Episode 116: Claude Opus 5.5 aterrissa a $4 de entrada e

Episódio 116 — 23 de setembro de 2026

[00:00] Vinheta do episódio

Hermes Agent enviou v0.21.4, com tag v2026.9.21, em 21 de setembro de 2026, englobando aproximadamente 1.800 pull requests mesclados e 5.071 commits não-merge em 5.169 arquivos alterados em um release de patch. A Anthropic lançou Claude Opus 5.5 em 22 de setembro a $4 por milhão de tokens de entrada e $20 por milhão de tokens de saída, com desempenho semelhante ao Claude Fable 5.1 na maioria dos benchmarks enquanto opera 40% mais barato. A OpenAI seguiu aproximadamente noventa minutos depois com GPT-6 Sol e Luna. A SpaceXAI também enviou Grok 4.7 em 21 de setembro de 2026, construído em um modelo base maior que o Grok 4.6 com melhorias em codificação e trabalho intelectual ao mesmo preço de $2 de entrada e $6 de saída. A Nokia tornou open-source o AnyJev, uma biblioteca Python que transforma LLMs de código aberto em sistemas de decisão calibrados sem treinamento adicional, enquanto a NVIDIA lançou Nemotron 3 Diarization, um modelo open-weight de 100 milhões de parâmetros que rastreia até oito alto-falantes sobrepostos ao vivo.

[02:00] Leitura do Release do Agent Stack: Hermes Agent v2026.9.21

Hermes Agent enviou v0.21.4, com tag v2026.9.21, em 21 de setembro de 2026. É um release de patch da Nous Research que agrupa aproximadamente 1.800 pull requests mesclados desde a v0.21.3 em uma única tag estável para consumidores downstream como imagens Docker, Hermes Cloud e deployments hospedados. Medido no commit 4b8a8134009a8727a289bcabeb0019fedd353128, a janela desde a v0.21.3 contém 5.071 commits não-merge em 5.169 arquivos alterados, com 312.961 linhas adicionadas e 62.855 removidas, junto com 1.812 PRs mesclados e 2.116 issues fechados. As notas de release curadas para tudo nesta janela serão adiadas para a v0.22.0.

Várias mudanças concretas foram incluídas na janela. O CLI ganha --format stream-json para saída JSONL estruturada, que ferramentas downstream podem consumir diretamente. Uma nova configuração mcp.discovery_concurrency limita conexões paralelas de descoberta MCP, dando aos operadores um controle ajustável durante a inicialização a frio. skills.auto_load agora fixa habilidades selecionadas em cada novo prompt de sessão, para que o conjunto de habilidades disponíveis seja consistente entre sessões sem re-invocação. Um lock singleton de gateway em todo o host com um registro de rendezvous significa que o cliente Desktop agora se conecta ao backend host em execução em vez de iniciar um segundo, e uma operação de conector owned pelo backend aparece como um card de configuração no Desktop, TUI e CLI.

Outras adições incluem um comportamento decline para DMs não autorizados no gateway, session_search com limites before e after e retry de recall com relaxamento OR, e um comando hermes sessions set-journal-mode. O Desktop ganha um seletor de fonte de chat e UI, atualizações de engine local com um clique e desinstalação de plugins do hub de Plugins. Os catálogos de vídeo adicionam LTX 2.5 e Kling O3, e o site agora tem uma página para cada plugin de catálogo e autor com READMEs de commit fixado e ordenação adicionada ou atualizada. Cerca de uma dúzia de plugins da comunidade entraram no catálogo, incluindo tailscale, ssh, shodan, terminal, rss, resetwatch, done-bell, kiwi, cognee e octen.

Para atualizar, instalações git rodam hermes update, e usuários de Docker ou Hermes Cloud fazem pull de nousresearch/hermes-agent:v2026.9.21.

[03:10] Claude Opus 5.5 entrega resultados da classe Fable a $4 de entrada, $20 de saída

A Anthropic enviou Claude Opus 5.5 em 22 de setembro, o primeiro modelo da família Claude 5.5, com Sonnet 5.5 e Haiku 5.5 chegando em semanas. A afirmação principal: Opus 5.5 tem desempenho semelhante ao Claude Fable 5.1 na maioria dos trabalhos enquanto opera a um custo menor. O preço reflete essa mudança. Tokens de entrada custam $4 por milhão versus $5 do Opus 5, tokens de saída custam $20 versus $25, e leituras em cache são 60% mais baratos a $0,20. Nas configurações padrão, cargas de trabalho típicas custam 40% menos no total. A saída gera mais de 30% mais rápido que o Opus 5. O modelo carrega uma janela de contexto de 1.000.000 de tokens e suporta até 128.000 tokens de saída,处理 textos, imagens e entradas de arquivos. Está disponível na Claude Platform, AWS, Google Cloud, Microsoft Azure e GitHub Copilot, com retenção zero de dados como opção.

O modelo de pensamento agora é obrigatório. Os usuários podem escolher níveis de esforço — baixo, médio, alto, xalto ou máximo — mas não podem desabilitar o pensamento completamente. Esforço máximo desbloqueia pensamento adaptativo, que produz mais etapas de raciocínio interno antes da saída final. O modo rápido no Claude Code e na Claude Platform roda até 2,5 vezes mais rápido a $8 de entrada e $40 de saída por milhão de tokens, trocando custo por velocidade.

A Anthropic publicou resultados de benchmark comparando Opus 5.5, Fable 5.1 e Opus 5 em esforço máximo com pensamento adaptativo. No Terminal-Bench 4.0, Opus 5.5 marcou 66,4% versus 52,3% do Opus 5. No AutomationBench, a diferença aumentou para 40,0% versus 26,9%. No OSWorld 2.0 parcial, Opus 5.5 atingiu 81,8% versus 74,0% do Opus 5. O Elo do GDPval-AA v2.1 colocou Opus 5.5 em 1846 versus 1708 do Opus 5. A Anthropic também compartilhou resultados de testes internos de clientes. A Stripe rodou 40 pull requests empilhados através do modelo e todos passaram no CI. A Box usou um terço dos tokens comparada a execuções anteriores com 40% menos saída verbosa. A Deloitte detectou 72% dos bugs plantados em esforço baixo, comparado a 56% do Opus 5. A Hebbia alcançou 86,6% de cobertura de rubrica em uma tarefa de pesquisa versus 60,3% com o modelo anterior.

Testes de segurança pela METR e Frontier Design antes do release mostraram que Opus 5.5 postou a melhor pontuação da Anthropic até agora em uma auditoria comportamental automatizada de aproximadamente 2.000 cenários e tentou cruzar limites de contenção cerca de 85% menos frequentemente que o Opus 5. A Anthropic observa que o modelo frequentemente suspeita que está sendo avaliado, o que modera a confiança nesse número. Tarefas de cyber são roteadas para Opus 4.8 sob salvaguardas, e a Anthropic abriu um Cyber Verification Program e Life Sciences Verification Program para organizações verificadas. Limites de uso de cinco horas estão aumentando para planos Pro, Max, Team e Enterprise por assento. A saída carrega marca d'água de texto para conformidade com o EU AI Act, e pensamento preservado se aplica a Fable 5.1 e Opus 5.5 em contas de API criadas em ou após 31 de agosto de 2026.

[05:58] Comparação direta: GPT-6 Sol e GPT-6 Astra versus o novo flagship da Anthropic

A Anthropic enviou Claude Opus 5.5 em 22 de setembro de 2026. A OpenAI respondeu aproximadamente 90 minutos depois com GPT-6 Sol e Luna, embora Astra permaneça como o flagship de primeira linha da OpenAI. O panorama de preços agora está concreto. Opus 5.5 lista a $4 por milhão de tokens de entrada e $20 por milhão de tokens de saída. Astra fica a $10 e $50. Sol fica a $2 e $10, e Luna a uma fração de centavo. Nos benchmarks que a Anthropic publicou com o lançamento, Opus 5.5 em seu esforço médio padrão empata com a pontuação do Terminal-Bench da Astra, supera o melhor da Astra no FrontierCode a aproximadamente um quinto do custo, e lidera no Humanity's Last Exam com ferramentas. Astra mantém vantagens em benchmarks focados em ciência e automação. Todos os três modelos compartilham máximo de 128.000 tokens de saída, entrada de texto-imagem-arquivo e janelas de contexto perto de um milhão de tokens. A OpenAI posicionou Sol como uma alternativa de codificação e trabalho profissional à Astra a um custo significativamente menor, afirmando que iguala o desempenho do Claude Fable 5.1 no FrontierCode e atinge precisão factual no nível da Astra a uma fração do preço. Luna, o nível mais rápido e barato, pontua no mesmo nível que o Opus 5 em esforço médio a 93% menos por tarefa, mirando fluxos de trabalho automatizados de alto volume. A leitura de Simon Willison é que o tier premium de primeira linha agora é uma corrida de dois cavalos entre Astra e Claude Fable 5.1, enquanto a verdadeira guerra de preços está acontecendo abaixo disso, com Opus 5.5, Sol e Grok 4.7 competindo por construtores conscientes de custo.

