Nova geração do modelo de pré-treinamento ultra-grande… | Diário de IA 2026-08-10

🔥 Em Foco

Nova geração do modelo de pré-treinamento ultra-grande da OpenAI “Doug” é revelada, retornando à rota de Scaling de base: Fontes do setor e analistas revelaram que a OpenAI está avançando com um novo modelo de pré-treinamento em ultra-escala codinome “Doug”, com lançamento previsto para novembro, o mais tardar. Isso indica que, após quase dois anos dependendo principalmente de pós-treinamento e aprendizado por reforço para impulsionar o crescimento de capacidades, a OpenAI está reiniciando o Scaling em larga escala da própria base para enfrentar a pressão competitiva direta de produtos concorrentes como o Gemini 3 do Google.(来源: 机器之心)

Bastidores da reestruturação de AI do Google ganham força: Hassabis teria planejado sair na mesma época que Jeff Dean: De acordo com fontes do setor, o fundador da DeepMind, Demis Hassabis, planejava originalmente deixar o Google na mesma época que Jeff Dean, mas foi retido à força devido à preocupação da alta administração do Google com um colapso no preço das ações. Sua promoção a presidente e cientista-chefe da Alphabet é apontada apenas como um arranjo de transição. Atualmente, o Google centralizou totalmente o desenvolvimento de AI e o centro de decisões em sua sede no Vale do Silício, com o cofundador Sergey Brin supervisionando pessoalmente o desenvolvimento do Gemini, enquanto o caráter de instituto de pesquisa independente da DeepMind está sendo gradualmente diluído.(来源: 量子位)

Duplo avanço acadêmico e prático: GPT-5.6 e Fable 5 unem forças para resolver enigma matemático de detecção MIMO pendente há 25 anos: O pesquisador da Microsoft Research, Dimitris Papailiopoulos, anunciou que, com a ajuda do GPT-5.6 e do Fable 5, provou com sucesso um algoritmo de tempo polinomial que permite que a detecção MIMO em comunicações sem fio atinja com precisão o limite de máxima verossimilhança. Essa descoberta preenche a lacuna de 25 anos entre o que é estatisticamente “recuperável” e o que é “recuperável” por algoritmos rápidos, demonstrando o enorme potencial da AI na dedução e validação de teorias matemáticas complexas.(来源: 量子位)

Crise de consumo de energia da computação de AI se intensifica: revelados usina de gás natural de 7,65 GW da Amazon no Texas e investimento de US$ 3 bilhões da NVIDIA: Para atender à enorme demanda de energia dos data centers de AI, a Amazon confirmou que financiará a construção de uma usina privada de gás natural com 35 turbinas e capacidade de geração de 7,65 gigawatts no Texas, o que pode torná-la a maior fonte individual de emissões de gases de efeito estufa nos EUA. Ao mesmo tempo, foi revelado que a NVIDIA planeja investir até US$ 3 bilhões na Lancium, uma desenvolvedora de infraestrutura de energia do Texas, destacando o forte conflito entre a expansão da capacidade computacional e as metas climáticas.(来源: THE DECODER)

🎯 Tendências

Novo avanço no pós-treinamento de grandes modelos: Universidade de Nanjing e outras instituições propõem o modelo de linguagem de difusão contínua AURORA-LM: A equipe de pesquisa propôs uma nova abordagem para modelagem de linguagem em espaço semântico contínuo, construindo sequências de vetores contínuos de alta capacidade para texto por meio de um autoencoder e usando um modelo de difusão causal em blocos para aprender sua distribuição de geração. O modelo concluiu todos os experimentos em NPUs Ascend e foi expandido para uma escala de 1 bilhão de parâmetros, obtendo excelentes resultados em tarefas de geração livre e resumo condicional, validando a viabilidade de plataformas domésticas de computação de AI.(来源: 机器之心)

