Palavras-chave：Arquitetura de Supercomputação AI, Modelo de Grande Escala, Agente AI, Arquitetura de Supercomputação Rubin, MiroThinker 1.5, Hiperconexão com Restrição de Variedade
🔥 Foco
NVIDIA lança arquitetura de supercomputação Rubin: de “vendedor de pás” a “oficina de produtividade”: Jensen Huang apresentou a nova arquitetura de supercomputação de AI, Vera Rubin, na CES 2026. Esta arquitetura não é apenas um upgrade de placa de vídeo, mas um sistema de integração vertical que reúne seis chips dedicados, incluindo Vera CPU, Rubin GPU e NVLink 6. O Rubin visa resolver desafios de escalonamento de sistemas, prometendo um aumento de 10 vezes no throughput de inferência e reduzindo a necessidade de GPUs para treinar modelos de trilhões de parâmetros para um quarto em comparação com a Blackwell, com o custo por Token caindo para um décimo. Este movimento sinaliza que a NVIDIA está construindo um “fosso” através da otimização em nível de sistema, tentando transformar o empilhamento de poder computacional de “montagem manual” em uma “linha de montagem padronizada”, prevendo a chegada da era da inferência acessível (Fonte: 36氪, TheRundownAI)
MiroThinker 1.5 lançado com impacto: modelo 30B rivaliza com GPT-5-High: Financiado por Chen Tianqiao (TCCI) e liderado pelo professor associado da Tsinghua, Dai Jifeng, a equipe MiroMind lançou o MiroThinker 1.5. Com apenas 30B de parâmetros, o modelo empata com GPT-5-High e DeepSeek-V3.2 em benchmarks de alta dificuldade como HLE e BrowseComp. Sua tecnologia principal é o “Interactive Scaling”, que melhora o desempenho treinando o modelo para lidar com interações mais profundas e frequentes entre o Agent e o ambiente. Este resultado prova que equipes de elite pequenas, com as escolhas arquitetônicas corretas (como focar em modelagem de Agent em vez de apenas pre-training), ainda podem remodelar o cenário competitivo na fronteira da AGI (Fonte: GitHub, ZhihuFrontier)
DeepSeek lança Manifold-Constrained Hyper-Connections (mHC): um grande avanço na arquitetura Transformer: A equipe DeepSeek publicou o artigo “Manifold-Constrained Hyper-Connections”, propondo uma nova solução para expandir o residual stream sem causar training collapse. Esta tecnologia resolve problemas de instabilidade, escalabilidade e overhead de memória em treinamentos de modelos ultra-profundos. Com a assinatura direta do CEO Liang Wenfeng, isso é considerado uma das melhorias mais fundamentais na arquitetura desde o nascimento do Transformer em 2015. Experimentos mostram que a tecnologia performa excepcionalmente em modelos de 27B de parâmetros com 60 camadas de profundidade, sugerindo que o DeepSeek V4 pode adotar um design de arquitetura mais profundo e largo (Fonte: nrehiew_, Reddit)
Aquisição da Manus pela Meta sob investigação regulatória chinesa: Segundo fontes próximas ao assunto, o Ministério do Comércio da China está avaliando a transação de 2 bilhões de dólares da Meta para adquirir a startup de AI Agent, Manus, para determinar se viola as regulamentações de controle de exportação de tecnologia. O núcleo da investigação reside na legalidade da migração de ativos digitais e tecnologias desenvolvidas pela equipe enquanto estava na China para Singapura. Este movimento reflete a alta sensibilidade dos reguladores quanto à fuga de talentos de elite e tecnologias essenciais de AI no contexto da competição global, podendo gerar discussões profundas sobre as fronteiras entre contribuições open-source e transferência de tecnologia transfronteiriça (Fonte: dotey, teortaxesTex)
🎯 Tendências
Artigo do DeepSeek-R1 atualizado significativamente: de 22 para 86 páginas: A documentação técnica do DeepSeek-R1 recebeu suplementos profundos, revelando detalhes sobre o processo de auto-evolução do R1-Zero, detalhes de avaliação, estratégias de destilação e ablation studies mais profundos. Este movimento é visto pela comunidade como um prenúncio do lançamento do DeepSeek V4 ou R2, demonstrando seu profundo acúmulo nas áreas de Reinforcement Learning e modelos de raciocínio. O novo conteúdo fornece referências de altíssimo valor para pesquisadores entenderem a lógica interna dos modelos de raciocínio (Fonte: dejavucoder, MachineLearning)
