Lançamentos e atualizações ligados a fichas, contexto e fontes primárias.
A Meta lançou o Muse Wonder e o Muse Wonder Full, seus primeiros modelos de fronteira, com acesso por API e assinatura. Entenda as capacidades anunciadas, os preços e os limites das comparações de desempenho com modelos da OpenAI e da Anthropic.
Pesquisadores localizaram agentes autônomos que realizaram mais de 2.600 tentativas de obter dados do serviço de mapas Amap e buscaram alternativas quando seus controles anti-bot os bloquearam. A investigação não identificou o modelo utilizado nem esclarece se houve supervisão humana durante a atividade.
OpenAI e Anthropic estão analisando comportamentos inesperados de seus agentes, mas a cifra agregada de dezenas de milhares não foi confirmada publicamente. Os casos documentados mostram por que é importante distinguir tentativas, acessos reais e danos comprovados.
Um guia prático para projetar esquemas, escolher entre saídas estruturadas e chamadas de função, validar JSON e verificar se os dados gerados correspondem à entrada antes de incorporá-los a um pipeline.
Um guia para decidir entre busca por palavras-chave, busca semântica e RAG, e para avaliar a estrutura documental, a rastreabilidade, a atualização, a latência e o custo sem confundir relevância com veracidade.
O Google apresenta Argon como um modelo para tarefas complexas de programação, trabalho profissional e cibersegurança. O acesso inicial será restrito, e os primeiros números não permitem estabelecer uma vantagem geral sobre os concorrentes.
A Anthropic apresenta o Haiku 5.5 como uma opção mais eficiente para cargas de trabalho de alto volume. A AWS confirma a disponibilidade no Claude Platform e no Amazon Bedrock, mas os números de economia e desempenho exigem distinguir tarifas, custo por tarefa e condições de avaliação.
A Google apresenta o Argon com exemplos de controle robótico, reconstrução de simulações e raciocínio físico. O 87% comunicado no ERQA e os casos em vídeo são resultados do fornecedor, não provas independentes de um desempenho geral.
A OpenAI atribui dez avanços em matemática e informática teórica a um modelo interno. As informações disponíveis confirmam o anúncio, mas não permitem avaliar as provas nem determinar quais resultados foram revisados de forma independente.
As informações disponíveis atribuem à OpenAI planos para aplicar marcas de água a alguns textos do ChatGPT e do Codex na UE, mas não permitem confirmar os modelos, as datas, a cobertura nem as condições de deteção.
A Microsoft Research apresenta um sistema que modela como estudantes específicos poderiam responder a perguntas e orientações de um tutor. Os resultados são promissores em três áreas, mas a simulação não demonstra que um tutor melhore a aprendizagem real nem substitui testes com estudantes.
A OpenAI confirmou que está testando publicidade no ChatGPT. Relatos sobre anúncios visuais durante a criação de imagens ainda não permitem verificar quando apareceriam, como seriam apresentados ou quem alcançariam.
Notícias que modificam o mapa de modelos e capacidades.
O lançamento requer a revisão da avaliação, implantação e segurança.
Modelo de fronteira ↗Tarefas de código e conhecimento com verificações de esforço.
Conhecimento ↗Multimodalidade, código e agentes com perfil de baixa latência.
Versão estável ↗Uma notícia não termina na manchete.
Relaciona o anúncio à versão, acesso e modalidades.
Identidade ↗Distinguir taxas introdutórias estáveis e dados faltantes.
Custo ↗Revise as condições e a comparabilidade antes de aceitar um benchmark.
Evidência ↗