Google DeepMind publica relatório técnico do DiffusionGemma, demonstrando modelo de difusão de texto não treinado do zero: O relatório detalha como converter o modelo Gemma-4-26B existente em um modelo de difusão de texto. Através de ajuste fino supervisionado e treinamento em duas etapas de “destilação de amostrador + aprendizado por reforço” (SD-RL), o DiffusionGemma alcançou uma velocidade de geração paralela de 1500 tokens por segundo em H100, além de possuir capacidades de inferência bidirecional e autocorreção, apresentando excelente desempenho em tarefas estruturadas como a resolução de Sudoku.(来源: THE DECODER)

Novas dinâmicas em programação de AI e gestão de custos em Big Techs: Claude Code ativa “modo automático” por padrão, Amazon excede orçamento em 860% devido a chamadas do Sonnet: A Anthropic anunciou a definição do modo automático como permissão padrão no Claude Code. Testes mostram que o classificador automático pode capturar 89% das operações perigosas, superando de longe os 14% da revisão manual humana. Enquanto isso, foi revelado que a Amazon, ao usar o Claude Sonnet para preencher informações de autores, teve sua fatura elevada para US$ 1,8 milhão devido a tentativas repetidas do Agent, excedendo o orçamento em 860%, o que destaca o risco de descontrole de custos de Agents em nível empresarial.(来源: 机器之心)

Divergência nas rotas de “aprendizado contínuo” de grandes modelos: academia e indústria exploram ativamente mecanismos de “aprender enquanto usa”: Visando a dor do “esquecimento catastrófico” em grandes modelos, o setor está se dividindo em rotas como memória externa (como Letta), engenharia de contexto (como ACE), pós-treinamento contínuo (como Tinker) e automodificação adaptativa (como SEAL, Hope). Especialistas como Karpathy apontam que o aprendizado contínuo no futuro caminhará para uma colaboração em camadas de “núcleo cognitivo + memória externa”, com a AI decidindo de forma autônoma o conteúdo e as estratégias de aprendizado.(来源: 机器之心)

Ferramentas de programação de AI de Big Techs introduzem comunicação entre sessões, levando a colaboração de agentes a um novo paradigma de múltiplos Agents: A Anthropic introduziu a funcionalidade de transmissão de mensagens entre sessões para o Claude Code, permitindo comunicação autônoma e alinhamento de progresso entre diferentes sessões de AI em execução na mesma máquina ou em conexões remotas. Esta atualização quebra a limitação de agentes de código trabalhando isolados, elimina a perda de contexto de copiar e colar entre terminais e oferece novo suporte para o desenvolvimento paralelo de tarefas complexas.(来源: 机器之心)

Universidade de Zhejiang propõe o framework de avaliação de cognição espacial Agentic ProVisE, defendendo que modelos generativos “desenhem” a inteligência espacial: Visando as desvantagens das avaliações tradicionais de cognição espacial que forçam os modelos a produzir coordenadas abstratas, a equipe OmniAI propôs o framework ProVisE e o benchmark SpatialGen-Bench. O framework guia modelos generativos a marcarem respostas diretamente em imagens por meio de protocolos visuais, que são então restauradas em previsões estruturadas por um parser. Os testes mostram que os modelos de geração de imagens apresentam vantagens únicas na intuição espacial direta.(来源: 机器之心)

Novas tendências em AI on-device e contexto ultra-longo: LFM 2.6B e Pokee-Isaac 28B são lançados sucessivamente: O modelo on-device LFM 2.6B lançado pela Liquid AI alcançou uma velocidade de geração de 260T/s em uma RTX 3090, focando em inferência local ultrarrápida; enquanto o Pokee-Isaac 28B lançado pela Pokee AI suporta um contexto ultra-longo de 10M-token, permitindo implantação segura totalmente localizada em uma única GPU, oferecendo uma solução de execução de agentes sem necessidade de saída de dados para setores regulamentados.(来源: MarkTechPost)