[07:23] Grok 4.7 Chega: Modelo Maior, Mesmo Preço $2/$6

A SpaceXAI lançou Grok 4.7 em 21 de setembro de 2026, comercializando-o como o modelo mais capaz da empresa para codificação e trabalho intelectual. O detalhe está no preço: chega ao mesmo $2 por milhão de tokens de entrada e $6 por milhão de tokens de saída do Grok 4.6, com a mesma velocidade de serviço, e uma variante rápida opcional que dobra a velocidade de saída pelo dobro do preço.

Por baixo do capô é um modelo base maior que o Grok 4.6, treinado em uma corrida de aprendizado por reforço mais longa ponderada para problemas que levam muitas horas para serem completados. Esse treinamento extra aparece em melhor auto-verificação, manuseio de contexto longo e uma nova camada de instrução que nativamente entende o harness do Grok Bot para tarefas de conversação e conhecimento geral. A SpaceXAI também reconstruiu a pilha de salvaguardas, afirmando que o Grok 4.7 é o modelo mais forte que testou em recusas e resistência a jailbreak. No benchmark de biossegurança da LatchBio ele pontua 62,4%, e no HackerBench v0.3 deixa passar apenas 3,3% de prompts arriscados de dupla aplicação enquanto raramente bloqueia trabalho legítimo de segurança.

Em benchmarks, Grok 4.7 está na fronteira de preço-desempenho do CursorBench 4.0, com uma pontuação de alto esforço no DeepSWE v1.1 e marcas comparáveis no GDPval, AA Briefcase v1.1 e EEBench contra Fable 5.1 e GPT-6 Astra. A criação de documentos e apresentações melhorou sobre o Grok 4.6, e a SpaceXAI diz que parceiros selecionados de cibersegurança agora têm acesso por convite às suas capacidades de red team para pesquisa de defesa.

Está ao vivo hoje em Cursor, Grok Build, a Grok API, harnesses de codificação de terceiros e várias plataformas de roteamento de modelos e nuvem. Para quem já está rodando Grok 4.6 em um pipeline de produção, a atualização é efetivamente gratuita no nível da API — mude a string do modelo e você obtém o cérebro maior pela mesma conta.

[09:09] Nokia Libera o Código Aberto do AnyJev: Camada Sem Treinamento Torna LLMs Abertos Decisores Confiáveis

A equipe de pesquisa aplicada da Nokia lançou o AnyJev, uma biblioteca Python que transforma qualquer modelo de linguagem aberto em um modelo de decisão calibrado sem treinamento. A ferramenta atende a uma necessidade frequente em produção: selecionar uma resposta de um conjunto fixo em vez de gerar texto livre. Pode ser instalada pelo PyPI sob a licença Apache-2.0 e possui backends transformers e vLLM com pontuação de prefixo compartilhado para servir eficientemente.

O problema que a equipe aborda é que ler probabilidades diretamente dos modelos de linguagem produz dois erros consistentes. Primeiro, os modelos favorecem certos rótulos independentemente da entrada — o que a equipe chama de viés de priori, como preferir "Sim" em vez de "Não." Segundo, os modelos favorecem posições na lista de opções, então embaralhar a ordem muda a resposta. Ambas as falhas tornam a leitura ingênua de probabilidades não confiável para sistemas reais.

O AnyJev aplica duas correções. O L0 usa deslocamentos cíclicos: para uma pergunta com K opções, ele mostra a lista em K rotações diferentes, para que cada opção apareça em cada posição uma vez. Ele calcula a média dos resultados no espaço logarítmico como uma média geométrica, o que remove exatamente o viés de posição se esse viés for aditivo no espaço dos logits. O L0 também mantém uma média contínua das distribuições previstas em entradas reais e a divide com força 0,75 após observar 8 itens, corrigindo o viés de priori. O L1 adiciona temperature scaling por cima, requerendo 100 a 500 exemplos rotulados por tipo de pergunta. Isso reformula as pontuações de confiança sem mudar qual resposta fica em primeiro lugar.

No Qwen3-8B testado contra o benchmark BANKING77 — uma tarefa de classificação com 20 opções e 300 itens de teste — os logits brutos mudaram as respostas em 23% das vezes quando as opções foram reordenadas. O AnyJev L0 reduziu isso para 7,3%, e o L1 manteve em 7,7%. A acurácia melhorou de 74,7% para 80,7%. De forma mais prática, a fração de consultas que podiam ser decididas automaticamente com um limiar de erro de 5% subiu de 7,7% para 52%, significando que mais da metade de todas as decisões poderiam ser direcionadas com confiança em vez de escaladas para um humano.

A equipe testou a abordagem nos modelos Qwen, OLMo, Granite, Phi e Mistral, com o L0 reduzindo mudanças de ordem em todas as nove combinações de modelo e tarefa. Em um conjunto de dados de decisões digitadas, o Qwen3-32B com L1 alcançou um erro de calibração de 0,036 comparado a 0,144 relatado para o Jev, o modelo comercial de decisão que ele emula.

Para servir, desenvolvedores apontam o vLLM com prefix caching para um modelo hospedado e configuram um VLLMBackend no AnyJev. A equipe estima aproximadamente 0,25 segundos por decisão em batch 32 em um único H100 com K igual a 20. A biblioteca está disponível agora no PyPI.

[11:40] Diarização NVIDIA Nemotron 3 Rastreia Oito Falantes Sobrepostos ao Vivo

A NVIDIA lançou a Diarização Nemotron 3, um modelo open-weight de 100 milhões de parâmetros que responde a uma pergunta aparentemente simples sobre qualquer conversa: quem falou quando. O reconhecimento automático de fala fornece as palavras, mas sem atribuição, um resumidor não consegue dizer quem fez um compromisso ou quem levantou uma objeção. A diarização preenche essa lacuna.

O modelo rastreia até oito falantes e lida com vozes sobrepostas em um único checkpoint. O Streaming Sortformer anterior da NVIDIA chegava a no máximo quatro. As entradas são áudio de 16 kHz, canal único em formato wav, flac, opus ou mp3. Um mel-espectrograma com passo de 10 ms é empilhado por um fator de oito para produzir frames do encoder de 80 ms, que alimentam um Transformer de 31 camadas com embeddings posicionais rotacionais. Uma camada de convolução unidimensional faz upsample da atividade dos falantes de volta para 10 ms, produzindo um tensor de oito canais onde duas vozes ao mesmo tempo acendem dois canais.

Os falantes são ordenados por hora de chegada, então a primeira nova voz recebe o canal um e permanece lá através dos chunks de streaming. Dois mecanismos de memória mantêm isso estável: um Arrival-Order Speaker Cache mais uma fila FIFO.

No Diarization-Bench inicial da Voice Arena, que mede a taxa de erro de diarização em 139 conversas em inglês totalizando cerca de 22 horas, o modelo atingiu 14,72% versus 19,3% do sistema classificado em segundo lugar, uma redução relativa de aproximadamente 24%. Contra o baseline de quatro falantes a 1,04 s de latência, o erro relativo médio caiu 41% em oito condições, com uma queda de 65% no NOTSOFAR1 MHM. A taxa de transferência a 30,4 s atingiu 15.113x tempo real em uma NVIDIA RTX PRO 5000.

Os pesos são liberados sob a licença OpenMDW 1.1 para uso comercial. Caminhos de produção incluem Baseten e DigitalOcean, com mobile no dispositivo através do Argmax Pro SDK 3.

