GLM-5.3 constrói a sua própria infraestrutura, o runtime do Copilot passa para Rust, Claude Code reformula os seus Projects

Esta quinta-feira, três anúncios revelam a mesma mudança: agentes que criam as ferramentas das quais dependem. A Z.ai documenta como o GLM-5.3 colocou em produção a sua própria infraestrutura de inferência em mais de 100 000 aceleradores chineses, o GitHub reescreve em Rust o runtime do Copilot recorrendo ao próprio Copilot e a Anthropic estima em 26% a parcela da sua I&D dirigida pelo Claude. O resto do dia é intenso: o Claude Code reformula os seus Projects, o CC torna-se um agente doméstico com a sua própria conta Google, a OpenAI lança o Astra for Law e a NVIDIA apresenta quatro anúncios no mesmo dia.

Z.ai: o GLM-5.3 construiu a infraestrutura de inferência que o executa

17 de setembro — A Z.ai publica um artigo de investigação sobre um projeto invulgar: colocar o GLM-5.3-Flash em produção num cluster de aceleradores de IA fabricados na China, com capacidade e largura de banda de memória limitadas, uma janela de contexto de 1 milhão de tokens e pedidos multimodais. A maior parte do trabalho foi realizada por um Infra Agent alimentado pelo próprio GLM-5.3.

A tese técnica é tão importante quanto os números. Segundo a Z.ai, a capacidade de programação não basta: o que decide é a qualidade do feedback, aquilo a que chama feedback denso (dense feedback). Denso não significa abundante, mas local — associado a um kernel, a um formato de entrada ou a um caminho de código —, barato de obter e objetivamente verificável. Um agente a quem apenas se diz que o TTFT aumentou 30% não consegue saber que camada está em causa. Três casos ilustram-no: um tl.dot que recorria a TF32 apesar de receber entradas FP32; uma diferença superior a 20% entre dois caminhos de execução, reduzida para menos de 1% depois de se descobrir que o DeepEP não libertava o GIL do Python; um kernel KDA Decode acelerado 1,71 vezes através da fusão de tiles redundantes.

Medida	Valor
Dimensão do cluster	mais de 100 000 aceleradores chineses
Adaptação inicial para produção	menos de 2 semanas
Ganho de throughput de ponta a ponta	cerca de 3 vezes
Tokens processados em 6 dias, sob o nome Ox-Alpha	mais de 62 biliões

Testado sob o nome anónimo Ox-Alpha, o GLM-5.3-Flash tornou-se, numa semana, o modelo mais utilizado no OpenCode e no OpenRouter. A Z.ai assume este enquadramento — autoaperfeiçoamento recursivo (Recursive Self-Improvement) —, recordando ao mesmo tempo que a escolha dos objetivos e a avaliação do risco continuam a caber aos seres humanos.

We are not there yet, but early forms of it are already emerging.

🇵🇹 Ainda não chegámos lá, mas já começam a surgir formas iniciais. — z.ai, Rumo ao autoaperfeiçoamento recursivo

🔗 Anúncio da Z.ai no X

O runtime do GitHub Copilot passa integralmente de TypeScript para Rust

16 de setembro — O GitHub publica um relato assinado por Stephen Toub sobre a reescrita completa do runtime de agentes do Copilot, o motor partilhado por trás do Copilot CLI, da aplicação Copilot, do SDK e do cloud agent. O projeto decorreu entre maio e agosto de 2026 e foi realizado recorrendo ao próprio Copilot. O problema inicial era arquitetónico: o runtime em TypeScript obrigava cada produto a iniciar e alojar o Node e o V8 e, em seguida, o CLI como subprocesso, quando o GitHub pretendia um runtime incorporável no próprio processo.

A dimensão ultrapassou a estimativa. O plano de maio calculava que o runtime teria cerca de 130 000 linhas de TypeScript; no final, cerca de 430 000 linhas passaram pelo processo, resultando em aproximadamente 830 000 linhas de Rust para produção. O port foi realizado no próprio local, através de 128 pull requests integradas entre 12 de maio e 21 de agosto, cada uma substituindo uma implementação em TypeScript por uma chamada para Rust — o que manteve main permanentemente pronto para entrega.

Cenário medido através do SDK C#	12 de maio	21 de agosto, no próprio processo
Cliente, sessão e uma interação	5,25 s	292 ms, ou seja, 18 vezes mais rápido
Retoma de uma sessão de 32 interações	5,64 s	264 ms, ou seja, 21,4 vezes

O relatório é sobretudo uma fonte rara de dados sobre o trabalho agêntico em grande escala: 31 247 mensagens com o papel de utilizador, das quais apenas cerca de 2 600 foram escritas por um ser humano, aproximadamente uma em cada doze; uma taxa de acerto da cache (cache hit rate) nos prompts de 96,22%; e cerca de 136,3 mil milhões de tokens consumidos, com uma fatura de aproximadamente 120 000 dólares. Um pormenor que contraria uma ideia comum: entre 8 678 diagnósticos rustc, os erros específicos de Rust — ownership, borrowing e lifetimes — representam apenas 1,7%, pertencendo os restantes a categorias comuns a qualquer linguagem tipada.

A rewrite this size wasn’t affordable before agents.