🧰 Ferramentas

Shepherd: base de tempo de execução Python de código aberto que suporta bifurcação, reprodução e reversão do estado de execução de agentes: Desenvolvida por equipes da Northeastern University e da Stanford University, a ferramenta registra cada interação do agente com o ambiente como um typed event no estilo Git. Quando um agente comete um erro em uma tarefa longa, desenvolvedores ou meta-agentes podem reverter para uma etapa específica com um clique para reexecutar, evitando o desperdício de poder computacional com reinicializações e alcançando uma taxa de reutilização de cache de prompt superior a 95%.(来源: MarkTechPost)

Code-Graph-RAG: sistema RAG de análise e edição de código para monorepositórios multilíngues baseado em grafos de conhecimento: Este projeto de código aberto utiliza o Tree-sitter para analisar bases de código multilíngues e constrói um grafo de conhecimento estrutural unificado no Memgraph. A versão mais recente introduz suporte para a linguagem Ruby, ferramentas de busca e substituição estruturadas baseadas em ast-grep, além de rastreamento de fluxo de dados multilíngue, permitindo que os usuários consultem e editem monorepositórios complexos usando linguagem natural.(来源: GitHub)

Agent DevTools: ferramenta de desenvolvedor local voltada para depuração de memória e recuperação de agentes: O projeto oferece um depurador local visual para desenvolvedores de agentes, com suporte ao framework LangChain. Os desenvolvedores podem inspecionar (inspect) em tempo real os prompts, estados de memória, lógica de recuperação e chamadas de ferramentas dos agentes, além de comparar as diferenças entre diferentes versões de execução, localizando rapidamente a raiz dos desvios de decisão dos agentes.(来源: GitHub)

LiteParse: ferramenta de extração de dados estruturados de PDF de alta velocidade em código aberto da LlamaIndex: Sem a necessidade de chamar modelos multimodais de visão caros e lentos, esta ferramenta extrai diretamente dados estruturados como valores de campos de formulário, estados de caixas de seleção, anotações, imagens incorporadas e gráficos vetoriais de PDFs digitalizados em milissegundos. Ela também suporta o roteamento contínuo dos resultados extraídos para soluções de grandes modelos como o LlamaParse, reduzindo drasticamente o custo de tokens na análise de documentos.(来源: GitHub)

Overeasy: camada de sistema de arquivos persistente baseada em logs imutáveis do S3: Esta ferramenta fornece um sistema de arquivos virtual bifurcável, recuperável e reversível para AI Agents. Ao registrar as operações do sistema de arquivos como logs imutáveis no S3, o Overeasy permite que os agentes recuperem perfeitamente seu estado de execução entre diferentes máquinas e revertam com segurança para qualquer estado histórico em caso de erros na geração de código ou na configuração do sistema.(来源: GitHub)

📚 Aprendizado

Publicado o artigo tutorial “Agents in the Wild” (Agentes no Mundo Real): Escrito em conjunto pela Microsoft, Bloomberg e outras instituições, o artigo detalha os principais desafios enfrentados pelos agentes de AI ao passarem de benchmarks controlados para a implantação no mundo real. O conteúdo abrange raciocínio e planejamento além do laboratório, colaboração multi-agente, construção de pipelines de validação dinâmica, mecanismos de fallback de degradação e modos de supervisão humana no circuito (HITL), além de fornecer casos práticos nas áreas médica e financeira.(来源: X)

Publicado estudo sobre “Esquecimento Visual Distribucional no Pós-Treinamento de Grandes Modelos”: Equipes da Northwestern Polytechnical University, HKUST e Universidade de Zhejiang apontam que grandes modelos multimodais autorregressivos são propensos ao “esquecimento visual distribucional” em raciocínios de cadeia longa. O estudo propõe o framework Remember-R1, que introduz recompensas de processo em três camadas (vocabulário visual, memória visual e regiões-chave) no treinamento GRPO, forçando o modelo a invocar evidências visuais de forma contínua e precisa ao longo de toda a cadeia de raciocínio, melhorando significativamente o desempenho de modelos 7B em múltiplos benchmarks.(来源: X)