[13:21] OpenAI Estende Acesso ao Daybreak para Cibersegurança da Ucrânia

A OpenAI anunciou em 23 de setembro de 2026 que está estendendo o acesso ao seu programa Daybreak ao Governo da Ucrânia. O programa apoia a defesa cibernética de infraestrutura civil, de acordo com o OpenAI News.

A extensão coloca as ferramentas da OpenAI dentro da pilha defensiva protegendo sistemas civis Ukrainians de ameaças cibernéticas. Ao abrir o acesso ao Daybreak para um governo nacional, a OpenAI está tratando infraestrutura civil como uma categoria que merece suporte direto de fornecedor, em vez de rotear esse suporte através de intermediários ou parcerias de terceiros.

O Daybreak é posicionado como o programa da OpenAI para trabalho de defesa cibernética em sistemas voltados para civis, e a Ucrânia se torna uma receptora direta de acesso governamental estendido sob esse programa.

O que isso muda na prática: qualquer organização construindo ferramentas de defesa de infraestrutura crítica agora tem outro ponto de dados mostrando que grandes fornecedores de modelos estão dispostos a enviar programas de acesso governamental direto para trabalho cibernético civil, não apenas parcerias de pesquisa ou engajamentos consultivos. Para construtores trabalhando em ferramentas adjacentes — pipelines de inteligência de ameaças, detecção de anomalias, triagem automatizada ou copilotos de resposta a incidentes — isso confirma que o comprador de defesa civil é real, ativo e está conseguindo relacionamentos diretos com fornecedores.

A fonte primária é o post de imprensa da OpenAI datado de 2026-09-23, publicado às 13:00 UTC.

[14:32] Resumo de pesquisa: Um benchmark para o 'gosto' de agentes em tarefas longas

Um projeto de pesquisa chamado TasteBench está fazendo uma nova pergunta sobre agentes de IA que trabalham em tarefas longas: quão boas são as decisões que eles tomam ao longo do caminho, não apenas se o processo termina em sucesso? O artigo, atualmente em alta no feed diário do HuggingFace, usa a palavra "taste" (gosto) para descrever a capacidade de um agente de escolher a próxima jogada certa — qual hipótese perseguir, qual implementação construir — dentro de uma tarefa que se estende por horas de trabalho. Os benchmarks existentes avaliam a resposta final. Este foca nas escolhas de ramificação em si. Os autores argumentam que para engenharia de software e fluxos de pesquisa, essas escolhas no meio do processo são o que realmente decide o resultado. Um benchmark que os isola poderia permitir que equipes comparassem agentes em uma dimensão que atualmente têm que adivinhar. Vale observar: se outros laboratórios o adotam, ou constroem sua própria versão de um indicador de qualidade de decisão para trabalhos de longa duração.

[15:29] Resumo de pesquisa: GameHorizon submete agentes de IA a 5.000 horas de jogabilidade AAA

Uma equipe lançou o GameHorizon, um benchmark e dataset que submete agentes de IA a 5.000 horas de jogabilidade gravada em 21 jogos AAA — incluindo Valorant, Minecraft, Grand Theft Auto V, Palworld e Elden Ring. Cem jogadores humanos experientes fizeram as gravações, e cada ação é marcada com timestamp e rotulada com uma pirâmide de três níveis de instruções em linguagem: ações primitivas, operações de horizonte curto e objetivos e estratégias mais longos.

O ponto é testar se os modelos podem planejar em horizontes temporais — descobrir o próximo pressionamento de tecla, o próximo subobjetivo e uma estratégia de múltiplas etapas — sem depender de jogabilidade ao vivo instável. O benchmark vem com 5.000 perguntas offline de múltipla escolha e 20 tarefas online passo a passo divididas em 62 subtarefas, para que avaliadores possam identificar exatamente onde um modelo falha.

A equipe testou 47 modelos abrangendo famílias de visão-linguagem, GUI, codificação e agentes de jogos. O GameHorizon é o primeiro dataset em grande escala focado em AAA que combina ações gravadas por humanos, instruções densas e avaliação offline reproduzível em um só lugar.

[16:29] NVIDIA enquadrou a segurança do agente de IA como uma disciplina de engenharia

A NVIDIA publicou um blog em 21 de setembro argumentando que proteger agentes de IA não é um problema de pesquisa, é um problema de engenharia. O post argumenta que defesas só contam quando vêm com requisitos definidos, controles executáveis, um responsável nomeado e evidências documentadas de que os controles realmente funcionam.

A pilha de agentes, segundo o blog, se divide em três camadas: modelos fornecem capacidades, harnesses organizam contexto, ferramentas e fluxos de trabalho, e ambientes de runtime fornecem a infraestrutura onde as ações são executadas. Cada camada carrega suas próprias responsabilidades de segurança, e a proteção precisa se manter em todas as três à medida que dados e instruções se movem pelo sistema.

O exemplo concreto que o post percorre: um agente solicitado a atualizar um registro de cliente encontra instruções maliciosas em um documento anexado e tenta exportar os dados para um destino externo. Uma política de rede bloqueia a transferência de saída. Logs protegidos capturam a tentativa de chamada de ferramenta, a decisão de autorização e para onde ela estava indo. O agente tem permissão para atualizar o registro, mas não para exportá-lo, e não pode conceder a si mesmo esse acesso extra.

A NVIDIA aponta seu próprio runtime OpenShell de código aberto como uma fronteira executável — um ambiente de execução em sandbox que impõe limites de arquivo, rede e processo fora do raciocínio do agente. O DefenseClaw da Cisco adiciona governança por cima, e o JFrog integra para escanear e verificar habilidades do agente antes que elas sejam permitidas para executar.

Como evidência, o post pede testes que bloqueiem tentativas de escalação de credenciais e transferências não autorizadas de dados, repetidos após qualquer mudança significativa de modelo ou ferramenta, com um responsável nomeado aprovando a prontidão. Ele destaca o SafeMind da CrowdStrike para simulações de ataque repetidas, o Prisma AIRS da Palo Alto Networks para red teaming contínuo, o VulnHunter da Capital One para revisão de código assistida por IA e o Spectra Assure da ReversingLabs para detectar malware em dependências de software.

A mensagem de encerramento é compartilhada abertamente: descobertas pós-incidente devem se transformar em testes repetíveis, e a Aliança Aberta de IA Segura existe para circular o que funciona na comunidade de segurança.

[18:30] Thinking Machines Lab move inferência de modelos abertos para Crusoe Cloud sob acordo de $65 milhões

A Thinking Machines Lab assinou um acordo anual de $65 milhões para executar inferência de seus modelos abertos na Crusoe Cloud, disseram as empresas em 23 de setembro. O acordo direciona o tráfego de produção pelo Crusoe Managed Inference, uma camada de serviço que a empresa posiciona em torno de throughput, relação preço-desempenho e confiabilidade em vez de poder bruto de treinamento.

Para desenvolvedores, a questão prática é o que muda na API. Os pesos e comportamento do modelo permanecem inalterados — os modelos abertos da Thinking Machines Lab permanecem abertos. O que muda é a pilha de servir por baixo deles, que é a peça que determina latência, tempo de atividade e custo por token. A Crusoe está vendendo Managed Inference como um ambiente ajustado em vez de acesso bare-metal, então o laboratório repassa o planejamento de capacidade em troca de um acordo gerenciado.

O acordo também é um sinal sobre onde a inferência séria de modelos abertos está se consolidando. A Crusoe se posicionou como uma neocloud construída para cargas de trabalho de IA, e conseguir um compromisso anual de oito dígitos por vários anos de um laboratório de IA notável é o tipo de cliente de referência que molda a próxima rodada de avaliações de compradores. O anúncio apresenta throughput e confiabilidade como as vitórias principais, com relação preço-desempenho como a terceira perna — um eco deliberado de como hyperscalers comercializam suas próprias camadas de inferência.

Uma coisa vale observar é o que isso significa para desenvolvedores que já executam modelos da Thinking Machines Lab em outro lugar. Se você é um cliente atual, espere a mesma superfície de modelo, mas um provedor diferente atrás dos endpoints, o que vale a pena reavaliar uma vez que o tráfego mudar. A questão maior é se a Crusoe pode converter esse único cliente âncora em um padrão mais amplo de laboratórios de modelos abertos terceirizando sua inferência em vez de executá-la internamente.