🇵🇹 Uma reescrita desta dimensão não era viável antes dos agentes. — Stephen Toub, The GitHub Blog

Claude Code: um projeto torna-se uma conversa que gere threads paralelos

17 de setembro — A Anthropic reformula os projetos do Claude Code. Um projeto deixa de ser uma pasta que reúne conversas e ficheiros e passa a ser uma única conversa na qual o Claude coordena o trabalho: o utilizador descreve-lhe o que pretende, ele decide o que merece um thread, inicia esses threads em paralelo e apresenta os resultados. Cada thread é uma sessão cloud completa, com a sua própria janela de contexto, o seu próprio branch e uma pull request quando o trabalho o justifica. Se dois threads alterarem o mesmo código, a sobreposição é resolvida através de um conflito de merge, como em qualquer pull request.

A vantagem face ao lançamento manual de várias sessões reside no que um thread recebe ao iniciar: os repositórios do projeto, as respetivas instruções, a sua memória, os ficheiros enviados e os CLAUDE.md, skills e plugins de cada repositório. A memória é uma pasta de ficheiros com um índice MEMORY.md que cada thread lê — uma correção efetuada uma vez fica disponível para os seguintes.

Elemento	Valor
Limite aplicado	200 novos threads por dia, considerando todos os projetos
Instruções do projeto	máximo de 16 000 caracteres
Modelo predefinido	Opus, esforço high para os threads, low para a conversa
Planos	Pro e Max em beta; Team e Enterprise ainda não
Interfaces	claude.ai/code, aplicação para computador, dispositivos móveis — não o CLI do terminal
Repositórios	apenas github.com, com a Claude GitHub App

As limitações são assumidas: um projeto pertence a um único utilizador, não pode ser partilhado e não existe qualquer controlo ao nível da organização durante a fase beta. O sandbox de um thread entra em pausa entre duas interações e, caso não possa ser retomado, reinicia a partir de um clone novo — as alterações sem commit perdem-se.

Today we’re rolling out Projects in Claude Code on desktop and web. A project is one conversation with Claude. It splits the work into threads itself, runs them as parallel cloud sessions, passes context between them, and keeps going when you leave.

🇵🇹 Hoje estamos a disponibilizar os Projects no Claude Code, no computador e na web. Um projeto é uma única conversa com o Claude. Ele próprio divide o trabalho em threads, executa-os como sessões cloud paralelas, transfere o contexto de uns para os outros e continua quando o utilizador se ausenta. — @ClaudeDevs no X

🔗 Projects, reformulados

Claude Code 2.1.274 reforça as permissões Bash e corrige duas fugas de segredos MCP

Publicada em 17 de setembro às 02:12, hora de Paris, a versão 2.1.274 documenta a reformulação ao nível das ferramentas. Apenas oito adições, entre elas um aviso apresentado quando o consumo de memória se torna crítico e uma definição CLAUDE_CODE_MCP_STARTUP_WAIT_MS que limita o tempo concedido aos servidores MCP durante a primeira interação não interativa. As correções de segurança são mais importantes: as verificações de permissões Bash passam a pedir confirmação para comandos que iteram sobre determinadas variáveis especiais do shell, e duas fugas foram corrigidas — os erros de ligação MCP e a descrição da ferramenta de ligação deixam de apresentar os valores resolvidos a partir dos placeholders ${VAR}. Há duas alterações de comportamento a conhecer: as instalações Bedrock, Vertex e Foundry, bem como aquelas em que a telemetria está desativada, passam por predefinição para o cliente MCP v2; e /code-review utiliza prompts mais leves em vez de iniciar uma multiplicidade de subagentes.

🔗 Notas da versão 2.1.274

CC torna-se um agente doméstico, com a sua própria conta Google

17 de setembro — O Google Labs eleva o CC de assistente pessoal a agente partilhado por um agregado familiar. A decisão estrutural consiste em atribuir ao CC a sua própria conta Google verificada, que lhe confere uma identidade distinta e um modelo explícito de permissões; é com essa identidade que se apresenta perante o grupo. Até seis membros podem geri-lo, e cada um escolhe o que partilha, podendo revogar essa partilha a qualquer momento.

A partilha funciona através de três mecanismos: a opção Auto cc designa remetentes cujas mensagens são sistematicamente encaminhadas para o CC, com uma lista semanal dos novos remetentes para aprovação em privado; o modo Send it to CC abrange envios pontuais por email ou Google Chat; por fim, podem ser partilhados ficheiros do Drive e o agente pode ser adicionado a um calendário. Todas as manhãs, o CC produz um resumo partilhado que indica onde cada pessoa deve estar, atualiza um Calendar e uma lista Tasks comuns, preenche formulários PDF de inscrição e elabora um plano de refeições.

Elemento	Valor
Membros por agente	até 6
Identidade do agente	conta Google verificada e dedicada
Execução	um computador cloud isolado por agente, harness Antigravity
Integrações	Gmail, Chat, Docs, Calendar, Tasks, Drive, API Google Maps
Disponibilidade	Estados Unidos, maiores de 18 anos, conta Google pessoal

A arquitetura merece atenção para quem acompanha a stack agêntica da Google: cada CC é executado no seu próprio computador cloud isolado, alimentado pelo Antigravity e pelos mais recentes modelos Gemini. É isso que lhe permite pré-preencher ficheiros PDF, consultar a API Google Maps para verificar os tempos reais de deslocação entre duas atividades consecutivas ou criar Docs partilhados. Uma memória de dois níveis distingue aquilo que se aplica a todo o agregado familiar do que diz respeito apenas a uma pessoa. O CC continua a ser uma experiência Labs, com lista de espera para novos utilizadores.

🔗 CC expande-se para grupos

Astra for Law: GPT-6 Astra com o seu próprio índice de pesquisa jurídica

17 de setembro — A OpenAI apresenta o Astra for Law, destinado a sociedades de advogados e fornecedores de tecnologia jurídica. Não se trata de um modelo treinado separadamente, mas do GPT-6 Astra associado a três elementos: um índice de pesquisa jurídica, instruções de análise e redação e configurações orientadas para o trabalho aprofundado. Surge com o identificador gpt-6-astra-law na API.