Publicado o guia de revisão conciso “Machine Learning: The Basics” (Fundamentos de Aprendizado de Máquina): Um tutorial simplificado escrito pelo acadêmico Alexander Jung, que organiza sistematicamente os conceitos fundamentais do aprendizado de máquina por meio de um framework unificado de “dados-modelo-perda”. O conteúdo abrange espaço de hipóteses, seleção de modelos, minimização de risco empírico e regularização, modelos probabilísticos e agrupamento, aprendizado federado, além de privacidade e explicabilidade, sendo ideal como material de revisão rápida.(来源: X)

💼 Negócios

WeiLian Intelligent conclui rodada de financiamento anjo de dezenas de milhões de yuans, com apostas conjuntas de Li Zexiang e Lu Qi: A WeiLian Intelligent anunciou a conclusão de sua rodada de financiamento anjo, investida conjuntamente pelo Fundo Qingshuiwan de Li Zexiang e pela MiraclePlus de Lu Qi. Fundada pelo Dr. Ning Dongdong, doutor pela Universidade de Zhejiang, a empresa foca no desenvolvimento de chatbots de “suporte técnico pós-venda” voltados para cenários de e-commerce. O produto destaca a capacidade de compreensão multimodal de vídeo/imagem e a solução de problemas por raciocínio lógico autônomo, visando resolver a dor dos altos custos de pós-venda de hardware complexo.(来源: 36氪)

ZhongKe HuiSi é fundada e lança três produtos de mãos robóticas ágeis, explorando o volante duplo de “hardware × dados”: A ZhongKe HuiSi foi fundada conjuntamente pela ZhongKe HuiLing, Lens Technology e Huaxia Group, e lançou três produtos: a versão leve L1, a mão de cinco dedos com alto grau de liberdade D1 e a mão modular para cenários específicos M1. Usando mãos ágeis como ponto de entrada, a empresa está empenhada em promover a evolução dos atuadores finais de hardware simples para plataformas de habilidades operacionais que combinam hardware e software, e anunciou a construção de um campo de treinamento especializado em habilidades de mãos ágeis.(来源: 36氪)

OpenAI adquire a startup de geração de apresentações NextSlide para acelerar a integração de recursos de apresentação visual: A startup de geração de apresentações NextSlide anunciou que foi adquirida pela OpenAI, e sua equipe se juntou ao departamento do ChatGPT. A tecnologia da NextSlide foca na conversão de prompts, notas ou documentos em apresentações bonitas e editáveis com um único clique. A aquisição visa aprimorar a comunicação visual e a capacidade de criação de conteúdo do ChatGPT. Os termos específicos da transação não foram divulgados.(来源: TechCrunch)

🌟 Comunidade

Academia e indústria debatem “combate à fraude acadêmica em AI”: taxa de reprodutibilidade inferior a 10% em artigos Oral do ICML 2026 gera crise de confiança: A instituição de pesquisa independente SAI realizou a replicação experimental completa de 105 artigos Oral do ICML 2026 e descobriu que apenas 8 artigos obtiveram uma pontuação de reprodutibilidade superior a 80%, com uma mediana de apenas 28%. O estudo apontou que um grande número de artigos apresentava problemas como falta de código, dados não publicados ou resultados experimentais inconsistentes com as descrições. Pesquisadores da OpenAI, como Keller Jordan, apontaram que a ocorrência frequente de barreiras à replicação e propaganda exagerada em artigos de conferências de ponta fez com que laboratórios de fronteira basicamente deixassem de ler e confiar nesses artigos.(来源: X)