OpenAI desenvolve secretamente dispositivo de consumo em formato de caneta: desafiando o status do iPhone: Rumores indicam que a OpenAI está desenvolvendo um hardware de AI codinome “Third Core Device”, com tamanho próximo ao de um iPod Shuffle. O dispositivo é equipado com microfone e câmera, possuindo capacidade de percepção ambiental, com a função principal de converter notas manuscritas em texto em tempo real e enviá-las para o ChatGPT. Este passo mostra a ambição da OpenAI de contornar os sistemas móveis existentes e ocupar diretamente a interface de interação do usuário através de hardware de AI nativo (Fonte: Reddit)
Runway lança GWM Worlds: modelo de mundo para simulação de ambiente em tempo real: A Runway demonstrou seu mais recente World Model, GWM Worlds. Basta o usuário fornecer uma imagem estática de uma cena para que o modelo gere um espaço 3D imersivo e infinitamente explorável, contendo simulações de geometria, luz e física em tempo real. A tecnologia visa fornecer novos meios de geração de ambientes interativos para produção cinematográfica e desenvolvimento de jogos, marcando o salto da AI da geração de vídeo para a geração de mundos interativos (Fonte: c_valenzuelab)
DFlash: tecnologia de speculative decoding acelera Qwen3 em 6.2 vezes: A equipe de Zhijian Liu lançou o DFlash, utilizando block diffusion para speculative sampling. Alcançou uma aceleração lossless de 6.2 vezes no Qwen3-8B, sendo 2.5 vezes mais rápido que o EAGLE-3. A lógica central da tecnologia é “o modelo de difusão rascunha, o modelo autoregressivo verifica”, resolvendo de forma inteligente o gargalo da velocidade de inferência de LLMs e demonstrando o enorme potencial da colaboração entre modelos de difusão e arquiteturas autoregressivas (Fonte: jeremyphoward)
Tesla FSD completa primeiro desafio 100% autônomo através dos EUA: O motorista David Moss utilizou o Tesla FSD para completar uma viagem de 2.732 milhas de Los Angeles a Myrtle Beach, com zero intervenção humana, incluindo estacionamento automático em Superchargers. Isso marca que a tecnologia de direção autônoma baseada em redes neurais end-to-end já possui altíssima robustez, aproximando-se do ponto crítico da condução totalmente autônoma (Fonte: Reddit)
🧰 Ferramentas
Cursor revela “Dynamic Context Discovery”: o file system é a memória definitiva do Agent: O Cursor publicou um blog técnico explicando sua estratégia de gerenciamento de contexto via file system. Ao transformar outputs longos em arquivos, carregar Agent Skills sob demanda e otimizar descrições de ferramentas MCP, o Cursor reduziu o consumo de Tokens em 46,9% mantendo a qualidade. O ponto central é: em vez de entupir o modelo com informações massivas previamente, é melhor deixar o modelo recuperar ativamente via file system quando necessário. Isso coincide com a filosofia “file system como contexto” da Manus (Fonte: dotey, swyx)
Claude Desktop integra interface local do Claude Code: A Anthropic atualizou seu aplicativo de desktop, incluindo o Claude Code com interface gráfica integrada. Os usuários só precisam mudar para o modo “Code” na barra lateral e selecionar uma pasta local para usar o Claude para escrita de código e gerenciamento de arquivos em um ambiente fora do terminal. Isso reduz drasticamente a barreira de entrada para ferramentas de programação com AI, permitindo que desenvolvedores não familiarizados com a linha de comando utilizem as capacidades de Agent do Claude com eficiência (Fonte: op7418)
Skywork lança Video Agent: capacidade de edição de vídeo com AI em todo o fluxo: O Skywork Videos Agent suporta o fluxo completo, desde a geração de storyboard até a edição de materiais. Os usuários podem gerar materiais de vídeo via text-to-video, image-to-video ou geração de primeiro e último frames, e sintetizar música e voz diretamente no editor à direita. Seus modelos de efeitos especiais suportam reutilização com um clique, demonstrando a evolução dos AI Agents da geração de conteúdo único para o gerenciamento de fluxos de trabalho criativos complexos (Fonte: op7418)