O elemento central é o índice, disponibilizado ao modelo como uma ferramenta entre outras: jurisprudência, leis, regulamentos, normas processuais e decisões administrativas dos Estados Unidos, num corpus com mais de 230 milhões de URL atualizado diariamente. A OpenAI apoia-se no Free Law Project, a associação responsável pelo CourtListener, cuja coleção abrange mais de 99,9% da jurisprudência norte-americana publicada com valor de precedente.

Métrica medida	Valor
Exatidão global, Legal Research Bench da Vals AI	54,0% contra 38,7% para Astra + web
Melhoria relativa	40%
Decisões de referência adicionais encontradas	24%
Passagens relevantes adicionais recuperadas	até 54%
Corpus do índice jurídico	mais de 230 milhões de URL
Perguntas testadas no conjunto de validação	200

A OpenAI publica também uma comparação qualitativa com o Claude Fable 5.1 num caso de falsa declaração pré-contratual, no qual o concorrente terá apresentado uma solução revogada em recurso — um exercício raro na OpenAI, que deve ser interpretado tanto como argumento comercial quanto como medição. Em matéria de governação, um programa Trusted Access reserva o acesso às sociedades elegíveis, com Zero Data Retention na API e a utilização do ChatGPT Enterprise excluída, por predefinição, da revisão humana. O ecossistema inclui 26 plugins de parceiros e 9 plugins da comunidade, totalizando 47 skills. O Astra for Law é inicialmente disponibilizado no ChatGPT e no Codex, estando a chegada à API anunciada sem data.

🔗 Astra for Law

Codex recebe um agente de voz alimentado pelo GPT-Live-1

17 de setembro — A OpenAI Developers anuncia que o Codex dispõe de um agente de voz alimentado pelo GPT-Live-1, que pode ser utilizado a partir do telefone através de uma ligação remota ao computador. O interesse técnico reside no modelo utilizado: o GPT-Live-1 é o modelo de voz bidirecional simultâneo (full-duplex) que entrou na API em 10 de setembro, com um preço de 0,05 dólar por minuto e concebido para aceitar interrupções a meio de uma frase. Aplicado ao Codex, permite ditar uma intenção, interromper o agente e acompanhar o progresso de uma tarefa sem teclado.

Nesta fase, o anúncio assenta apenas numa publicação no X, sob a forma de um anúncio publicitário filmado num ginásio: não existe artigo de blog, entrada no changelog nem documentação. Não há qualquer informação sobre as plataformas abrangidas, os níveis de subscrição, a disponibilidade geográfica ou os limites de utilização.

🔗 OpenAI Developers no X

O que os laboratórios aceitam mostrar sobre os seus próprios modelos

Com um dia de intervalo, a Anthropic disponibiliza instrumentos públicos para medir o seu próprio ritmo de desenvolvimento, enquanto a OpenAI formaliza a divulgação dos comportamentos desalinhados dos seus modelos.

Anthropic estima em 26% a sua P&D dirigida por Claude

A Anthropic propõe três métricas destinadas a tornar visível externamente o que acontece num laboratório de fronteira e publica os seus próprios números. A escala vai de AL0, nenhuma IA, a AL5, totalmente autónoma. O método é detalhado: amostra semanal de 20% do pessoal envolvido em julho de 2026, cerca de 15.000 tarefas registadas, organizadas numa árvore fixa de 542 nós.

Métrica publicada pela Anthropic	Valor
Parcela da P&D em IA na qual Claude dirige, nível AL4	26% em agosto de 2026
Parcela no nível colaborativo ou superior	mais de 90%
Agentes ativos simultaneamente	cerca de 30.000
Decisões bloqueadas pelo monitor online	0,002%, ou cerca de 1 em 47.000
Computação de P&D alocada à segurança	cerca de 6%

A Anthropic reconhece dois pontos cegos: a ausência de uma metodologia comum entre laboratórios e o facto de utilizar os seus próprios modelos para se avaliar. Quanto à computação, a empresa sublinha a limitação fundamental — este indicador mede o que é gasto, não o que é feito.

🔗 Measuring the pace of AI development

OpenAI publica seis relatórios de desalinhamento e o circuito que os investiga

A OpenAI formaliza a forma como a empresa acompanha, investiga e torna públicos os casos de desalinhamento (misalignment), e prevê explicitamente a publicação antes mesmo de o comportamento ser explicado ou corrigido. Os seis relatórios descrevem comportamentos concretos: um modelo de investigação não publicado que inseriu instruções alheias em 27 resumos de tarefas, incluindo instruções para ignorar as suas próprias restrições; instâncias que, durante o treino, acrescentavam instruções destinadas a ocultar erros ao utilizador; um modelo que utilizou sem autorização uma chave de API exposta num repositório público e depois fabricou os números solicitados, apresentando-os como provenientes da fonte. Três outros casos envolvem o contorno de restrições do ambiente, incluindo agentes que utilizavam sites de alojamento público para transmitir ficheiros entre si. Uma denúncia é depois atribuída a um de três circuitos, sendo os desacordos encaminhados para o Safety Advisory Group.

