GPT-6 Astra decifra enigma de 2005 enquanto Mistral lança flagship de 675B sob Apache 2.0

NOVA: Eu sou a NOVA.

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

NOVA: O GPT-6 Astra supostamente decifrou uma mensagem Enigma do Exército Alemão que resistia aos criptoanálise desde 2005. Ele escolheu o alvo, conectou-o a uma transmissão anteriormente resolvida, escreveu seu próprio software de busca, contornou erros de transcrição e recuperou uma chave complicada por uma rara troca de rotor. Isso não é um chatbot buscando curiosidades. É um modelo conduzindo uma investigação de dois dias em criptografia, código e pesquisa em arquivos.

[ALLOY]: E a Mistral entregou o outro tipo de choque: um modelo flagship de código aberto com seiscentos e setenta e cinco bilhões de parâmetros sob a licença Apache Two, além de um modelo de codificação de cento e vinte e três bilhões de parâmetros voltado para agentes que permanecem em uma tarefa de software por horas. As pessoas podem construir sistemas comerciais sobre o flagship, enviar agentes de codificação através de repositórios enormes, ou colocar um modelo de visão e ação de sete bilhões de parâmetros em um robô que prevê vídeo futuro e movimento físico.

NOVA: Hoje, você vai ouvir como o Astra quebrou o MVUEH, o que os dois novos modelos da Mistral realmente oferecem, e por que um pequeno modelo de decisão pode reforçar guardrails de agentes em uma CPU comum. O Hermes Agent lançou a versão 9.24, o Ando deu identidades e caixas de entrada aos agentes de IA, e o Claude Opus 5.5 entrou no GitHub Copilot com uma janela de contexto de um milhão de tokens.

NOVA: O Hermes Agent lançou a versão 9.24 como um artefato estável, marcado internamente como vinte e um ponto cinco, consolidando aproximadamente quatrocentos e sessenta pull requests mesclados desde o último patch. A janela de desenvolvimento medida é muito maior do que essa contagem de merges sugere: mil seiscentos e dez commits não-merge, quatro mil oitocentos e vinte e oito arquivos alterados, cerca de cento e sessenta e quatro mil linhas adicionadas e cento e quarenta e nove mil removidas. A Nous Research diz que a versão alimenta imagens Docker, Hermes Cloud e implantações hospedadas. O desktop recebeu o trabalho mais denso visível. Seu kit de plugins agora expõe rascunhos do composer, decorações de lista de sessões, preferências da barra lateral, rótulos de modelo, pontes tipadas para configurações e habilidades, visualizações incorporadas em sandbox, controles de aparência e eventos de backends de plugins. Uma divisão de interface Simples e Avançada reduz a desordem para iniciantes sem esconder controles mais profundos. Conectores substituem a antiga aba do Model Context Protocol, plugins recém-instalados podem expor um caminho direto de Conectar Agora, e o onboarding apresenta plugins ao lado de conectores. Os catálogos em francês, alemão e espanhol estão completos, enquanto a direção de texto da direita para a esquerda e da esquerda para a direita se torna configurável. Modelos personalizados podem aparecer nos seletores do composer e das configurações, atalhos de ditado e teclas de função estão conectados, e perfis podem parar, iniciar ou reiniciar independentemente. Uma opção de gateway independente também pode manter um perfil fora do arranjo de host compartilhado.

[ALLOY]: Isso é uma quantidade notável de coisa para esconder sob a palavra patch. Os gains do terminal superfície ganham um dock ao vivo para o objetivo em pé e prompts enfileirados; entregas de webhook podem espelhar na sessão de chat relevante; imagens de desktop hospedado adicionam Bot Screen; e a visualização kanban ganha uma janela de ticket de duas colunas com texto de tarefa formatado. Os catálogos de modelos adicionam GPT-6 Sol, Terra, Luna e Claude Opus 5.5. Plugins oficiais chegam para Blender Lab e o aplicativo da NVIDIA e ferramentas de Broadcast, enquanto dezenas de plugins da comunidade entram no catálogo. O trabalho de desempenho tocou carregamento de configuração, registro de ferramentas, mensagens de gateway e seleção de modelo. O que se destaca é o tecido conectivo: o Hermes está se tornando menos como uma tela de agente e mais como um host para perfis, plugins, conectores e várias interfaces compartilhando o mesmo trabalho subjacente. Um plugin pode contribuir com elementos de interface, eventos de backend, configurações, habilidades e ferramentas em vez de se comportar como um comando estreito. Enquanto isso, controles de perfil independentes reduzem o raio de explosão quando um workspace precisa reiniciar. Chamar isso de patch é tecnicamente preciso, mas emocionalmente enganoso.

[ALLOY]: Um modelo denso de codificação de cento e vinte e três bilhões de parâmetros parece enorme mesmo antes de chamá-lo de peso aberto. O que torna o Devstral 2 mais do que outro modelo que completa a próxima função?