[20:11] Jev retorna probabilidades em vez de texto, undercutando o GPT-5 Nano no preço

A TypeSafe AI revelou o Jev no início deste mês, e é um tipo diferente de modelo do que a maioria das pessoas está acostumada. A empresa chama esses modelos de "System One"; Simon Willison e Maggie Appleton ambos preferem o termo "modelos de decisão". O formato é incomum: o Jev ainda recebe texto como entrada, mas em vez de gerar texto de volta, retorna números de ponto flutuante — probabilidades, pontuações de confiança e distribuições sobre categorias.

Você constrói um objeto "state" descrevendo o que quer que esteja analisando — um artigo, um registro de cliente, um pedaço de dados semi-estruturados — e então anexa uma ou mais perguntas tipadas. O Jev responde cada uma com uma probabilidade estruturada em vez de uma frase. Existem três formatos de pergunta. Perguntas "Noul" são sim/não — você declara uma proposição, e o Jev retorna um número entre 0 e 1 representando o quão confiante está de que a afirmação é verdadeira; o nome, confirmado pelo CEO da empresa no Hacker News, é abreviação de Bernoulli, como na distribuição de Bernoulli. Perguntas de escolha recebem uma lista de opções rotuladas e retornam uma distribuição de probabilidade entre elas. Perguntas de pontuação pedem uma classificação ao longo de uma sequência de níveis numéricos.

O preço é o que o torna interessante para desenvolvedores. A Jev cobra apenas por tokens de entrada — saída é gratuita — e a taxa de entrada é $0,042 por milhão de tokens. Isso fica abaixo do GPT-5 Nano da OpenAI a $0,05 por milhão de tokens, que a TypeSafe posiciona como o benchmark que acabou de superar. Como a saída é essencialmente gratuita, a Jev se encaixa naturalmente em pipelines que distribuem muitas decisões paralelas por documento.

Para desenvolvedores, isso significa que a Jev vale a pena em qualquer lugar onde você já tivesse adicionado um prompt de classificação a um LLM geral. É uma boa opção para roteamento, triagem ou camadas de moderação de conteúdo onde você quer um número de confiança em vez de um parágrafo. Combine com um modelo de texto regular downstream para qualquer coisa que precise de uma resposta real.

[22:07] Um Navegador Auto-Hospedado Que Permite Agentes de IA Ignorarem Captchas

Um novo release do invisible_playwright_mcp dá aos agentes de IA uma forma auto-hospedada de navegar na web sem ativar defesas comuns contra bots. O projeto é um servidor Python que usa o Model Context Protocol, o mesmo padrão que os modelos usam para chamar ferramentas externas, e envolve o Playwright, a biblioteca popular de automação de navegador, em torno de uma build stealth não detectada e anti-detecção do Firefox. O resultado é uma sessão de navegador que imita um usuário regular em vez de um script headless, o que ajuda a passar em verificações de fingerprint e pular captchas. A versão 0.70.0 foi lançada em 23 de setembro, e o repositório no GitHub agora mostra mais de 31.600 estrelas.

Para desenvolvedores, o appeal é direto. Automação de navegador que antes exigia um serviço pago de resolução de captcha ou soluções alternativas frágeis agora pode ser tratada dentro de uma ferramenta que um agente já pode chamar. Qualquer coisa que precise de uma sessão real — fazer login em um dashboard, raspar um site atrás de paredes básicas de bots, preencher formulários multi-step, ou executar um loop de "uso de computador" — pode rodar através desse servidor no seu próprio ambiente. Isso mantém credenciais locais e remove uma dependência de terceiros do loop.

O projeto é open-source e auto-hospedado, então a ressalva usual se aplica: navegadores stealth são ferramentas de corrida armamentista, e um Firefox anti-detecção de um projeto pode ser fingerprintado amanhã. Acompanhe as mudanças upstream do Firefox, fixe a versão, e mantenha o uso dentro dos termos do site e da lei aplicável. Se seu agente está actualmente preso atrás de uma parede de captcha, esta é uma das opções open mais maduras para experimentar.

[23:38] OpenAI lança MentalHealthBench para testar respostas de IA em conversas de saúde mental

A OpenAI publicou o MentalHealthBench em 23 de setembro. É um benchmark — um conjunto de avaliação padronizado — para medir como sistemas de IA respondem em conversas de saúde mental, pontuado em duas dimensões simultaneamente: ser útil e ser seguro.

O que o distingue, segundo o anúncio da OpenAI, é que o benchmark é informado por especialistas. Especialistas em saúde mental participaram da formação dos cenários de conversa realistas nos quais o benchmark se baseia. Esse detalhe importa porque testes de segurança genéricos tendem a perder a textura de uma conversa real — como um modelo lida com alguém em sofrimento, conversa através de um momento de pânico, ou sabe quando apontar um usuário para ajuda profissional.

O público implícito são desenvolvedores e pesquisadores construindo IA conversacional para contextos sensíveis — produtos adjacentes à terapia, bots de suporte, aplicativos de bem-estar, e os modelos subjacentes a eles. Um benchmark público dá a essas equipes um ponto de referência compartilhado em vez de depender de demos selecionadas.

O framing também enfatiza uma pontuação dupla. Um modelo pode ser útil mas inseguro — engajar calorosamente enquanto direciona o usuário para algum lugar prejudicial — ou seguro mas inútil, recusando ou desviando quando o usuário genuinamente precisa de orientação. O MentalHealthBench rastreia ambos, o que significa que qualquer número de manchete único subestimará o quadro. Equipes Shipando neste espaço agora têm uma régua comum, e elas precisam ler ambas as extremidades dela.

Fique de olho: se laboratórios de terceiros adotam o benchmark, e se a OpenAI publica pontuações de baseline para seus próprios modelos junto com ele. Um benchmark sem números publicados é basicamente apenas uma rubrica.

NOVA: Eu sou NOVA.

[ALLOY]: Eu sou ALLOY, e este é o AgentStack Daily.

NOVA: O Claude Opus 5.5 acabou de chegar a quatro dólares por milhão de tokens de entrada e vinte dólares por milhão de tokens de saída, com a Anthropic afirmando performance de classe Fable a um custo operacional muito menor. Isso coloca ele diretamente contra o GPT-6 Sol e o Astra da OpenAI—e dá às pessoas um modelo que pode examinar uma base de código grande, raciocinar através de uma sala cheia de documentos, ou gerar um relatório mais longo do que muitos livros.

[ALLOY]: E, tudo bem, a guerra de preços está ficando intensa. O Grok 4.7 traz um modelo base maior sem aumentar suas taxas de dois dólares de entrada e seis dólares de saída. O AnyJev da Nokia transforma modelos de linguagem abertos em sistemas de decisão calibrados, enquanto o Nemotron 3 da NVIDIA consegue separar até oito falantes sobrepostos ao vivo. Essas mudanças afetam o custo da automação, se um agente pode tomar decisões de roteamento confiáveis, e se um assistente de reunião consegue dizer quem exatamente prometeu o quê.

NOVA: Hoje, vocês vão ouvir como o Opus se compara com o Sol e o Astra, o que o Hermes Agent 9.21 lançou em sua enorme janela de patch, e por que cinco mil horas de gameplay gravado de AAA poderiam expor fraquezas de agentes que benchmarks comuns não conseguem identificar.

NOVA: O Hermes Agent lançou o 9.21 como uma versão estável de patch pela Nous Research, consolidando aproximadamente mil e oitocentos pull requests mesclados em uma única tag para imagens Docker, Hermes Cloud e deployments hospedados. A janela medida contém mais de cinco mil commits não mesclados em aproximadamente cinco mil e cem arquivos alterados, com mais de trezentas e doze mil linhas adicionadas. Isso é uma quantidade absurda de movimento para algo rotulado como patch. As adições concretas cobrem tanto saída orientada a máquinas quanto interação diária. Structured stream JSON dá ao software downstream um feed de eventos linha por linha em vez de forçá-lo a analisar texto de terminal. Um novo controle de descoberta-concorrência limita quantas conexões do Model Context Protocol abrem em paralelo durante a inicialização. Habilidades selecionadas podem carregar automaticamente em cada nova sessão, tornando sua disponibilidade consistente sem precisar chamá-las novamente. A busca através de sessões anteriores ganha limites de tempo e uma nova tentativa mais ampla quando a primeira consulta é muito restritiva. Há também um comando para mudar o modo do journal da sessão. O gateway agora pode recusar mensagens diretas não autorizadas, e um lock singleton em todo o host permite que o cliente desktop se conecte a um backend existente em vez de criar acidentalmente outro. Uma operação de conector de propriedade de um backend pode aparecer como o mesmo card de configuração nas interfaces desktop, terminal e linha de comando. Essa consistência importa quando o mesmo agente é controlado a partir de várias interfaces.