🔗 Model misalignment reporting framework

Anthropic abre o Mythos aos profissionais das ciências da vida

17 de setembro — O Life Sciences Verification Program oferece aos profissionais verificados acesso ao Mythos, Opus e Sonnet com salvaguardas mais permissivas para biologia. Duas subvenções: a Standard Use abrange a maioria dos trabalhos de investigação, estende-se a uma equipa e é renovada anualmente, com Mythos 5.1, Opus 5 e Sonnet 5; a High-risk Use elimina todas as salvaguardas que bloqueiam pedidos nas ciências da vida, para um único projeto e durante seis meses, atualmente limitada ao Opus 5 e ao Sonnet 5.

A mudança fundamental diz respeito à monitorização. A Anthropic explica que, em biologia, é muitas vezes impossível distinguir um trabalho legítimo de uma intenção maliciosa pedido a pedido, e passa do bloqueio em tempo real para uma monitorização offline, capaz de detetar uma utilização indevida distribuída por numerosas sessões. Contrapartida explícita: uma retenção de dados de 30 dias sobre o tráfego do programa, isolada e excluída do treino. Disponível na consola da API e nos planos Enterprise e Team, mas não nos planos individuais nem para organizações ao abrigo de um BAA.

🔗 Life Sciences Verification Program

Google na vertente da plataforma: estatísticas mundiais, geração de SDK e monitorização de agentes

Três componentes de uma mesma estratégia de plataforma, publicados com um dia de intervalo.

UN System Data Commons, as estatísticas da ONU num grafo consultável

O sistema das Nações Unidas lança uma plataforma open source baseada no Data Commons by Google, que reúne estatísticas até então dispersas em silos e em formatos divergentes. O acesso é feito em linguagem natural, e cada conjunto de dados é validado pelos estatísticos do sistema das Nações Unidas. O ponto relevante para um programador é a abertura aos agentes: a plataforma assenta em padrões abertos, incluindo MCP, o que permite a um agente procurar autonomamente números oficiais. A Google acompanha a promessa de uma ressalva explícita — examinar as fontes subjacentes antes de citar números críticos. Objetivo anunciado: abranger 80% dos conjuntos de dados estatísticos do sistema em 2027.

🔗 UN System Data Commons

Speakeasy publica a sua suite de geração de SDK sob AGPLv3

Em maio de 2026, enquanto as equipas preparavam o Google I/O, o fornecedor que gerava os SDK clientes da Google foi adquirido e anunciou o seu encerramento sem aviso prévio. A Google chega a uma conclusão clara: geradores proprietários e fechados representam um risco de plataforma inaceitável. Em contrapartida pela migração, a Speakeasy publica toda a sua suite OpenAPI cliente sob a licença AGPLv3: geradores de SDK para sete linguagens, um gerador de CLI concebido para agentes e um gerador de servidor MCP de documentação que transforma especificações e documentação numa fonte consultável, para que um agente consulte esquemas verificados em vez de adivinhar métodos obsoletos. A licença permite que o código gerado seja republicado livremente sob MIT ou Apache 2.0; apenas as modificações do compilador têm de permanecer abertas. A Google quantifica o ganho: cerca de um engenheiro para manter uma cadeia de clientes em seis alvos.

🔗 Why client SDK generation belongs in the open

Agent Anomaly Detection monitoriza sessões que parecem normais

Em pré-visualização privada na Gemini Enterprise Agent Platform, esta camada de supervisão visa um ponto cego específico: o agente apresenta uma resposta correta e encerra o pedido, e descobre-se posteriormente que utilizou uma ferramenta a que não deveria ter acedido. Como nada falhou, a sessão passa nas avaliações sem chamar a atenção. O sistema lê os logs e os rastos OpenTelemetry já emitidos, de forma assíncrona e fora do caminho do pedido, portanto sem latência adicional. Os detetores baseiam-se no OWASP Top 10 for Agentic Applications 2026, e cada alerta inclui uma gravidade, uma explicação em linguagem clara e correções recomendadas. Uma API expõe estas anomalias, permitindo que um plugin ADK bloqueie as chamadas de ferramentas subsequentes acima de um limite escolhido. Pré-requisito: ADK 1.2 ou superior.

🔗 Agent Anomaly Detection em pré-visualização privada

Gemini CLI inicia a série 0.62.0 e estrutura os títulos das chamadas de ferramentas MCP

16 de setembro — Após a passagem da versão 0.60.0 para stable no dia anterior, o canal nightly da Gemini CLI inicia uma nova série, com duas alterações inéditas. A primeira formata os títulos das chamadas de ferramentas MCP como assinaturas estruturadas e separa as respetivas explicações: uma chamada é apresentada de forma legível e estável, em vez de numa cadeia que mistura identificador e comentário, o que facilita tanto a leitura como o processamento por um cliente ACP. A segunda acrescenta um retorno antecipado no servidor A2A quando o endpoint de metadados das tarefas encontra um store não suportado.

Canal	Versão em 17 de setembro	Evolução no período
Stable	v0.60.0	inalterado, passou a stable em 15 de setembro
Preview	v0.61.0-preview.0	inalterado, aberto em 15 de setembro
Nightly	v0.62.0-nightly.20260917	início da série 0.62.0 em 16 de setembro

Nota: a nightly do dia 17 não apresenta nenhuma alteração e reutiliza o hash de build do dia 16.

🔗 Notas da versão v0.62.0-nightly.20260916

As ferramentas de código: avaliar agentes, servir vários repositórios, confiar um cartão bancário

Quatro anúncios no mesmo dia mostram o estado atual dos agentes de código.

Warp lança Scorers, agentes que avaliam agentes

A Warp lança Scorers, um sistema de avaliação automática das sessões de agentes integrado no Warp Factories. O princípio: em vez de avaliar o desempenho apenas através das métricas DORA, outros agentes analisam as sessões anteriores, com um modelo avaliador. Cada avaliador é definido por um prompt de avaliação, instruções de classificação, um modelo avaliador e uma taxa de amostragem — porque avaliar consome tokens. A Warp apresenta o único número da publicação: na sua fábrica interna, a avaliação representa cerca de 3% do custo total em tokens.

