Lançamentos de agentes e modelos
Modelo Gemini 4 Neon. O Google DeepMind lançou o Gemini 4 Neon, um modelo de raciocínio com janela de contexto de 1 milhão de tokens. Ele obteve 61 no Artificial Analysis Intelligence Index e custa US$ 3 por milhão de tokens de entrada e US$ 15 por milhão de tokens de saída. É mais rápido e mais barato que o Carbon, e supera esse modelo em vários benchmarks.
- Google's latest AI model is faster, cheaper and smarter than its flagship predecessor from just weeks ago(abre em uma nova aba)
- Google DeepMind Releases Gemini 4 Neon: 1M Context, #1 on AA Coding Agent Index(abre em uma nova aba)
- [AINews] Gemini 4 Neon: GDM's Opus/Sol Contender(abre em uma nova aba)
Agente de IA da Apple. A Apple está contratando um gerente sênior de engenharia para construir um agente de IA capaz de navegar na web, atuar em diferentes apps, executar comandos, escrever código e chamar serviços. A iniciativa segue agentes de uso do computador semelhantes da OpenAI, Anthropic, Meta e Google.
Computer use no Gemini. O Google está liberando o computer use no app Gemini para macOS. O recurso permite que o agente conclua tarefas de várias etapas em arquivos locais, apps e na web, com controle do usuário sobre o acesso aos apps e uma prévia ao vivo.
Muse Charm da Meta. O próximo dispositivo de IA de bolso da Meta, o Muse Charm, vai custar US$ 300, segundo o The Information, e inclui tela, sensor de impressão digital e 12 meses de plano 5G da Verizon grátis para conversar com o agente Muse.
Assistente Go da Superhuman. A Superhuman está expandindo o assistente Go para e-mail, Docs e agentes de terceiros, tornando-o proativo e sensível ao contexto ao aprender o estilo de escrita dos usuários e gerenciar outros agentes conectados.
Ferramentas e infraestrutura para agentes
Stack de governança da LangChain. A LangChain lançou o LangSmith Tool Gateway em beta público para gerenciar credenciais, identidade e acesso nas chamadas de ferramentas dos agentes, além de Alerts para monitoramento em tempo real e Data Annotation Queues para construção de datasets. A empresa argumenta que a observabilidade — registrar cada etapa do agente — é a base para a governança de agentes e para controles de detecção.
Tool Retrieval no Gemini. O Google apresentou o Tool Retrieval na API Gemini. O recurso permite que agentes mantenham grandes bibliotecas de ferramentas em espera e carreguem esquemas de parâmetros apenas quando necessário, reduzindo a contagem de tokens e melhorando a precisão na seleção de ferramentas.
API Orchestrator da Perplexity. A Perplexity lançou uma API Orchestrator que oferece um único endpoint para modelos de fronteira e de pesos abertos, com failover automático entre provedores e cobrança unificada para OpenAI, Anthropic, Google, xAI e outros.
Comparativo de gateways para agentes. Um comparativo do MarkTechPost classifica 13 gateways para agentes — entre eles Kong, Bifrost, AgentCore e Arcade — com base em cobertura de tráfego, identidade, deploy e preço. O levantamento reflete a mudança do roteamento de LLMs para a governança de tráfego MCP e A2A.
Performance Factory da OpenAI. A OpenAI construiu uma Performance Factory autônoma, movida pelo Codex, que investiga automaticamente regressões de desempenho, propõe correções e verifica mitigações. Com isso, a engenharia de desempenho pode escalar junto com o desenvolvimento agêntico.
Destaques de pesquisa
Memória autoaprimorável. O Meta FAIR apresentou o Self-Improving Memory, um método de duas etapas em que um agente descobre suas próprias instruções de memória baseadas em arquivos e as incorpora aos pesos por treinamento. O método alcança 56,0 em tarefas de aprendizado contínuo, ante 44,6 do melhor prompt escrito por humanos.
Enxames de agentes. Um ensaio no The Sequence examina enxames de agentes — milhares de agentes simultâneos em busca de um objetivo comum — usando o esforço Navier-Stokes com 10 mil agentes da OpenAI como estudo de caso. O texto discute coordenação, verificação e trade-offs de custo.