NousCoder-14b: modelo de programação open-source de nível de competição: A Nous Research lançou o NousCoder-14b, baseado no post-tuning do Qwen3-14B. O modelo foi treinado no framework Atropos usando 48 B200 por 4 dias, elevando a precisão Pass@1 para 67,87% através de verifiable execution rewards. A equipe também abriu o código do ambiente RL completo, benchmarks e stack de treinamento, impulsionando as fronteiras da comunidade open-source em programação lógica complexa (Fonte: tokenbender, huggingface)
Memvid: camada de armazenamento serverless de arquivo único para AI Agents: Memvid é um sistema de memória de AI portátil escrito em Rust. Ele se inspira na lógica de codificação de vídeo para empacotar dados, embeddings e estruturas de busca em um único arquivo .mv2, oferecendo velocidade de recuperação local sub-5 milissegundos. Este design permite que AI Agents carreguem memórias de longo prazo como se estivessem carregando um disco rígido, sem a necessidade de pipelines RAG complexos ou bancos de dados vetoriais no servidor, sendo ideal para construir Agents offline-first (Fonte: GitHub)
📚 Aprendizado
Veterano de Rust, Steve Klabnik, cria nova linguagem Rue em 11 dias com ajuda do Claude: O autor de “The Rust Programming Language”, Steve Klabnik, utilizou o Claude para auxiliar na escrita de cerca de 100.000 linhas de código Rust em 11 dias para criar a linguagem experimental de nível de sistema Rue. O projeto demonstra como a AI pode reduzir drasticamente o custo experimental do design de linguagens, permitindo que desenvolvedores se libertem da escrita pesada de código para focar no design de abstração e definição de restrições. Este caso gerou uma grande discussão na comunidade sobre se “ainda precisamos de novas linguagens de programação na era da AI” (Fonte: 36氪)
Framework CogFlow: simulando a cognição humana para resolver problemas matemáticos visuais: Um artigo propôs o framework CogFlow, que simula a lógica humana de resolução de problemas matemáticos através das três fases: “Percepção-Internalização-Raciocínio”. O “modelo de recompensa de internalização de conhecimento” introduzido garante que o modelo integre verdadeiramente pistas visuais em vez de procurar atalhos. O dataset MathCog lançado com o artigo contém 120.000 anotações de alinhamento percepção-raciocínio de alta qualidade, fornecendo um recurso importante para pesquisa em raciocínio matemático multimodal (Fonte: HuggingFace)
Sistema SOP: solução de post-training online para modelos Vision-Language-Action (VLA): O sistema SOP possibilita o treinamento online distribuído e multitarefa de robôs no mundo físico. Através de uma arquitetura de loop fechado, clusters de robôs enviam fluxos de experiência em tempo real para um aprendiz na nuvem e recebem atualizações de política de forma assíncrona. Experimentos mostram que apenas algumas horas de interação real podem melhorar significativamente o desempenho do modelo em tarefas complexas como dobrar roupas e organizar prateleiras, com o desempenho escalando linearmente com o número de robôs (Fonte: HuggingFace)
💼 Negócios
Zhipu AI e MiniMax planejam IPO em Hong Kong: unicórnios chineses de LLM iniciam onda de listagem: Zhipu AI e MiniMax planejam abrir capital em Hong Kong em janeiro de 2026, com financiamento estimado em cerca de 550 milhões de dólares e avaliações em torno de 6,5 bilhões de dólares. A receita da Zhipu em 2024 foi de cerca de 44,7 milhões de dólares, enquanto a da MiniMax foi de cerca de 30,5 milhões de dólares. Apesar das tensões comerciais, as duas empresas são consideradas atraentes devido aos seus modelos técnicos sólidos e base de usuários (MiniMax atingiu 220 milhões), marcando a entrada da indústria de AI da China no período de retorno de capital (Fonte: bookwormengr, 36氪)
xAI completa financiamento de 20 bilhões de dólares: avaliação dispara para 230 bilhões: A xAI de Elon Musk levantou novamente 20 bilhões de dólares para comprar poder computacional e expandir suas capacidades de AI na plataforma X. A vantagem única da xAI reside no acesso aos dados em tempo real da plataforma X e seus 250 milhões de usuários ativos diários. A estratégia de Musk é “construir atenção com AI”, usando o estilo humorístico e anti-tradicional do Grok para traçar uma rota diferenciada em meio ao cerco da OpenAI e Anthropic (Fonte: TheRundownAI, Yuchenj_UW)
