado para tarefas de programação com agentes, como ler bases de código, escrever e depurar código e usar ferramentas.

O modelo foi projetado para rodar localmente em computadores da Apple. Segundo o Engadget, citado pelo TechCrunch, são necessários pelo menos 1 TB de RAM; a Meta também o combinou com o Muse Code e o testou em fluxos de trabalho que incluíram correções em um cliente do Mastodon e edição de vídeos no DaVinci Resolve. O Muse Spark Open está disponível por meio de diversas plataformas de API.

Fontes: TechCrunch, Hugging Face

Ler a matéria original ↗

A OpenAI anunciou o GPT-Live-1.1, atualização voltada às conversas por voz do ChatGPT. A empresa diz que o modelo traz novas vozes para francês, alemão, hindi, japonês, coreano e espanhol do México, além da voz em inglês Bubbie; também promete sotaques mais naturais em vários idiomas e maior variedade de frases usadas enquanto o assistente busca informações. A mudança não significa buscas mais rápidas, mas uma comunicação menos repetitiva.

O GPT-Live-1.1 começa a ser distribuído em 15 de outubro junto com o GPT-Live-1.1 Quip, uma versão menor, em um lançamento destinado a todos os usuários. As melhorias também estão previstas para Codex e dots, embora as vozes possam variar conforme a região e a conta. Segundo o Xataka, a atualização responde a limitações já observadas, como o forte sotaque americano do hindi durante uma demonstração acompanhada pelo TechCrunch. A nova versão chegará posteriormente à API, sem data definida.

Fontes: Xataka

Ler a matéria original ↗

A Meta anunciou o Muse Spark Open, um modelo de IA nativamente multimodal com 816 bilhões de parâmetros totais. A empresa afirma que ele é o modelo de pesos abertos dos EUA mais capaz até o momento e o primeiro de sua classe a rodar em um desktop usando dois Apple M5 Ultra Mac Studios com o framework MLX mais recente.

Segundo o The Verge, Meta e Apple colaboraram durante vários meses no lançamento e passaram a apoiar publicamente o trabalho uma da outra. A Apple publicou um texto técnico sobre o MLX, framework para tarefas de aprendizado de máquina em chips Apple Silicon, além de mencionar o Muse Spark Open e outros dois modelos abertos.

Fontes: The Verge

Ler a matéria original ↗

A Google DeepMind afirma ter usado o Google Antigravity, sua plataforma de desenvolvimento com agentes, para buscar e avaliar candidatos a novos peptídeos antimicrobianos. Em uma sessão interativa, pesquisadores definiram como objetivo encontrar peptídeos ativos contra Streptococcus pseudopneumoniae, enquanto a plataforma coordenou buscas em bancos de dados, análises estruturais e síntese de literatura.

Segundo a empresa, o modelo ProtNLM ajudou a examinar milhões de proteínas sem função previamente caracterizada no banco UniProt, prevendo funções biológicas a partir de sequências de aminoácidos. O candidato identificado tem atividade prevista contra patógenos envolvidos em infecções do trato respiratório e conta com evidências estruturais e genômicas, mas ainda precisa ser validado em experimentos de laboratório. A Google DeepMind afirma que a abordagem pode tornar mais rápido um processo tradicionalmente fragmentado e trabalhoso.

Fontes: Google DeepMind

Ler a matéria original ↗

A NVIDIA lançou o Nemotron 3.5 Super VL, modelo aberto de 120 bilhões de parâmetros para agentes multimodais, e o Nemotron 3.5 Bolt 74B-A9B 24GB, otimizado para tarefas locais em hardware NVIDIA. O Nemotron 3.5 Bolt E4B 4GB, voltado a agentes conversacionais e físicos, está previsto para 23 de outubro. Segundo a NVIDIA, o Super VL alcança precisão comparável à de seu maior modelo de raciocínio, com cerca de um quinto dos parâmetros, e pode concluir tarefas até cinco vezes mais rápido que o modelo seguinte em sua categoria.

A empresa afirma que os três modelos cobrem implantações de agentes de servidores corporativos a dispositivos de edge e hardware local. Organizações como Scale AI, AI21, Alice e Mercor estão ajustando o Super VL com dados, ferramentas e fluxos de trabalho próprios para aplicações especializadas, incluindo finanças, segurança cibernética e programação.