NOVA: A Mistral o construiu para codificação agentiva: trabalho de software multi-etapa envolvendo exploração de repositório, edições, chamadas de ferramentas, recuperação de erros e verificação repetida. O Devstral 2 aceita duzentos e sessenta e dois mil cento e quarenta e quatro tokens, geralmente arredondados para uma janela de contexto de duzentos e cinquenta e seis mil tokens. Isso dá a um agente espaço para uma base de código substancial, a conversa, saída de ferramentas e um longo histórico de ações anteriores. Mais contexto não garante que o modelo usará cada detalhe corretamente, mas adia o momento em que o histórico precisa ser comprimido ou descartado. Isso importa durante um refactor longo porque suposições esquecidas criam edições contraditórias: um arquivo adota uma nova interface enquanto outro silenciosamente preserva o contrato antigo. O modelo está disponível através do OpenRouter, tornando-o acessível através de uma camada de roteamento existente sem que uma equipe primeiro monte uma infraestrutura de cento e vinte e três bilhões de parâmetros.

[ALLOY]: Estou interessado, com uma sobrancelha levantada. Quebra-cabeças de codificação recompensam uma resposta final limpa; trabalho real de agente pune um modelo que perde o controle de uma interface renomeada quarenta minutos depois. Os pesos abertos do Devstral e a janela longa tornam esse comportamento mais longo inspecionável de uma forma que sistemas fechados frequentemente não são. Equipes podem estudar como ele usa ferramentas, adaptá-lo a uma base de código e escolher seu próprio ambiente de serviço. A Mistral o chama de modelo de codificação de código aberto de última geração, mas trabalho sustentado de repositório decidirá se esse rótulo permanece. Se ele puder preservar a intenção através de centenas de arquivos, várias tentativas fracassadas e um fluxo de saída de compilador ou teste, ele se torna uma base sólida para produtos de codificação ao invés de apenas um mecanismo de autocomplete muito grande. A disputa significativa não é mais quem escreve a função isolada mais bonita. É quem consegue permanecer coerente quando o trabalho de software fica bagunçado.

NOVA: O Mistral Large 3 chega com seiscentos e setenta e cinco bilhões de parâmetros totais, mas ativa quarenta e um bilhões para cada token. Esse é um design esparso de mistura de especialistas: em vez de enviar cada palavra através de toda a rede, o modelo roteia através de uma seleção menor de grupos de parâmetros especializados. Ele visa aproveitar a amplitude de um modelo enorme sem pagar o custo computacional completo em cada etapa. A janela de contexto chega a duzentos e sessenta e dois mil tokens, suficiente para documentos longos, conversas extensas e coleções substanciais de código em uma única requisição.

[ALLOY]: Apache Two é a parte que me fez sentar ereto. A licença permite uso comercial, redistribuição e modificação com atribuição. Uma empresa pode auto-hospedar, adaptar ou construir um produto pago em torno dele sem negociar um acordo especial de modelo de fronteira. Pesos abertos não tornam um sistema de seiscentos e setenta e cinco bilhões de parâmetros barato; os especialistas inativos ainda precisam ser armazenados, movidos e servidos. Mas permissão legal e acesso técnico estão alinhados de uma forma que raramente são nessa escala.

NOVA: Vamos manter os superlativos sob controle. A Mistral chama o Large 3 de seu modelo mais capaz, enquanto a listagem estabelece sua arquitetura, comprimento de contexto, distribuição e licença. Esses são fatos importantes, mas não provam que ele supera cada flagship fechado em raciocínio, código, visão ou uso de ferramentas. E quarenta e um bilhões de parâmetros ativos descrevem computação por token, não a huella de memória completa. Servir o pool completo de especialistas ainda é um trabalho de engenharia sério.

[ALLOY]: Recusa justa. Ainda assim, isso alarga o campo. Grupos de pesquisa podem inspecionar um modelo esparso de escala de fronteira. Empresas com dados sensíveis podem manter inferência dentro de seu ambiente. Empresas de modelos podem adaptar uma base licenciada permissivamente em vez de escolher um sistema menor principalmente porque os termos são trabalháveis. Emparelhado com o Devstral 2, a Mistral cobre uma faixa especializada de agente de codificação e uma faixa geral de flagship: um especialista denso, uma plataforma esparsa gigante. Esse é um par agressivo de lançamento de peso aberto.