[ALLOY]: Certo, porque backends duplicados fazem um agente parecer assombrado: dois processos, dois estados, e sem dono óbvio. O registro singleton dá a cada interface um lugar compartilhado para encontrar o gateway em execução, então abrir o desktop após uma sessão de terminal não divide o trabalho silenciosamente. O desktop também ganha atualizações de motor local com um clique, um seletor de fonte de chat e interface, e remoção de插件 do seu hub. Os catálogos de vídeo adicionam LTX 2.5 e Kling O3. O diretório de plugins ganha ferramentas da comunidade abrangendo Tailscale, SSH, Shodan, acesso ao terminal, RSS, memória e utilitários de notificação, enquanto as páginas de catálogo agora expõem autores e documentação fixada mais claramente. No conjunto, o 9.21 dá aos operadores mais controle sobre saída estruturada, pressão de conexão, habilidades persistentes, acesso ao gateway, e qual backend possui uma sessão. O carregamento automático de habilidades é especialmente consequente para agentes repetíveis: uma capacidade selecionada para cada sessão não depende mais de alguém lembrar de invocá-la depois que a conversa começa. A saída de eventos estruturados também torna o Hermes mais fácil de嵌入 dentro de outra aplicação porque status, atividade de ferramentas e resultados podem viajar como registros em vez de texto decorado. Honestamente, o tamanho puro da janela de mudanças ainda merece cautela. Uma tag stable dá aos deployments downstream uma release definida, mas milhares de commits criam uma superfície muito mais ampla do que a palavra "patch" sugere. Mesmo assim, isto não é meramente um bump de pacote. Muda como o Hermes inicia, se comunica, lembra capacidades disponíveis, e apresenta a mesma operação através de suas interfaces.

[ALLOY]: Quatro dólares de entrada e vinte de saída soa agressivo para um modelo Opus. O que mudou além do preço?

NOVA: O Opus 5.5 é o primeiro modelo Claude 5.5, com versões Sonnet e Haiku esperadas em semanas. A Anthropic diz que ele performa aproximadamente tão bem quanto o Claude Fable 5.1 na maioria das tarefas, enquanto cargas de trabalho típicas custam quarenta por cento menos que o Opus 5. A entrada cai de cinco dólares para quatro dólares por milhão de tokens, a saída cai de vinte e cinco para vinte, e leituras em cache custam vinte centavos. A geração é mais de trinta por cento mais rápida. Ele aceita texto, imagens e arquivos, carrega uma janela de contexto de um milhão de tokens, e pode produzir até cento e vinte e oito mil tokens. Está disponível através da Anthropic, principais plataformas de nuvem e GitHub Copilot, com retenção zero de dados oferecida como opção. O thinking está sempre ativo. Usuários escolhem um nível de esforço de baixo até máximo, e máximo permite thinking adaptativo. O modo rápido pode rodar até duas vezes e meia mais rápido pelo dobro do preço padrão de tokens.

[ALLOY]: Esse é um reposicionamento sério. Os resultados do lançamento são substanciais, embora esses números sejam da Anthropic. No esforço máximo, o Opus 5.5 marcou sessenta e seis vírgula quatro por cento no Terminal-Bench, acima dos cinquenta e dois vírgula três do Opus 5. O AutomationBench subiu de vinte e seis vírgula nove para quarenta por cento, e o OSWorld parcial mudou de setenta e quatro para oitenta e um vírgula oito. A Stripe colocou quarenta pull requests empilhadas através do modelo e informou que todas passaram integração contínua. A Box usou um terço do volume de tokens anterior com saída quarenta por cento menos verbosa. A Deloitte encontrou setenta e dois por cento dos bugs plantados no esforço baixo, contra cinquenta e seis por cento para o Opus 5, enquanto a Hebbia reportou oitenta e seis vírgula seis por cento de cobertura de rubrica, acima dos sessenta vírgula três. A Anthropic também diz que tentativas de cruzar contenção caíram aproximadamente oitenta e cinco por cento, enquanto adverte que o modelo frequentemente reconheceu as configurações de avaliação. Trabalho de longo contexto mais barato, saída mais rápida e resultados de codificação mais fortes ainda fazem disso um refresh de flagship sério.

NOVA: A OpenAI respondeu aproximadamente noventa minutos depois com o GPT-6 Sol e Luna, enquanto o Astra, lançado earlier este mês, permanece como seu topo de linha. Preço por milhão de tokens: Astra é dez de entrada e cinquenta de saída, Opus 5.5 quatro e vinte, Sol dois e dez, Luna dez centavos e cinquenta centavos. Todos os três flagships aceitam texto, imagens e arquivos, lidam com cerca de um milhão de tokens de contexto e produzem até cento e vinte e oito mil tokens de saída.

[ALLOY]: Então contra o Astra, onde o Opus realmente vence?

NOVA: A tabela de lançamento da Anthropic os coloca lado a lado. Terminal-Bench: Opus sessenta e seis vírgula quatro, Astra cinquenta e sete vírgula nove, com Opus em esforço extra-alto e Astra em alto. FrontierCode: cinquenta e quatro vírgula quatro contra cinquenta e três vírgula três. GDPval, uma classificação Elo para trabalho profissional: dezoito quarenta e seis contra quinze quarenta e dois. Humanity's Last Exam com ferramentas: sessenta e sete vírgula sete contra cinquenta e sete vírgula dois. O Astra vence dois: AutomationBench, quarenta e um vírgula quatro contra quarenta, e Terminal-Bench Science, sessenta e quatro vírgula seis contra cinquenta e oito vírgula sete. No esforço médio padrão, a Anthropic diz que o Opus empata com o Astra no Terminal-Bench a cerca de quarenta por cento do custo.

[ALLOY]: O Sol encontra o Opus através dos modelos mais antigos, porque cada lab comparou a geração anterior do outro. A OpenAI diz que o Sol iguala o Fable 5.1 no FrontierCode a um custo muito menor, marca sessenta e oito vírgula oito no DeepSWE, aproximadamente um ponto atrás do Fable 5, e supera levemente o Opus 5 no OSWorld offline, sessenta vírgula cinco contra sessenta vírgula três, a aproximadamente oitenta por cento menos custo por tarefa. A Anthropic diz que o Opus 5.5 performa aproximadamente tão bem quanto o Fable 5.1. Então a forma está clara: Astra e Fable mantêm o nível premium de dez e cinquenta, o Opus 5.5 traz resultados de classe Fable para quatro e vinte, e o Sol reduz esse preço pela metade enquanto alega codificação de nível Fable. Como Simon Willison colocou, a verdadeira guerra de preços está um nível abaixo do topo.

[ALLOY]: O Grok 4.7 é o movimento de guerra de preços que eu não esperava. A SpaceXAI diz que usa um modelo base maior que o Grok 4.6, ainda assim a API padrão permanece em dois dólares por milhão de tokens de entrada e seis dólares por milhão de tokens de saída. A velocidade de resposta também permanece no mesmo nível. Uma variante rápida dobra a velocidade de saída e dobra o preço, o que pelo menos torna essa troca explícita.

NOVA: O modelo maior passou por uma corrida de aprendizado por reforço mais longa ponderada para problemas que podem levar horas, não segundos. A SpaceXAI atribui melhor autoverificação, manuseio de longo contexto, codificação e trabalho de conhecimento a esse treinamento. Também adicionou uma camada de instrução que entende o harness do Grok Bot nativamente. A empresa diz que reconstruiu os salvaguardas e alcançou seus resultados mais fortes de recusa e jailbreak até agora. Seu escore reportado de biosafety é sessenta e dois vírgula quatro por cento no LatchBio, enquanto o HackerBench mostra três vírgula três por cento dos prompts duplos de risco passando. Esses são resultados da SpaceXAI, então o uso externo mostrará quão bem eles se traduzem.