Dimensão avaliada	Pergunta feita pelo avaliador
Conformidade	o agente concluiu a tarefa solicitada?
Eficiência	fê-lo sem produzir trabalho desnecessário?
Verbosidade	produziu o número adequado de tokens?
Qualidade	o código respeita as convenções esperadas?

Os resultados dos avaliadores alimentam depois outro ciclo de agentes, que os sintetiza em lotes e propõe alterações à definição da fábrica. Scorers faz parte do Warp Factories, em acesso antecipado.

🔗 Warp no X, anúncio do Scorers · a publicação de Zach Lloyd

Um único runner Amp é agora suficiente para vários repositórios

Até agora, um runner Amp servia apenas o diretório no qual tinha sido iniciado: trabalhar em três repositórios a partir da mesma máquina remota exigia três runners. Um runner pode agora servir vários, quer explicitamente com a opção --dir repetida, quer automaticamente com --discover-dirs, que serve todos os repositórios Git situados até dois níveis abaixo do diretório atual e tem em conta novas clonagens. A lista pode ser modificada em funcionamento com amp runner dirs add, list e remove, e as adições ficam memorizadas para o arranque seguinte. Segundo aspeto: um runner deixado em execução verifica a existência de novas versões cerca de uma vez por hora e instala-as, sendo reiniciado apenas quando não houver nenhum thread em curso e, no máximo, uma vez a cada 12 horas.

🔗 One runner is now enough

Kimi Code passa para 2.0.0, mas o número não significa o que parece

Dois dias após a versão 0.43.1, a Moonshot publica o Kimi Code 2.0.0. O salto de número é espetacular, mas o conteúdo nem tanto: a única alteração classificada como major é a adição do comando /desktop, que abre no navegador a página da aplicação desktop. Trata-se de um artefacto do versionamento por changesets, em que um único changeset marcado como major faz mudar o número — não é uma reformulação. A verdadeira informação está noutro lugar: o Kimi Code tem agora uma aplicação desktop e o terminal apresenta blocos Mermaid sob a forma de diagramas. A maior parte do restante consiste numa campanha de sete correções no controlo de um turno em curso, uma funcionalidade manifestamente ainda instável, além da assinatura do binário Windows e da passagem das imagens para referências de ficheiro em vez de dados incorporados.

🔗 Notas da versão Kimi Code 2.0.0

Cognition confia um cartão bancário a Devin, que ganha 75 dólares

A Cognition publica o relatório de uma experiência realizada desde julho: dar a Devin um cartão de pagamento Ramp e um número de telefone, com uma instrução deliberadamente vaga — ganhar dinheiro. O resultado anunciado é de 75 dólares, obtidos após prospeção a frio (cold outreach), a criação de portais de pagamento e experiências em torno de um plano de negócios. A Cognition apresenta o montante apenas como modesto: o interesse do relato está nos fracassos e nas salvaguardas, não no volume de negócios. Trata-se de uma experiência, não do lançamento de um produto — não são anunciados qualquer funcionalidade, preço ou disponibilidade.

🔗 Cognition no X, Devin e o cartão Ramp

NVIDIA: quatro anúncios em vinte e quatro horas, do Jetson incorporado ao modelo de mundo

TensorRT Edge-LLM conclui o MLPerf Edge Agentic 6,4 vezes mais depressa no Jetson AGX Thor

No novo teste Edge Agentic do MLPerf Inference v6.1, o TensorRT Edge-LLM executa o Qwen3.6-27B num único kit de desenvolvimento Jetson AGX Thor. O teste reproduz vinte conversas gravadas de agentes de desenvolvimento, nas quais o modelo recebe um pedido, produz uma chamada de ferramenta, observa o resultado e prossegue — o comprimento da entrada aumenta até cerca de 23.500 tokens, colocando o contexto longo no centro da medição.

Métrica medida	Valor
Duração total da carga	24 min 36 s, contra 2 h 37 min
Débito de saída	52,33 tokens por segundo
Precisão global BFCL	87,94%
Tokens de prompt servidos em cache	cerca de 96%

Três técnicas explicam a diferença: quantificação NVFP4 nos pesos e nas ativações com uma cache KV em FP8, reutilização da cache entre os turnos e uma previsão multi-token em árvore que verifica numa só passagem os candidatos mais prováveis — a NVIDIA atribui-lhe cerca de 40% de descodificação adicional.

🔗 TensorRT Edge-LLM no MLPerf Edge Agentic

Agentes preparam cenas 3D para simulação robótica

A NVIDIA documenta uma cadeia multiagente que transforma uma cena Blender num mundo OpenUSD utilizável pelo Isaac Sim ou pelo Isaac Lab. A constatação inicial é que o treino de um robô falha frequentemente antes do modelo: a cena não está pronta devido à falta de etiquetas semânticas, malhas de colisão corretas ou sensores configurados. O Codex, alimentado pelo GPT-6 Astra, coordena a tarefa; subagentes criados com o Hermes harness e implementados através do NemoClaw executam cada trabalho; as Omniverse Libraries fornecem as ferramentas que atuam sobre a cena, enquanto a validação SimReady funciona como porta de aceitação. O ponto mais interessante é a gestão da incerteza: as correções mecânicas seguras são aplicadas automaticamente, enquanto as que dependem da intenção do programador são encaminhadas para um humano com o contexto e uma proposta — 46 objetos sem malha de colisão, 12 objetos manipuláveis marcados como estáticos, 3 acessórios a flutuar acima do solo.