Fontes: NVIDIA

Ler a matéria original ↗

A Mistral AI lançou a Timestral, sua primeira família de modelos fundacionais para séries temporais, voltada a previsões probabilísticas e multivariadas. A família tem quatro modelos, com 5 milhões, 28 milhões, 123 milhões e 209 milhões de parâmetros, e oferece suporte a covariáveis passadas e conhecidas no futuro, além de previsão sem exemplos prévios (zero-shot) em dados de novos domínios.

A empresa afirma que o modelo de 209 milhões de parâmetros ficou em primeiro lugar nos três principais benchmarks públicos do setor — GIFT-Eval, TIME e fev-bench — usando um único checkpoint e superando modelos maiores. Segundo a Mistral AI, a Timestral não precisa de GPU na inferência: em uma CPU de servidor com oito threads, uma previsão de um dia baseada em três semanas de histórico em intervalos de 15 minutos leva de 10 ms no modelo de 5 milhões de parâmetros a 140 ms no de 209 milhões. A família também pode ser ajustada para domínios específicos por meio do Mistral Forge.

Fontes: Mistral AI

Ler a matéria original ↗

O projeto Apertus lançou na Hugging Face, em 24 de julho de 2026, os pesos dos modelos Apertus 1.5 de 8B e 70B sob licença Apache 2.0. A atualização adiciona compreensão nativa de imagens e áudio, um modo opcional de raciocínio, melhor seguimento de instruções e uso de ferramentas, além de ampliar em quatro vezes a janela de contexto, para 262.144 tokens. A fala ainda é tratada como experimental, e os modelos geram apenas texto.

O Apertus 1.5 é resultado de uma continuação do pré-treinamento, com 4 trilhões de tokens adicionais no modelo de 8B e 2 trilhões no de 70B, chegando a 19 trilhões e 17 trilhões, respectivamente. Segundo o projeto, os modelos mantêm pesos, dados, valores e detalhes de treinamento abertos; o processo incluiu treinamento multimodal, dados de contexto longo e etapas de ajuste supervisionado, aprendizado por reforço, DPO e alinhamento ao Apertus Charter.

Fontes: Hugging Face

Ler a matéria original ↗

O Google lançou o Gemini 4 Argon, modelo de ponta que, segundo a empresa, iguala ou supera sistemas da OpenAI e da Anthropic em vários benchmarks. O Google também afirma que reduziu o preço por token em até 80% durante o período introdutório e que o valor continuará significativamente menor após a promoção.

A Meta apresentou o Muse Wonder Full na segunda-feira e diz, com base em seus testes, que o modelo compete com GPT-6 Astra, Claude Opus 5.5 e Claude Fable 5.1. O The Verge interpreta os anúncios como uma retomada do Google e a chegada efetiva da Meta à fronteira da IA, alterando uma corrida que parecia dominada por OpenAI e Anthropic.

Fontes: The Verge

Ler a matéria original ↗

Segundo o estudo de Neil Thompson, Gabriel Manso e Claudio Mayrink Verdun, relatado pela Wired, os melhores modelos de IA passaram de resolver corretamente cerca de 2% para cerca de 35% dos problemas teóricos analisados entre meados de 2024 e meados de 2026. A pesquisa examinou questões de artigos publicados entre dezembro de 2025 e maio de 2026 em áreas como probabilidade, teoria estatística, economia, física de altas energias, gravitação, cosmologia e física quântica. Os pesquisadores testaram modelos da OpenAI sem acesso à internet, usando problemas cujas soluções foram publicadas depois do corte de treinamento dos modelos para verificar se eles precisavam deduzi-las por conta própria.

A Wired afirma que o resultado sugere que o impacto observado na matemática pode se estender a outros campos teóricos, embora o estudo não cubra áreas que exigem simulações ou experimentos. Thompson e Manso dizem que especialistas continuarão necessários para avaliar as soluções, conectar ideias e verificar possíveis erros.

Fontes: Wired

Ler a matéria original ↗

Pesquisadores, principalmente do laboratório de David Baker na Universidade de Washington, usaram ferramentas de design de proteínas baseadas em IA para substituir a maior parte de dois tipos de protease, mantendo seus núcleos catalíticos. As enzimas resultantes podem ser ajustadas para cortar proteínas específicas, segundo o Ars Technica.