[ALLOY]: Eu me importo mais com o preço do que com o slogan de "cérebro maior". A criação melhorada de documentos e apresentações na mesma taxa de tokens pode redirecionar o trabalho rotineiro mesmo que outro modelo carro-chefe ganhe a avaliação mais difícil. A SpaceXAI posiciona o Grok perto da fronteira de preço-desempenho do CursorBench e relata resultados competitivos contra o Fable 5.1 e o Astra em avaliações de engenharia de software, trabalho profissional e economia. Parceiros de segurança selecionados também recebem acesso a red-team por convite. Isso precisa de limites cuidadosos, mas equipes defensivas claramente querem modelos capazes de raciocinar através de caminhos de ataque realistas.

NOVA: E a distribuição é imediata: Cursor, Grok Build, a Grok API, arnês de codificação de terceiros, roteadores de modelos e plataformas de nuvem. O Grok chega onde os desenvolvedores já compram inferência, com seu argumento mais forte na fatura: um modelo maior pela taxa antiga. Se os ganhos prometidos se confirmarem em codificação comum e trabalho de conhecimento, os concorrentes precisam responder em qualidade e preço sem assumir que um modelo maior custa automaticamente mais.

NOVA: O AnyJev da Nokia aborda um problema mais restrito do que o chat, e é por isso que é interessante. A biblioteca Python de código aberto transforma um modelo de linguagem aberto existente em um sistema de decisões calibrado sem treinamento adicional de modelo. Em vez de pedir um parágrafo, um aplicativo pede ao modelo para selecionar entre opções fixas e recebe probabilidades adequadas para roteamento, classificação ou escalação. Ele suporta Transformers e serving com vLLM, usa pontuação de prefixo compartilhado para evitar trabalho repetitivo de prompts comuns, e carrega a licença Apache 2.0. Os pesquisadores da Nokia testaram a técnica nos modelos Qwen, OLMo, Granite, Phi e Mistral em vez de apresentá-la como um truque para um único checkpoint.

[ALLOY]: Ok, a parte inteligente é como ele ataca dois vieses que tornam as probabilidades brutas não confiáveis. Um modelo pode preferir um rótulo como "sim" independentemente da evidência, e pode favorecer qualquer escolha que esteja em uma posição preferida na lista. O AnyJev rotaciona as opções para que toda resposta apareça em cada posição, depois combina os resultados usando uma média geométrica. Ele também corrige a preferência de fundo do modelo após observar entradas reais. Um segundo nível usa algumas centenas de exemplos rotulados para reformular a confiança sem mudar a resposta vencedora. Em uma tarefa bancária com vinte opções usando Qwen3-8B, opções reordenadas mudaram as respostas brutas em vinte e três por cento das vezes. O AnyJev reduziu isso para cerca de sete por cento e aumentou a precisão de setenta e quatro vírgula sete para oitenta vírgula sete por cento. Melhor ainda, a proporção de solicitações automatizadas em um limite de erro de cinco por cento subiu de sete vírgula sete para cinquenta e dois por cento. Isso não é decoração estatística. Muda o quanto de trabalho pode se mover automaticamente e o quanto ainda precisa de uma pessoa.

[ALLOY]: O reconhecimento de fala diz o que foi dito, mas pode deixar um assistente de reunião sem saber quem disse. Como o Nemotron 3 mantém oito speakers separados quando as pessoas se interrompem?

NOVA: O modelo de peso aberto da NVIDIA produz oito canais de atividade de speaker a partir de um único fluxo de áudio. Tem cem milhões de parâmetros e aceita áudio padrão de dezesseis quilohertz, canal único. O modelo converte som em uma representação de frequência a cada dez milissegundos, agrupa essas observações em quadros de oitenta milissegundos e os envia através de um Transformer de trinta e uma camadas. Uma camada de convolução restaura o tempo de dez milissegundos. Quando duas pessoas falam simultaneamente, dois canais de saída são ativados em vez de forçar uma voz a vencer. Os speakers são atribuídos por ordem de chegada — a primeira voz recém-ouvida recebe o primeiro canal — e dois sistemas de memória preservam essas identidades como fluxos de áudio através de pedaços sucessivos.

[ALLOY]: Isso é um salto sério em relação ao sistema anterior de streaming de quatro speakers da NVIDIA. No Diarization-Bench inicial do Voice Arena, cobrindo cerca de vinte e duas horas em cento e trinta e nove conversas em inglês, o Nemotron alcançou uma taxa de erro de diarização de quatorze vírgula sete dois por cento. O próximo sistema classificado estava em dezenove vírgula três, uma redução relativa de aproximadamente vinte e quatro por cento. Contra a linha de base de quatro speakers da NVIDIA com apenas pouco mais de um segundo de latência, o erro relativo médio caiu quarenta e um por cento em oito condições, incluindo uma queda de sessenta e cinco por cento em um conjunto especialmente difícil de múltiplos speakers. A empresa também relata throughput acima de quinze mil vezes o tempo real em um RTX Pro 5000 com pedaços maiores. Ok, isso é realmente impressionante. Oito speakers sobrepostos não são uma reunião de diretoria educada. São um ambiente hostil para atribuição. Os pesos são comercialmente utilizáveis sob a licença NVIDIA OpenMDW, com rotas de serviço em nuvem e um caminho móvel no dispositivo, então isso pode ir além de uma demonstração de laboratório para captura de reuniões, análise de chamadas, transmissão e transcrição ao vivo onde interrupções são normais.

NOVA: A OpenAI está expandindo seu programa de ciberdefesa Daybreak diretamente para o Governo da Ucrânia, colocando as ferramentas da empresa dentro do trabalho de proteção da infraestrutura civil. Um governo nacional se torna um destinatário direto de suporte de fornecedor para operações cibernéticas defensivas em vez de receber capacidade apenas através de uma parceria acadêmica ou de intermediário. O Daybreak é enquadrado em torno de sistemas voltados para civis, dando a essa expansão um propósito mais estreito do que acesso governamental geral. Em um país onde ataques digitais podem acompanhar ataques físicos, uma análise de ameaças mais rápida pode afetar comunicações, serviços públicos e outros sistemas essenciais.

[ALLOY]: E esse contexto torna a movimentação consequente. A detecção de anomalias, o processamento de inteligência de ameaças, a triagem automatizada e a assistência de resposta a incidentes têm stakes humanos imediatos lá. A decisão da OpenAI mostra empresas de modelos de fronteira formando relacionamentos diretos com defensores do setor público em torno de serviços essenciais. Isso pode encurtar o trabalho de resposta, mas também coloca julgamentos difíceis dentro de programas de fornecedores: quem se qualifica, quais usos defensivos recebem acesso avançado, e como as salvaguardas distinguem proteção de escalada de dupla utilização. O limite não é acadêmico quando as mesmas capacidades que identificam uma vulnerabilidade também podem ajudar a explorá-la.

NOVA: Exatamente, e isso dá às empresas construindo a camada ao redor — software de operações de segurança, manuseio de evidências, priorização de alertas e copilotos de analistas — um sinal de demanda claro. Governos não estão apenas discutindo defesa cibernética assistida por IA; pelo menos um está recebendo um programa dedicado de um laboratório de fronteira durante um conflito em andamento. Eu não mediria sucesso apenas pelo acesso. Os resultados significativos são serviços defendidos, investigações mais rápidas e menos intrusões bem-sucedidas. Ainda assim, a inclusão da Ucrânia marca uma transição de demonstração para suporte operacional.

[ALLOY]: Sim, e suporte direto traz responsabilidade direta. A OpenAI agora precisa manter o limite em torno da defesa civil enquanto seus sistemas encontram comportamento adversário real, informação sensível e decisões urgentes. Se o Daybreak ajudar analistas a conectar evidências mais rapidamente sem substituir julgamento humano responsável, pode se tornar um modelo para implantações de interesse público definidas de forma estreita. Se o limite se borrar, o mesmo programa atrairá escrutínio por bons motivos.

NOVA: O TasteBench pergunta se um agente faz boas escolhas durante uma tarefa longa, não apenas se ele tropeça em uma resposta final bem-sucedida. Os pesquisadores usam "gosto" para decisões como qual hipótese merece atenção, qual implementação parcial deve sobreviver e quando uma rota promissora se tornou um beco sem saída.

[ALLOY]: Eu gosto dessa distinção porque a pontuação de resposta final pode esconder desperdício e sorte. Dois agentes podem ambos terminar uma tarefa de software, enquanto um segue um caminho coerente e o outro queima horas em branches ruins antes de se recuperar. Sistemas de pesquisa e codificação de longa execução vivem ou morrem através dessas decisões intermediárias.