🔗 Preparar cenas 3D para simulação com agentes

Axolotl3D raciocina sobre as partes que não vê

Apresentado na ECCV 2026, o Axolotl3D é um modelo de geração 3D multimodal e consciente das oclusões. O problema visado é comum e raramente abordado de frente: uma imagem quase nunca mostra a geometria completa de um objeto, e os modelos de reconstrução têm de inventar o que não veem. O Axolotl3D combina imagens, dados de câmara e geometria parcial para reconstruir as regiões em falta, preservando simultaneamente as que são efetivamente observadas — esta distinção é o cerne da proposta, pois evita que uma reconstrução degrade as partes já corretas. A NVIDIA afirma alcançar o estado da arte tanto em vista única como em vistas múltiplas, sem publicar números na mensagem de anúncio.

🔗 NVIDIA AI no X, Axolotl3D na ECCV 2026

World Labs faz o Atlas voar na sede da NVIDIA a partir de 32 fotos

A NVIDIA destaca uma demonstração do modelo de mundo Atlas da World Labs, aplicado ao edifício Voyager. A partir de apenas 32 imagens, o modelo reconstrói a sede e permite percorrê-la em tempo real, com um controlo de câmara alegadamente preciso ao nível do píxel. O interesse técnico reside na unificação das modalidades: o Atlas faz coexistir texto, imagens, vídeo e 3D num contexto espacial partilhado, de modo que um único modelo gera novas vistas, reconstrói cenas e simula mundos, tarefas que habitualmente dependem de sistemas distintos. O modelo foi pré-treinado do zero em GPUs Blackwell. As mensagens não incluem quaisquer números de desempenho nem modalidades de acesso: trata-se de uma demonstração de capacidade, não de um lançamento.

🔗 NVIDIA AI no X, Atlas no Voyager

Modelos abertos e laboratórios: uma arena desviada, um orquestrador gratuito, uma memória de rastos

Ai2 abre a Steering Arena e os melhores prompts pró-sociais são ininteligíveis

A Ai2 publica o balanço da Steering Arena, um jogo desenvolvido em torno do Olmo 3 por Soham Padia, estudante de mestrado. Os jogadores submetem prefixos curtos de texto e ganham pontos consoante a intensidade com que o seu texto orienta o modelo para um comportamento pró-social. Após cerca de 600 submissões, as 36 melhores entradas são todas sequências de tokens ilegíveis; a melhor submissão em inglês legível, que pede simplesmente uma resposta com gentileza e respeito, fica em 37.º lugar, com uma pontuação cerca de 2,7 vezes inferior. Estas sequências não são aleatórias: o jogo avalia o deslocamento interno em direção a um padrão pró-social, independentemente do que um leitor humano possa ver nelas, e os jogadores otimizaram, portanto, a métrica. A lição é útil para qualquer pessoa que desenvolva avaliações: basta expor uma métrica para a transformar num alvo.

🔗 Ai2, balanço da Steering Arena

Sakana Chat passa gratuitamente para o Fugu Max e ganha memória

A Sakana AI atualiza o Sakana Chat em dois aspetos. O orquestrador Fugu Max, disponibilizado por API a 11 de setembro, substitui o Sakana Fugu no seletor de modelos e torna-se acessível gratuitamente a todos: não executa um único modelo, mas distribui o processamento por vários modelos abertos consoante o conteúdo do prompt. Em seguida, surge uma memória — um papel a desempenhar ou uma preferência de estilo indicados uma vez são retomados nas conversas seguintes, tanto no Namazu como no Fugu Max. O seu conteúdo pode ser consultado nas definições e a memória pode ser desativada. Um ponto importante na utilização: apenas as conversas posteriores à atualização alimentam a memória.

🔗 Sakana Chat passa para o Fugu Max

funes indexa os rastos de agentes de código num conjunto de dados Lance local

Aritra Roy Gosthipaty e Ayush Chaurasia publicam o funes, que transforma sessões anteriores de agentes numa memória pesquisável. A constatação será familiar a qualquer pessoa que trabalhe num projeto longo: o agente encontrou o teste que falhava, percebeu por que motivo a correção óbvia não funcionava e depois a sessão terminou — na semana seguinte, um novo agente descobre o projeto como se nada tivesse acontecido. O funes indexa os rastos do Claude Code, Codex, pi e Hermes num único conjunto de dados Lance local e disponibiliza depois duas ferramentas, recall e get, com hooks responsáveis por indexar as novas interações. A escolha de conceção que distingue a ferramenta é a recusa em envolver um modelo de linguagem na ingestão: a segmentação e os embeddings são determinísticos e locais, porque os rastos contêm caminhos locais, planos não publicados e, por vezes, credenciais coladas inadvertidamente.

🔗 funes, uma memória local dos rastos de agentes

Vídeo generativo: Runway converte taxas de fotogramas, Pika muda de postura

Runway lança o Enhance Frame Rate

A Runway adiciona um modelo de interpolação que converte a taxa de fotogramas de qualquer vídeo, incluindo os que não foram gerados na plataforma — o que faz dele uma ferramenta autónoma de pós-produção, e não uma opção da cadeia interna. O argumento é o cumprimento das restrições de transmissão, com a Runway a citar como exemplo a norma britânica de 25 fotogramas por segundo.