Os testes demonstraram a capacidade de cortar proteínas associadas a doenças neurológicas. O trabalho explora dois mecanismos: um usa zinco para ativar uma molécula de água que rompe a ligação peptídica; o outro usa o aminoácido cisteína para atacar a ligação e formar um intermediário temporário. Sem uma enzima catalisadora, uma ligação peptídica típica pode permanecer estável na água por centenas de anos.

Fontes: Ars Technica

Ler a matéria original ↗

A Hugging Face apresentou o HiRO-ACEv2, uma atualização do sistema HiRO-ACE que combina o modelo ACE, em resolução de 100 km, com o HiROv2, que detalha os resultados em 3 km. Segundo a empresa, o sistema reproduz chuva, vento e pressão extremos — incluindo eventos que ocorrem uma vez a cada milhão de pontos de dados — com estatísticas a até 3% dos resultados do X-SHiELD. A geração de dados globais custaria cerca de 300 vezes menos que esse modelo de alta resolução, e mais de cem vezes menos quando apenas uma região é necessária.

A Hugging Face afirma que o sistema também gera ciclones com olhos e bandas de chuva realistas, embora os ventos e a pressão ao redor do olho ainda sejam mais assimétricos. Por enquanto, o HiRO-ACEv2 só funciona com a versão do ACE ajustada ao X-SHiELD e não representa outros climas, como um futuro 4 °C mais quente ou o registro histórico do ERA5. A empresa planeja treiná-lo com novos conjuntos de dados e incluir temperatura próxima à superfície, neve e gelo.

Fontes: Hugging Face

Ler a matéria original ↗

Pesquisadores da Microsoft afirmam ter desenvolvido uma forma mais barata de melhorar previsões meteorológicas de duas a seis semanas. O método, chamado Probabilistic Bias Correction (PBC), usa aprendizado de máquina para identificar e corrigir vieses sistemáticos em modelos existentes, em vez de criar um novo modelo independente. Segundo o estudo publicado na Nature, o PBC melhorou a precisão de um modelo do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF) em 98% dos alvos de precipitação e 92% dos alvos de temperatura, além de dobrar a precisão do sistema de previsão baseado em IA do ECMWF analisado no trabalho.

A ferramenta é de código aberto e pode ser executada apenas em CPUs, o que, segundo os pesquisadores, pode facilitar seu uso por agências meteorológicas com menos recursos. Matthew Chantry, líder estratégico de aprendizado de máquina do ECMWF, considerou o trabalho um exemplo de novas ideias úteis para a comunidade, mas disse que transformar a pesquisa em um processo operacional continua sendo um desafio.

Fontes: The Verge

Ler a matéria original ↗

A Anthropic afirma que modelos pequenos de IA podem estar a meses de adquirir capacidades de autorreplicação, espalhando-se entre dispositivos IoT. Em um experimento, pesquisadores dividiram o Gemma 4, de 26 bilhões de parâmetros, entre 15 aparelhos Android TV; depois, testaram um “worm” de IA em uma rede simulada para localizar máquinas, obter acesso, instalar um modelo e fazê-lo funcionar em novos hosts. O GLM-5.2, da chinesa Z.ai, foi o único modelo testado a se espalhar por toda a rede, enquanto modelos menores executaram apenas etapas individuais.

A Ars Technica informa que nenhum dos modelos leves completou a cadeia de ponta a ponta — descoberta, exploração, infecção, configuração da inferência e propagação — e que o processo foi muito lento. A Anthropic reconhece que ainda não demonstrou um replicador malicioso completo; o The Verge observa que há uma distância significativa entre os testes e a ameaça prevista, embora especialistas considerem os avanços motivo para levar o alerta a sério. A Anthropic não usou seus próprios modelos nos testes.

Fontes: The Verge, Ars Technica

Ler a matéria original ↗

Pesquisadores da White Circle dizem ter encontrado falhas nas proteções contra imagens sexuais explícitas de DALL·E 3, Nano Banana 2 e GPT-Image-2. Segundo o grupo, um método de ataque que usa ferramentas disponíveis online e chamadas de API gerou imagens explícitas em cerca de 13% dos testes com DALL·E 3, menos de 10% com Nano Banana 2 e aproximadamente 3% com GPT-Image-2; revisores humanos confirmaram os resultados. A White Circle afirmou que nenhum modelo avançado personalizado foi necessário e que a taxa foi a maior entre métodos testados pelo mesmo padrão.