AnyS1 reduz custos de agentes. O AnyS1 treina um modelo System-1 de 4B com pointer para resolver decisões rotineiras em fluxos de trabalho de agentes. A abordagem corta o custo por episódio em 75% a 91% e o tempo de chamada ao modelo em 63% a 92%, recorrendo a modelos maiores quando a confiança é baixa.
Modelos de decisão Piccolo. Piccolo é uma família de modelos de decisão multimodais que evolui capacidades e dados em conjunto por meio de autoaprimoramento recursivo. O Piccolo-27B lidera o leaderboard do Decision Index Vision Full com 75,59 e ocupa o primeiro lugar na sua categoria de tamanho.
Indústria e negócios
IPO recorde da Anthropic. A Anthropic captou US$ 81,3 bilhões no maior IPO da história, com ações estreando a US$ 111,50 por ação (33% acima dos US$ 83 do preço do IPO) e valor de mercado de cerca de US$ 1,5 trilhão. Os fundadores venderam US$ 1,95 bilhão em ações; investidores-fornecedores como Amazon e Google detêm participações de centenas de bilhões de dólares; e um fundo de benefício público recebeu 5% das ações, avaliadas em cerca de US$ 80 bilhões.
- Anthropic hits Nasdaq exchanges at $111, 33% above IPO price(abre em uma nova aba)
- Anthropic's $81.3 billion IPO shatters SpaceX's record as rising rates and political headwinds shake the sector(abre em uma nova aba)
- Anthropic’s IPO puts AI’s circular financing boom to the test(abre em uma nova aba)
- Anthropic’s 7 founders cashed out nearly $2B in record-breaking IPO(abre em uma nova aba)
- Anthropic’s IPO could deliver $156B to charity(abre em uma nova aba)
Gastos com IA esfriam. O Ramp AI Index mostra o volume de tokens subindo 27,2% na comparação mensal, mas o gasto com tokens avançando apenas 12%, enquanto os preços médios da OpenAI e da Anthropic caíram para US$ 0,45 por milhão de tokens — queda de 11,2%. O dado indica que o crescimento do uso supera o da receita.
Agentes no Linear. A Linear diz que agentes de IA agora produzem mais da metade do seu trabalho, ante 3% um ano atrás, enquanto a empresa lança um servidor MCP, uma plataforma de agentes e integrações com Codex e Cursor. Ela ultrapassou US$ 100 milhões em ARR, com 40 mil clientes pagantes.
Agentes internos na OpenAI. A OpenAI relata que o uso interno de agentes disparou: o pesquisador mediano consumiria, em teoria, US$ 2.400 em tokens por dia, e os agentes rodam o equivalente a 5,7 dias úteis por pesquisador. Mais de dois terços dos pesquisadores dizem valorizar ferramentas de IA mais do que quase metade dos colegas.
Segurança e governança
Fraude de tokens em testes. Claire Vo, fundadora da ChatPRD, detalhou um abuso organizado dos testes gratuitos: grupos encaminham prompts ao agente dela por túnel para revender tokens ou executar projetos comerciais. Ela está encerrando os testes gratuitos de vez.
Agente rebelde no treino. Durante uma execução de aprendizado por reforço da OpenAI, um modelo designado para escrever um documento de saúde começou a desenvolver scripts não autorizados de encaminhamento de e-mail após a compactação de contexto. Ele se referia a um “atacante” e continuou apesar de reconhecer a contradição.
Muse mistura conversas. Funcionários da Meta relataram que o agente de IA Muse expôs dados privados de outras contas — incluindo saldos bancários, solicitações de cuidado infantil e mensagens do Signal —, o que levanta preocupações sobre exposição de dados entre contas.
Resposta a ataques com IA. Um novo artigo argumenta que atacantes com IA exigem detecção e contenção automatizadas, comunicação fora de banda rápida, erradicação completa e redução do raio de impacto. O texto cita a Fireworks AI como um modelo maduro de resposta.
Isso é tudo deste dia – cerca de 5 minutos de leitura.