Grande debate sobre o ecossistema de Harness e Inference de grandes modelos: frameworks locais como Codex enfrentam transição “cloud-native”: O executivo da OpenAI, Thibault Sottiaux, apontou que, com o surgimento de modelos de raciocínio de longo prazo e alta autonomia, os Harness locais em máquina única (como ambientes de execução locais como Cursor, Claude Code, etc.) estão enfrentando gargalos de poder computacional, memória e sandbox concorrente. Nos próximos dois a três meses, os fluxos de trabalho de agentes acelerarão a transição para uma infraestrutura de micro-sandbox cloud-native baseada em “comando leve local, execução pesada na nuvem”.(来源: 机器之心)

Nova onda de controvérsia sobre “jailbreak de AI e fuga de sandbox”: comunidade debate polêmica no teste de segurança do Kimi K3: Em resposta aos rumores nas redes sociais de que o “Kimi K3 teria escapado do sandbox e se conectado à internet durante testes de segurança cibernética”, o UK AISI e pesquisadores de segurança esclareceram que o incidente não foi um jailbreak ativo do modelo, mas sim o resultado de falha dos testadores em isolar a rede corretamente ao configurar a ferramenta de avaliação Inspect. A comunidade iniciou uma discussão acalorada, temendo que alguns laboratórios usem narrativas de “AI fora de controle” para marketing excessivo, impulsionando políticas regulatórias que favorecem monopólios de código fechado.(来源: X)

Guia de sobrevivência para desenvolvedores independentes na era da AI: gestão de orçamento de tokens e construção de marca autêntica: O conhecido desenvolvedor independente da comunidade, Tw93, e outros compartilharam suas reflexões sobre o desenvolvimento na era da AI. Eles apontaram que, à medida que a AI reduz as barreiras de código, a competência essencial dos desenvolvedores mudou da escrita de código para se tornarem “engenheiros de produto” (uma combinação de pesquisa de usuários + produto + operações + negócios). No desenvolvimento, os tokens devem ser vistos como investimentos e usados de forma cirúrgica, construindo uma marca pessoal de confiança a longo prazo por meio de iteração rápida, comunicação sincera e visão global.(来源: X)

💡 Outros

Contos gerados por AI superam obras humanas em testes cegos: Um estudo com mais de 2.500 participantes mostrou que os leitores não conseguem distinguir com precisão entre contos escritos por autores humanos e os gerados pelo ChatGPT-4. Em testes cegos, as histórias de AI receberam pontuações significativamente mais altas em qualidade percebida e imersão do que as obras humanas, pois os textos de AI costumam ser mais fluidos e fáceis de ler. No entanto, uma vez informados de que a história foi gerada por AI, as avaliações dos leitores caíram visivelmente devido a vieses psicológicos.(来源: THE DECODER)

Tribunais trabalhistas do Reino Unido enfrentam grave acúmulo de processos devido à proliferação de petições geradas por AI: Um memorando divulgado pelo presidente dos tribunais do Reino Unido, Barry Clarke, e outros mostra que, como ferramentas como ChatGPT e Grok reduziram as barreiras jurídicas, funcionários comuns podem gerar gratuitamente petições complexas com centenas de páginas. Isso fez com que os pedidos de liminares e o acúmulo de casos disparassem 55% em termos anuais, com 64.000 casos pendentes. Essa “tragédia dos comuns” faz com que trabalhadores com demandas legítimas enfrentem tempos de espera ainda maiores.(来源: THE DECODER)

Atividade do Stack Overflow despenca 99% em dez anos, gerando preocupações sobre a fonte de conhecimento na era da AI: Dados estatísticos mostram que o volume mensal de perguntas no Stack Overflow, a maior comunidade de perguntas e respostas para programadores do mundo, despencou de seu pico de 207 mil em março de 2014 para apenas 1,4 mil em julho de 2026, uma queda de 99%. Usuários da comunidade apontam que o gatekeeping de longa data e a atmosfera tóxica do SO já afastavam os novatos, e a popularização dos grandes modelos desviou completamente o tráfego. A comunidade começa a se preocupar que, se os humanos pararem de contribuir com novos conhecimentos em plataformas públicas, os dados de treinamento para futuras AIs enfrentarão escassez.(来源: Reddit)