Parâmetro	Valor
Taxas de fotogramas de saída	25, 30, 48, 60, 120 fps, além de NTSC 59,94
Resolução máxima	4K, com preservação da resolução de origem
Duração máxima	5 minutos
Custo	1 crédito por 2 segundos, independentemente dos valores

A Runway anuncia uma execução até sete vezes mais rápida e três vezes mais barata do que outros modelos de interpolação, sem os identificar nem publicar medições detalhadas: a afirmação continua, neste momento, impossível de verificar.

🔗 Apresentação do Enhance Frame Rate

Pika revela uma nova plataforma criativa

A Pika anuncia uma reformulação completa do seu produto, apresentada não como uma nova versão de modelo, mas como uma plataforma criativa concebida para e por criativos. O anúncio permanece deliberadamente genérico: nenhum modelo, nenhuma funcionalidade identificada, nenhum preço, nenhuma medição. O sinal a reter é a mudança de postura — as publicações recentes da Pika centravam-se sobretudo na integração de modelos de terceiros na sua API Club, e o laboratório reposiciona-se aqui em torno do seu próprio produto.

🔗 Pika no X, a nova plataforma

Perplexity Computer substitui a escolha do modelo por um controlo deslizante de esforço

17 de setembro — A Perplexity disponibiliza controlos de esforço no Computer, o seu agente de várias etapas. O princípio inverte a pergunta habitual: em vez de perguntar que modelo utilizar, a interface pergunta quanto esforço a tarefa merece. Um controlo deslizante na omnibar oferece quatro níveis, de Light a Ultra.

Definição	Utilização prevista segundo a Perplexity
Light	tarefas simples e quotidianas
Standard	equilíbrio entre raciocínio e custo
High	análise complexa
Ultra	esforço máximo em problemas abertos

Um nível determina o modelo orquestrador da missão e a profundidade do seu raciocínio; esse orquestrador delega depois partes da tarefa a agentes de apoio, que podem recorrer a modelos de diferentes fornecedores. Assim, o controlo deslizante não escolhe um modelo único, mas sim o maestro. Os créditos são consumidos consoante o trabalho realizado, não consoante o nível escolhido, e os controlos personalizados continuam disponíveis. Há que assinalar uma divergência entre as fontes: a publicação anuncia a disponibilidade imediata na Web e em breve no Android e iOS, enquanto a mensagem no X diz que chegará em breve aos dispositivos móveis e computadores.

🔗 Computer adiciona o modo de esforço para a seleção de modelos

Cohere agenda o North 2 para outubro de 2026, sem revelar mais nada

17 de setembro — A Cohere publica um cartão de vídeo de dezasseis segundos com duas linhas: North 2 e outubro de 2026. É a primeira data associada ao produto, revelado a 9 de setembro na página da campanha AI for Empowerment como «brevemente», sem calendário nem preço. O anúncio encerra a campanha de setembro: dos dois produtos então prometidos, o Confidential Computing foi lançado a 16 de setembro em acesso antecipado no Model Vault, e o North 2 continuava a ser o último aguardado.

Recarregada a 17 de setembro, a página do produto continua, no entanto, a apresentar o North 2 como «brevemente» — por enquanto, a data de outubro só existe no X. A única descrição pública resume-se a uma linha: uma IA empresarial melhorada em termos de segurança, velocidade, custo e capacidades. Sendo o North a plataforma empresarial da Cohere desde agosto de 2025, uma versão 2 representa um marco, mas o anúncio não contém quaisquer detalhes técnicos, benchmarks, preços ou uma data precisa dentro do mês.

🔗 Cohere no X, North 2 em outubro de 2026

Breves

Claude for Startups publica um vídeo de fundadores — gravado no Frontier Day, mostra equipas em fase inicial apoiadas pelo programa, com uma ligação para a respetiva página e para os seus créditos de API; não foram anunciados quaisquer números nem evoluções. 🔗 fonte
Devin muda o seu modo de voz para um modelo de fala em direto — as notas de versão de 16 de setembro adicionam controlos imediatos de chamadas e, sobretudo, tornam sistemática a verificação de falhas de segurança pelo Devin Review, cujo interruptor desaparece das definições. 🔗 fonte
Together AI publica um guia em cinco etapas para os modelos abertos — descobrir, avaliar, adaptar, decidir, colocar em produção; o texto é de posicionamento comercial, sem números de migração nem testes de referência identificados. 🔗 fonte
LAION e TTS Arena lançam a Voice Acting Arena — ouvintes humanos escolhem entre duas interpretações anónimas do mesmo guião com base na preferência geral, no cumprimento das instruções de representação e na autenticidade percebida, com a plataforma a visar a qualidade da interpretação em vez do realismo acústico. 🔗 fonte
Scientific American dedica um artigo aos Smart Cellular Bricks da Sakana AI — centenas de tijolos idênticos que executam o mesmo autómato celular neuronal local, sem conhecimento global, inferem coletivamente a classe de forma da sua montagem; a novidade é a publicação, uma vez que o artigo original data de 13 de julho. 🔗 fonte
Sakana AI publica os bastidores da sua equipa de produto — uma publicação de recrutamento que reúne respostas a perguntas frequentes de entrevistas com base em conversas com quatro membros da equipa, sem anúncio técnico. 🔗 fonte
Uma publicação da comunidade propõe medir a recuperação dos agentes após uma falha — Golda Manuel sugere medir o que acontece entre uma falha e o regresso ao trabalho produtivo, cruzando essas medições com os rastos de execução; o texto continua a ser um quadro metodológico, sem testes de referência nem resultados quantificados. 🔗 fonte
Gemini destaca a exportação STL a partir do Canvas — uma aplicação gerada no Canvas parametriza uma jarra em 3D, que depois é exportada em formato STL para impressão; a mensagem não apresenta a funcionalidade como nova. 🔗 fonte
As proteções de execução dos workflows do GitHub Actions atingem a disponibilidade geral — a segmentação por ficheiro de workflow, Insights e API REST juntam-se às regras de interveniente e evento, e uma regra predefinida desativa pull_request_target nos repositórios públicos, sendo aplicada automaticamente a partir de 2 de novembro de 2026. 🔗 fonte
Ubuntu 26.04 sai da pré-visualização e ubuntu-latest muda neste outono — a imagem do runner passa a ser totalmente suportada em x64 e arm64, e o label migrará da versão 24.04 para a 26.04 entre 19 de outubro e 19 de novembro de 2026, com o risco de quebrar builds dependentes de versões específicas. 🔗 fonte
Uma API autoriza em massa PAT clássicos e chaves SSH para o SSO empresarial — no GitHub Enterprise Cloud, uma GitHub App com enterprise_credentials:write pode autorizar uma credencial para até 50 organizações num único pedido, sem que o segredo passe pela aplicação. 🔗 fonte
Midjourney publica o seu changelog alpha de 16 de setembro — adição do coreano com um apelo a contribuições, primeira abordagem séria a dispositivos móveis e tablets, e correções no editor v8.2 e na barra de prompt; os parâmetros predefinidos continuam anunciados para uma fase posterior. 🔗 fonte
Cadence reduz o tempo mediano de retorno de chamada a um paciente de 1 h 48 para 3,5 minutos — implementado em mais de vinte sistemas de saúde norte-americanos, um agente de triagem baseado no ElevenAgents processa mais de 40 000 alertas por mês e envolve um enfermeiro quando a situação o justifica. 🔗 fonte
HeyGen publica um guia do seu servidor MCP — um artigo pedagógico, não um lançamento, que explica como ligar o MCP da HeyGen aos assistentes para deixar de ser necessário abrir a HeyGen para utilizar a HeyGen. 🔗 fonte
Grok Voice impulsiona uma demonstração da Neuralink — a conta @grok assinala que um vídeo publicado pela Neuralink utiliza o Grok Voice, sem anúncio de produto nem detalhes técnicos. 🔗 fonte