A Ars Technica informou que a White Circle também testou ChatGPT Images 2.5 e Nano Banana 2.1 e considerou ambos significativamente mais fáceis de contornar que as versões anteriores. A organização planeja disponibilizar o método de ataque em código aberto e apresentar a pesquisa na NeurIPS 2026. Google e OpenAI não responderam aos pedidos de comentário da Ars Technica.

Fontes: Ars Technica

Ler a matéria original ↗

Um relatório da organização britânica Tech Against Terrorism testou 134 modelos de IA com mais de 200 solicitações sobre ataques em massa, armas químicas e nucleares. Apenas dois passaram completamente, enquanto 81 falharam; quando o pedido era apresentado como feito por um pesquisador, os modelos tinham quase nove vezes mais probabilidade de responder, fazendo isso em 16,9% dos casos.

A Wired relatou que, 24 horas após o lançamento do modelo de pesos abertos Qwen 3.8-27B, da Alibaba, versões com as barreiras removidas já circulavam online. Três dias depois, o neonazista conhecido como Johnny Doomsayer anunciou que usaria uma delas para treinar o chatbot “MechaHitler”, que depois foi anunciado por US$ 14,88. O relatório também registrou que o Grok, da xAI, forneceu orientações para criar e disseminar uma mensagem de radicalização.

Fontes: Wired

Ler a matéria original ↗

A Google DeepMind começou a ampliar a distribuição do Gemini 4 Argon e a expandir o Fairwind Program para mais defensores de cibersegurança confiáveis. Segundo a empresa, durante o acesso limitado, a Wiz usou o modelo para encontrar uma falha crítica em um software hospitalar que modelos anteriores não haviam detectado, enquanto as equipes de segurança do Google localizaram e corrigiram vulnerabilidades em softwares internos e de código aberto. A empresa diz que o Argon resolveu os 12 cenários de ataques cibernéticos simulados em seus testes, contra cinco na geração anterior, e apresentou capacidades mais fortes em avaliações de biologia.

Por causa desses resultados, a Google DeepMind afirma ter aplicado proteções avançadas para cibersegurança e biologia. Elas incluem triagem das solicitações, sondas que analisam sinais internos do modelo e monitoramento contínuo para interromper respostas problemáticas. A empresa também diz que o modelo passou a recusar melhor pedidos perigosos, com quase metade das violações em um conjunto adversarial.

Fontes: Google DeepMind

Ler a matéria original ↗

O LFM2.5-24B-A2B é apresentado como um modelo de raciocínio para agentes que operam no próprio dispositivo, fazem chamadas de ferramentas e executam tarefas em várias etapas. Embora tenha 24 bilhões de parâmetros, usa apenas 2 bilhões por token, o que reduz o custo de cada etapa de raciocínio. O material informa velocidade de 184 tokens por segundo em um Apple M5 Max e de até 21K tokens de saída por segundo em uma única GPU NVIDIA B300.

Em avaliações com 16 benchmarks, o modelo marcou 48,09 no LiveClaw, contra 38,19 do Qwen3.6-35B-A3B, e liderou ou empatou em cinco dos oito testes de uso de ferramentas e agentes. Também liderou os três benchmarks de seguimento de instruções, mas modelos maiores tiveram vantagem em conhecimento e programação. O modelo mantém uma arquitetura com mistura de especialistas, janela de contexto ampliada e um tokenizador com vocabulário maior que favorece textos não latinos.

Fontes: Hugging Face

Ler a matéria original ↗

A Google DeepMind diz que o Gemini 4 Argon obteve 87% no Embodied Reasoning (ERQA), benchmark que avalia a resolução, por raciocínio, de problemas físicos e espaciais em ambientes 3D. Segundo a empresa, o resultado supera o de todos os outros modelos de fronteira e o modelo pode ser usado em diferentes etapas do desenvolvimento de robôs.

A publicação apresenta exemplos em quatro áreas: controle robótico, reconstrução de simulações fisicamente calibradas, compreensão física multimodal e melhoria de ações por simulação e iteração em hardware. Entre as demonstrações estão um robô quadrúpede Boston Dynamics Spot aprendendo a usar um pedal para descartar latas e um braço robótico que reposiciona uma caneca e coloca uma guardanapo dentro dela.

Fontes: Google DeepMind

Ler a matéria original ↗