Kai-Fu Lee resume 2025: evolução de “Fábrica do Mundo” para “Fábrica de Agents”: O CEO da 01.AI, Kai-Fu Lee, apontou que 2025 é o ano inaugural dos AI Agents de raciocínio, e o momento DeepSeek remodelou o mercado ToB. Ele prevê que 2026 entrará na era de “uma pessoa, uma equipe de AI”, onde sistemas multi-agente remodelarão organizações assim como as linhas de montagem remodelaram a indústria. A China, com seus fortes modelos open-source e base manufatureira, tem o potencial de se tornar a fábrica global de Agents, modularizando capacidades organizacionais e implantando-as 24/7 (Fonte: ZhihuFrontier)
🌟 Comunidade
Reflexão experimental de Noam Brown: AI ainda não pode substituir totalmente especialistas de domínio: O renomado pesquisador de AI Noam Brown tentou usar Codex e Claude Code para escrever um poker solver. Embora a AI possa acelerar o desenvolvimento, ela ainda comete erros frequentes ou até “induz ao erro” o usuário em lógica de algoritmos, implementação de GUI e pesquisa de algoritmos inovadores. Ele acredita que a AI atualmente é mais como um “compilador instável”, e em tarefas de pesquisa científica que exigem profundo conhecimento de domínio, a verificação e correção por especialistas humanos ainda são indispensáveis (Fonte: polynoamial, SebastienBubeck)
Alerta de preços de hardware: GPU, DRAM e NAND terão aumentos explosivos: Discussões na comunidade indicam que, devido ao surto de demanda em data centers e à disputa por capacidade de produção por gigantes como a OpenAI, os preços de contrato de memória no Q1 de 2026 devem subir 55-60%, e os preços de SSD já dobraram. O preço da NVIDIA RTX 5090 pode subir para 5.000 dólares. Isso está levando desenvolvedores a migrar para modelos quantizados mais eficientes (como FLUX.2 quantized) e frameworks de inferência leves como llama.cpp (Fonte: Reddit)
O fim da Prompt Engineering? A regra do “Scratchpad” ganha popularidade: A comunidade descobriu que, em vez de gastar semanas escrevendo Personas e restrições complexas, é melhor simplesmente pedir para a AI usar um <scratchpad> para brainstorming e autocrítica antes de responder. Este modo de “pensamento forçado” supera a maioria dos prompts complexos em problemas lógicos. A visão é que o núcleo da Prompt Engineering é, na verdade, apenas encontrar maneiras de fazer o modelo “desacelerar” para pensar (Fonte: Reddit)
Onda de “morte súbita” de aplicativos de AI: em média, uma ferramenta de AI morre por dia em 2025: Estatísticas mostram que quase 400 ferramentas de AI em todo o mundo encerraram serviços em 2025, incluindo aplicativos de companhia conhecidos na China como Maopao Ya e Wow AI. As principais causas de falha são: tráfego inflado sem capacidade de gerar receita, inovação “exposta” de funções únicas e violação de linhas vermelhas de conformidade. Isso marca que o empreendedorismo em AI está voltando do “período de exibição técnica” para o senso comum comercial, onde apenas produtos que resolvem dores reais sobreviverão (Fonte: 36氪)
💡 Outros
Agibot Genie Sim 3.0: plataforma de simulação open-source para Embodied AI lançada: A AGIBOT lançou o Genie Sim 3.0 na CES 2026, integrando o NVIDIA Isaac Sim e fornecendo um dataset sintético de mais de 10.000 horas de operação real de robôs. A plataforma suporta a geração de cenários de simulação em larga escala em minutos, visando reduzir a dependência de hardware físico para Embodied AI através de reconstrução 3D de alta qualidade e tecnologias de geração visual, acelerando a iteração de modelos (Fonte: ziran_pu)
Riscos de criação de vírus por AI geram preocupações de segurança: Discussões acaloradas na comunidade sobre a capacidade da AI de projetar vírus do zero sugerem que isso está a apenas um passo de uma “arma biológica perfeita”. O debate pede o fortalecimento da regulamentação e guardrails para LLMs no campo biológico para evitar que a tecnologia seja mal utilizada para criar novos patógenos, destacando a urgência da governança de AI em áreas não digitais (Fonte: Reddit)