NOVA: Mas um benchmark pode definir bom gosto sem apenas codificar as preferências de seus autores?

[ALLOY]: Essa é a parte difícil. Julgamentos de especialistas podem variar entre domínios, e uma rota surpreendente pode parecer errada antes de ter sucesso. O TasteBench é mais útil como diagnóstico, não como uma pontuação grandiosa. Pode ajudar a separar qualidade de planejamento de conclusão final e revelar se um agente abandona repetidamente ideias fortes, se apega a fracas ou gasta seu orçamento vagando. Avaliações convencionais de passa-ou-falha desfocam esses comportamentos juntos.

[ALLOY]: O GameHorizon oferece aos agentes cinco mil horas de jogabilidade gravada em vinte e um jogos importantes, incluindo Valorant, Minecraft, Grand Theft Auto V, Palworld e Elden Ring. Cem jogadores experientes geraram as demonstrações, com ações alinhadas a instruções que variam de controles imediatos a operações curtas e estratégias mais longas.

NOVA: Esse rotulação em camadas é o ponto. Um agente pode identificar o próximo tecla a ser pressionada, mas falhar em buscar uma meta que leva vários estágios, ou descrever uma boa estratégia enquanto perde a ação necessária agora. O GameHorizon separa essas falhas através de cinco mil perguntas offline e vinte tarefas interativas divididas em sessenta e duas subtarefas. Os pesquisadores avaliaram quarenta e sete modelos de visão-linguagem, controle de interface, codificação e especialistas em jogos. Como as gravações são fixas, diferentes sistemas enfrentam as mesmas situações em vez de serem comparados em execuções ao vivo imprevisíveis. Jogos AAA fornecem mundos densos, informação parcial, interrupções e recompensas atrasadas—um caso de estresse útil para agentes que se espera que planejem além da próxima tela.

NOVA: A NVIDIA argumenta que a segurança de agentes se torna real quando alguém transforma uma preocupação em um requisito, um controle aplicável, um responsável e evidências de que o controle funcionou. Seu exemplo é direto: um agente atualizando um registro de cliente lê instruções maliciosas incorporadas em um documento e tenta exportar dados. Uma regra de rede bloqueia a transferência, logs protegidos gravam a tentativa de chamada de ferramenta e destino, e o agente não pode expandir suas próprias permissões.

[ALLOY]: Isso é refrescante mente concreto. Ele assume que o modelo pode ser manipulado e coloca uma barreira fora do raciocínio do modelo. A NVIDIA divide o sistema em modelos, rampas e ambientes de execução. Modelos fornecem capacidades; rampas montam instruções, contexto e ferramentas; runtimes controlam os arquivos, redes e processos onde as ações ocorrem. Uma defesa em apenas uma camada deixa outra camada capaz de carregar uma instrução ruim para o mundo.

NOVA: A NVIDIA aponta para o OpenShell como seu runtime em sandbox para limites externos de arquivo, rede e processo. O DefenseClaw da Cisco adiciona governança, enquanto a JFrog verifica as habilidades do agente antes de executá-las. Outros exemplos incluem o SafeMind da CrowdStrike para simulação repetida de ataques, o Prisma AIRS da Palo Alto Networks para sondagem adversarial contínua, o VulnHunter da Capital One para revisão de código assistida por IA e o Spectra Assure da ReversingLabs para encontrar dependências maliciosas. São muitos nomes de produtos, mas eles apoiam uma ideia concreta: permissões, limites de execução, monitoramento e verificações da cadeia de suprimentos de software todos têm que sobreviver independentemente do julgamento do modelo. Um agente que pode ler uma instrução maliciosa ainda pode ser impedido de abrir uma conexão de saída, acessar um arquivo protegido ou instalar um pacote envenenado. Isso transforma a segurança de uma esperança sobre o comportamento do modelo em vários limites independentemente aplicáveis.

[ALLOY]: O Thinking Machines Lab se comprometeu com sessenta e cinco milhões de dólares anualmente para executar inferência para seus modelos abertos no Crusoe Cloud. Isso não é uma compra de hardware disfarçada de parceria. O tráfego de produção vai passar pelo Crusoe Managed Inference, onde a Crusoe assume responsabilidade pela camada de serviço em torno de throughput, relação preço-desempenho, capacidade e confiabilidade.

NOVA: Os pesos abertos e o comportamento do modelo permanecem os mesmos. O que muda é a maquinaria por trás do endpoint—os servidores, agendamento, escala e otimização que determinam latência e economia por token. O Thinking Machines entrega o planejamento de capacidade sob um acordo gerenciado em vez de construir cada parte dessa infraestrutura por conta própria. Para a Crusoe, o acordo fornece um cliente âncora proeminente e uma referência sólida para sua proposta como uma nuvem focada em IA em vez de mais um vendedor de aceleradores nus.

[ALLOY]: E sessenta e cinco milhões por ano mostra o quanto as operações de inferência se tornaram valiosas. O treinamento ainda ganha os holofotes dos clusters gigantes, mas um modelo usado continuamente cria uma enorme conta de serviço recorrente. Laboratórios de modelos abertos enfrentam uma escolha: construir uma organização de infraestrutura ao lado do laboratório de pesquisa, ou deixar um especialista absorver esse trabalho. A Crusoe está apostando que um serviço gerenciado ajustado vence mesmo quando os clientes poderiam teoricamente hospedar os pesos em outro lugar. Eu posso ver o apelo—possuir pesos não torna magicamente fácil agendamento, loteamento, failover ou utilização de hardware.

NOVA: Eu resistiria a ler um contrato como consolidação ampla, embora. Desenvolvedores podem ver a mesma interface de modelo enquanto o provedor subjacente muda, tornando latência, tempo de atividade e relação preço-desempenho a prova visível do acordo. A Crusoe agora tem que mostrar que uma neocloud pode entregar inferência de produção nessa escala, não simplesmente reservar computação atraente. Se tiver sucesso, outras empresas de modelos abertos ganham uma alternativa crível para construir sua própria pilha de serviço ou usar como padrão os maiores hyperscalers. Se tiver dificuldades, o contrato se torna um lembrete caro de que inferência de produção é um produto, não apenas uma pilha de GPUs.

NOVA: O Jev aceita texto mas retorna números: probabilidades, pontuações de confiança e distribuições entre categorias. A TypeSafe AI chama isso de modelo de Sistema Um; "modelo de decisão" é mais claro. Uma aplicação fornece um estado—talvez um registro de cliente, artigo ou documento semiestruturado—e anexa perguntas digitadas em vez de pedir prosa.

[ALLOY]: Existem três formas de resposta. Uma pergunta sim-ou-não retorna confiança entre zero e um. Uma pergunta de escolha distribui probabilidade entre opções nomeadas. Uma pergunta de pontuação classifica a entrada ao longo de níveis numéricos ordenados. Então, em vez de fazer prompt em um modelo geral para dizer se um ticket de suporte é urgente e então analisar sua frase, o software obtém um número que pode alimentar roteamento diretamente.

NOVA: O preço torna essa especialização provocativa. O Jev cobra quatro vírgula dois centavos por milhão de tokens de entrada, sem cobrança de saída. Isso fica abaixo da taxa de entrada de cinco centavos do GPT-5 Nano, e saída numérica evita pagar por parágrafos explicativos que o aplicativo nunca quis. Naturalmente, adapta-se a sistemas que fazem muitas pequenas decisões em cada documento: triagem, moderação, categorização, classificação ou escolha de qual modelo downstream deve lidar com uma solicitação. Em grande volume, cortar uma fração de centavo por milhão de tokens parece pequeno até que cada item gera várias decisões.

[ALLOY]: E se combina perfeitamente com o AnyJev. O Jev é um modelo comercial projetado para emitir probabilidades; o AnyJev tenta extrair decisões calibradas de modelos abertos sem retreiná-los. Eles abordam a mesma demanda de direções opostas. Nenhum substitui um modelo generativo quando uma pessoa precisa de uma explicação ou resposta, mas ambos desafiam o hábito de usar um modelo conversacional caro como um classificador glorificado. Quando o software precisa de um valor de confiança, retornar três parágrafos polidos não é inteligência. É sobrecarga—e ocasionalmente um bug de análise esperando para acontecer.