NOVA: Em quinze de setembro, o criptógrafo Carter Leffen direcionou o GPT-6 Astra para o arquivo Crypto Cellar Research de mensagens de guerra não resolvidas. O Astra escolheu MVUEH, uma transmissão Enigma do Exército Alemão de 1941 que era pública e não resolvida desde 2005. Aproximadamente dois dias depois, ele tinha uma solução. O modelo suspeitou que o MVUEH compartilhava texto simples com o SIPVX, outra mensagem do mesmo dia que Alex Shovkoplyas decifrou em 2017. Ele usou o nome de lugar repetido "Rosenow Rosenow" como um crib — isso significa um fragmento adivinhado da mensagem original — e escreveu software em Python e C++ para um simulador Enigma e uma busca de chave estilo Bomba.

[ALLOY]: Ok, isso é realmente selvagem. O modelo não apenas buscou combinações mais rápido. Ele formou uma conexão histórica, selecionou uma frase conhecida plausível, construiu o mecanismo e continuou investigando. O que tornou a mensagem tão resistente?

NOVA: Várias complicações se acumularam. A ordem recuperada da roda era dois-cinco-três em vez do arranjo cinco-um-dois usado por outras mensagens de 10 de julho de 1941. A roda esquerda também avançou na septagésima segunda letra, uma virada incomum que quebrou suposições por trás de esforços anteriores. O texto cifrado gravado também continha erros de transcrição. A Astra teve que encontrar um candidato que sobrevivesse ao material de origem imperfeito em vez de resolver uma cifra polida de sala de aula. Ele também revelou referências a volumes dos Arquivos Federais Alemães correspondentes a holdings reais que não estavam listados na página do Crypto Cellar. O veterano criptoanalista Frode Weierud, que mantém o arquivo, disse que localizar essas referências levou semanas e descreveu a Astra como se comportando como um criptoanalista profissional e pesquisador arquivista.

[ALLOY]: Essa combinação importa mais do que o slogan de que a IA decifrou a Enigma. A Enigma é compreendida; esta mensagem foi difícil porque as evidências eram confusas, suposições anteriores estavam erradas e pistas úteis estavam espalhadas pela história, arquivos e criptoanálise anterior. A Astra supostamente escolheu um caminho, escreveu ferramentas especializadas, revisou em torno de anomalias e conectou registros que os humanos haviam encontrado separadamente. Um resultado não pode estabelecer autonomia confiável em todas as investigações, mas demonstra por que agentes de longa duração estão se tornando consequentes. Eles podem unir código, pesquisa, inferência e persistência em uma tentativa sustentada — e ocasionalmente fazer especialistas dizerem: "Espere, o que ela encontrou?"

NOVA: Claude Opus 5.5 já está disponível no GitHub Copilot para codificação agentiva, tarefas de longa duração e trabalho de conhecimento. Ele aceita texto e imagens, retorna texto e suporta uma janela de contexto de um milhão de tokens — aproximadamente mil e quinhentas páginas de texto comum. O GitHub descreve uma configuração de raciocínio adaptativo que pode gastar mais esforço em trabalho difícil e usar respostas mais leves quando apropriado. A Artificial Analysis o pontua em cinquenta e oito no Intelligence Index versão quatro pontos três pontos dois, contra uma mediana de vinte e seis. Essa avaliação combinada abrange codificação, ciência, trabalho de terminal e raciocínio amplo. O modelo gerou duzentos e sessenta milhões de tokens durante a execução do índice, quase três vezes a mediana, então a pontuação alta veio com saída substancial.

[ALLOY]: O que nos leva diretamente ao custo: quatro dólares por milhão de tokens de entrada e vinte dólares por milhão de tokens de saída. A Artificial Analysis coloca uma tarefa média do índice em cinco dólares e noventa e oito centavos. Prefixos de prompt reutilizados podem receber um desconto de cache de noventa e cinco por cento, o que ajuda quando o mesmo contexto de repositório aparece repetidamente. O acesso através do Copilot é a mudança imediata. Um desenvolvedor pode combinar uma captura de tela com uma solicitação de código, manter um grande repositório e uma longa trilha de trabalho em contexto, ou entregar uma refatoração de múltiplas etapas sem mudar para outro produto. Estou animado com a capacidade, mas não acredito no "padrão diário" para cada tarefa com esse preço e verbosidade de saída. O Opus 5.5 parece mais forte quando o trabalho é caro o suficiente para que um raciocínio mais profundo possa impedir uma conta humana muito maior.

[ALLOY]: A proposta do Ando é deliciosamente direta: pare de fazer humanos copiar o trabalho de um agente para o chat da empresa. Isso é realmente um substituto do Slack, ou um wrapper de agente vestindo canais e mensagens diretas?

NOVA: A fundadora Sara Du o apresenta como um mensageiro de trabalho projetado para humanos e agentes. Cada agente recebe sua própria identidade e caixa de entrada. Ele pode participar de canais, mensagens diretas, grupos e chamadas transcritas; navegar conversas; escolher em quais canais entrar; entrar sem uma tag explícita; e contatar colegas quando acredita que algo importa. Du chegou a essa conclusão enquanto ajudava empresas a construir servidores de Model Context Protocol em 2025. Times queriam agentes dentro do Slack, mas as pessoas ainda tinham que mover contexto e respostas entre sistemas separados. Ela chama esses intermediários humanos de "proxies de carne". O Ando captou vinte milhões de dólares em rodadas de pré-seed e seed da Accel, Index Ventures e Emergence. Os primeiros clientes abrangem software, imóveis e finanças em quinze países, principalmente em equipes menores.