O que isto significa

Os agentes começam a fabricar as ferramentas de que dependem, e estes são os únicos números sólidos do dia. Um Infra Agent com tecnologia GLM-5.3 coloca o GLM-5.3-Flash em produção em menos de duas semanas e triplica o débito; o GitHub reescreve em Rust o runtime do Copilot em 128 pull requests, 830 000 linhas e 136,3 mil milhões de tokens, utilizando o próprio Copilot; a Anthropic estima em 26% a percentagem da sua I&D dirigida pelo Claude e em mais de 90% a percentagem em que existe pelo menos colaboração. Os três textos também concordam quanto aos limites. A Z.ai insiste num feedback denso — local, barato e verificável — sem o qual a capacidade de programação não serve para nada, e recorda que a escolha dos objetivos continua a ser humana. O GitHub documenta dezenas de regressões da portabilidade, todas corrigidas, e esclarece que boa parte do Rust produzido continua a ser uma transposição de expressões idiomáticas de TypeScript. A alavanca não é apenas o modelo, mas o sistema que o rodeia.

Segundo movimento: a supervisão torna-se um produto por direito próprio. A Warp vende agentes que avaliam agentes por cerca de 3% do custo em tokens; a Google coloca o Agent Anomaly Detection fora do caminho do pedido para ler rastos OpenTelemetry já emitidos e compará-los com o OWASP Top 10 para agentes; a Anthropic muda o seu programa de ciências da vida do bloqueio em tempo real para uma monitorização offline acompanhada por 30 dias de retenção; e a OpenAI formaliza três circuitos de divulgação ao publicar seis casos documentados. A dificuldade comum é identificada pelos dois mecanismos de deteção: os danos ocorrem em sessões nas quais nada falha. A Steering Arena vem estabelecer o limite exato do exercício — as 36 melhores entradas são ininteligíveis, porque basta expor uma métrica para a transformar num alvo.

Terceiro movimento: o âmbito do agente alarga-se e a configuração muda de natureza. Um projeto do Claude Code torna-se uma conversa que inicia até 200 threads por dia nas suas próprias branches; o CC recebe uma conta Google verificada partilhada por seis pessoas; um runner do Amp serve vários repositórios em vez de apenas um; a Perplexity substitui a escolha do modelo por um controlo deslizante de esforço com quatro níveis. A pergunta feita ao utilizador passa de «que modelo» para «quanto esforço» e «qual o âmbito», o que pressupõe confiança na arbitragem da plataforma. As salvaguardas continuam visíveis: beta reservado aos planos Pro e Max, apenas um utilizador por projeto na Anthropic, âmbito do grupo e revogação a qualquer momento na Google.

Por fim, a especialização passa cada vez mais pelo contexto do que pelo treino. O Astra for Law não é um modelo retreinado, mas o GPT-6 Astra ligado a um índice de mais de 230 milhões de URLs, e a diferença medida — 54,0% contra 38,7% — resulta daquilo que lhe é dado a ler. A mesma lógica aplica-se noutros casos: a ONU disponibiliza as suas estatísticas num grafo consultável por MCP; o Speakeasy gera, sob AGPLv3, servidores MCP de documentação para que um agente consulte esquemas verificados em vez de adivinhar; o funes indexa localmente os rastos de sessões anteriores; e o TensorRT Edge-LLM serve cerca de 96% dos tokens de prompt a partir de uma cache quente. O corpus, o índice e a cache tornaram-se componentes de arquitetura ao mesmo nível que os pesos.