[ALLOY]: O Invisible Playwright MCP envolve automação de navegador em uma ferramenta auto-hospedada projetada para evitar defesas comuns contra bots. Ele fala o Protocolo de Contexto de Modelo, o padrão que os agentes usam para chamar ferramentas externas, e controla um perfil Firefox anti-detecção através do Playwright. A versão zero ponto setenta foi enviada com o repositório acima de trinta e um mil e seiscentos estrelas. Essa popularidade diz o quanto os agentes baseados em navegador colidem com sistemas construídos para rejeitar automação.

NOVA: A atração é óbvia: um agente pode manter uma sessão de navegador para painéis, formulários, páginas autenticadas, scraping ou loops de uso de computador sem bater imediatamente em verificações de impressões digitais e telas de captcha. A auto-hospedagem também mantém credenciais de sessão dentro do ambiente do operador em vez de passá-las por um serviço de resolução de captcha. Mas "não detectado" é uma linguagem temporária em uma corrida armamentista. Sites podem mudar suas impressões digitais, comportamento de navegador pode expor automação de novas maneiras, e uma ferramenta que funciona contra uma defesa pode falhar contra a próxima. Mais importante, contornar um desafio não anula os termos de um site, regras de acesso ou a lei. O projeto é uma infraestrutura útil onde automação é permitida; não é permissão disfarçada como um recurso de navegador. Seu valor real é continuidade—mantendo um fluxo de trabalho autorizado vivo quando a automação ordinária se revela muito facilmente. Uma implantação auto-hospedada também dá a uma organização controle sobre armazenamento de navegador, cookies, perfis e as máquinas que tocam sistemas autenticados. Isso pode importar para um agente interno lendo um portal de fornecedor aprovado ou operando um painel de propriedade da empresa. Ainda assim, os mesmos recursos de furtividade atraem uso indevido óbvio, então a autorização circundante e a trilha de auditoria importam tanto quanto a própria conexão de navegador.

NOVA: A OpenAI lançou o MentalHealthBench, uma avaliação padronizada para respostas de IA em conversas realistas de saúde mental. Ele pontua duas dimensões juntas: se uma resposta é útil e se é segura. Especialistas em saúde mental ajudaram a moldar os cenários e os critérios de pontuação. Isso importa porque um modelo pode parecer carinhoso enquanto ainda dá orientações imprudentes, ou evitar perigo óbvio se tornando tão evasivo que para de ajudar.

[ALLOY]: Certo, calor sozinho pode esconder danos. Julgamentos separados de utilidade e segurança tornam esse trade-off visível. Uma resposta pode reconhecer corretamente a angústia, mas reforçar uma crença perigosa. Outra pode evitar certeza clínica, mas abandonar a pessoa por trás de uma recusa genérica. Tratar esses resultados como equivalentes produziria uma pontuação tranquilizadora e um produto ruim.

NOVA: Conversas realistas também são mais difíceis do que palavras-chave de crise isoladas. A angústia pode emergir indiretamente, mudar ao longo de várias rodadas, ou ficar ao lado de uma questão prática comum. Produtos adjacentes à terapia, aplicativos de bem-estar, sistemas de suporte e assistentes gerais todos precisam reconhecer quando uma troca requer cuidado, quando ajuda profissional deve ser incentivada, e quando o modelo cruzou de linguagem de suporte para autoridade clínica inapropriada. O cenário multi-rodadas pode expor falhas que um único prompt nunca alcança.

[ALLOY]: Um benchmark compartilhado dá aos desenvolvedores e pesquisadores externos algo mais firme do que demos escolhidas a dedo. Eu não trataria nenhum benchmark como permissão para implementar um modelo como terapeuta; pessoas reais trazem históricos e riscos que uma coleção fixa não pode totalmente representar. Mas conversas informadas por especialistas podem revelar se um sistema permanece útil sem se tornar imprudente. O MentalHealthBench também se conecta com a ênfase mais ampla da OpenAI no controle humano. Aqui, esse princípio se torna mensurável em um dos pontos de contato mais sensíveis: uma pessoa pedindo ajuda a uma máquina quando tom, certeza e escalada podem carregar consequências genuínas.

NOVA: Três repositórios estão se movendo rapidamente. O Nanobot tem quarenta e oito mil quinhentos e dezoito stars, aumento de mil duzentos e sessenta e sete em trinta dias. Seu lançamento versão três ponto cinco avança um framework leve e auto-hospedado para agente pessoal com interface web, memória, ferramentas, suporte a Model Context Protocol, fluxos de trabalho multi-agente e ganchos de automação. O Codebase Memory MCP é a história de crescimento mais impressionante: quarenta e quatro mil quinhentos e quarenta e dois stars, aumento de doze por cento em um mês após a versão um ponto um. Ele constrói um grafo de conhecimento de código persistente para que agentes de codificação possam consultar estrutura em vez de reler arquivos repetidamente, e o projeto afirma suporte para cento e cinquenta e oito idiomas além de economias significativas de tokens.

[ALLOY]: Ok, esses dois se conectam naturalmente: o Nanobot pode orquestrar um agente pessoal, enquanto o Codebase Memory fornece compreensão especializada de um repositório. O Invisible Playwright MCP é a contraparte de navegador, fazendo sua primeira aparência rastreada com trinta e um mil seiscentos e quarenta e quatro stars com a versão sete ponto zero lançada hoje. Um projeto organiza o agente, outro preserva o conhecimento de código, e o terceiro lhe dá uma superfície de navegador auto-hospedada. Essa modularidade é empolgante porque equipes podem substituir memória, navegação ou orquestração independentemente em vez de aceitar um framework gigante. O ganho mensal de doze por cento do Codebase Memory é especialmente impressionante nesse tamanho, enquanto o lançamento recente do Nanobot e a atividade contínua do repositório mostram que seu público já grande ainda está recebendo mudanças. Juntos, os três projetos refletem atenção se movendo em direção a contexto durável e acesso confiável a ferramentas, não apenas mais uma tela de chat.

NOVA: O progresso dos modelos hoje também veio através de variantes de serving. O GLM 5.3 Prime e o Qwen 3.8 Max Prime cada um trazem contexto de um milhão de tokens através do OpenRouter, com seus fornecedores os posicionando como versões de maior throughput de linhas estabelecidas. A competição agora inclui quão rapidamente contextos enormes podem se mover pela produção, não apenas qual modelo lidera uma avaliação.

[ALLOY]: O Ternary Bonsai 2 27B empacota um modelo de texto de vinte e sete bilhões de parâmetros em GGUF, um formato usado pelo llama.cpp para inferência local. Seu recurso incomum é a quantização ternária orientada a dois bits, que comprime pesos muito mais agressivamente do que armazenamento de precisão total. Ele suporta tempos de execução CUDA e Apple Metal, usa atenção híbrida, e alcançou dezenove mil e quinhentos likes e mais de dois vírgula oito milhões de downloads no Hugging Face.

NOVA: Esse é um interesse substancial em geração útil em hardware que as pessoas controlam. Compressão agressiva pode negociar economia de memória contra qualidade e velocidade específica do dispositivo, mas torna um modelo de vinte e sete bilhões de parâmetros plausível em máquinas que não conseguiriam carregar pesos ordinários. Inferência local mantém prompts sensíveis na máquina, remove cobrança por token, e se conecta a um ecossistema maduro de tempo de execução de desktop. A contagem de downloads mostra pessoas buscando ativamente um equilíbrio viável entre capacidade, memória, velocidade e controle.

NOVA: As observações de Sam Altman no Conselho de Segurança das Nações Unidas se concentram no controle humano, governança de segurança de IA e cooperação internacional. Introduzir o MentalHealthBench transforma parte desse argumento amplo em avaliação informada por especialistas, medindo utilidade e segurança em conversas realistas de saúde mental.

[ALLOY]: O Tyk conecta ambas as ideias à infraestrutura em tempo real. Seu gateway open-source roteia tráfego REST, GraphQL, TCP, gRPC e Model Context Protocol através de uma camada de política, e tem mais de dez mil e oitocentos stars. A cooperação internacional define expectativas, o MentalHealthBench mede comportamento sensível, e o Tyk aplica regras de roteamento e acesso onde o software é executado.

NOVA: Para as fontes primárias, especificações, referências de benchmarks e projetos por trás de tudo que cobrimos, olhem as notas do programa em Toby On Fitness Tech ponto com.