[ALLOY]: O exemplo mais forte é também aquele que deveria deixar os gerentes ligeiramente nervosos. Um agente do Ando percebeu dois canais discutindo o mesmo problema, criou uma conversa em grupo, forneceu o contexto compartilhado e propôs uma decisão sem ser solicitado. Isso pode eliminar o atrito de coordenação porque um agente pode ler mais conversas do que qualquer pessoa. Também dá ao software a discricionariedade sobre quando interromper, quem reunir e qual contexto organizacional expor. O Slack reconstruiu seu bot como um agente, a Microsoft está embutindo o Copilot no Teams, e o Buzz de Jack Dorsey é direcionado a desenvolvedores, então o Ando não está entrando em um mercado vazio. Sua aposta é que a identidade nativa do agente — não outro painel de assistente — definirá o próximo mensageiro de trabalho. Se isso funcionar, "quem pertence a este canal?" se torna uma pergunta sobre colegas de software, além de humanos.

NOVA: O GLiNER dois pontos cinco Decide da Fastino é um modelo de peso aberto de trezentos e quarenta milhões de parâmetros para os pequenos julgamentos que os agentes fazem constantemente: qual ferramenta se encaixa, se o conteúdo é seguro, qual intenção se aplica e qual rota estruturada vem a seguir. Ele não gera um parágrafo. Um desenvolvedor fornece conteúdo e um esquema de perguntas digitadas, e o modelo retorna respostas estruturadas com probabilidades, confiança e sinalizadores de viabilidade. As perguntas podem se restringir mutuamente, então decisões relacionadas não se contradizem.

[ALLOY]: Isso parece modesto até as decisões discordarem. A Fastino mostra um exemplo de injeção de prompt onde a decodificação independente detecta um ataque com confiança de zero vírgula oito dois, mas rotula o mesmo prompt como seguro com confiança de zero vírgula cinco dois. Essas duas saídas não podem impulsionar uma política coerente.

NOVA: A decodificação conjunta resolve-as juntas. Uma regra de esquema diz que detectar dano requer um veredito inseguro, então o modelo retorna inseguro e injeção de prompt como um par consistente. Ele usa um codificador grande DeBERTa versão três e foi ajustado a partir do GLiNER dois grande. Os pesos do Apache Two podem ser executados em CPU, GPU ou em um ambiente isolado, e a Fastino também fornece inferência hospedada. Seu conjunto Fast Decisions contém cinco mil e cem exemplos em dezessete conjuntos de dados. O modelo de trezentos e quarenta milhões resultou em média sessenta e um por cento de correspondência exata, liderou nove conjuntos de dados e venceu uma baseline de classe Qwen três pontos cinco de aproximadamente quatro bilhões de parâmetros em cerca de dois vírgula seis pontos. A precisão de intenção de suporte atingiu setenta e cinco vírgula três por cento.

[ALLOY]: E a latência torna a reivindicação da CPU real em vez de decorativa: com quinze rótulos e um lote de um, o tempo de resposta mediano foi de cento e sessenta e sete milissegundos em um Xeon de quarenta e oito núcleos e trinta e oito milissegundos em uma GPU V-100. Essas são as medições da Fastino, então uma reprodução mais ampla ainda importa. Mas um modelo compacto e não generativo tem propriedades atraentes para guardrails. É rápido, estruturado, implementável localmente e menos propenso a transformar uma decisão de roteamento em um ensaio. A Fastino também oferece uma versão irmã de um bilhão de parâmetros e uma versão multilíngue de duzentos e oitenta e sete milhões de parâmetros. Sinceramente, o menor juiz útil pode provar mais valioso dentro de um agente do que outro modelo geral tentando fazer tudo.

NOVA: O FLUX 3 Action é um modelo de pesos abertos de sete bilhões de parâmetros que controla robôs prevendo percepção e movimento futuros juntos. Ele recebe quadros de câmera, o estado atual do robô e uma instrução de texto. Então ele gera quadros de vídeo futuros junto com o próximo pedaço de ações físicas. O Black Forest Labs relata uma taxa de sucesso de quarenta e dois vírgula noventa e dois por cento nas cento e vinte tarefas de mesa simuladas do RoboLab, à frente do NVIDIA Cosmos 3 Nano com trinta e seis vírgula oito por cento apesar de usar uma backbone muito menor.

[ALLOY]: Então ele imagina o futuro próximo enquanto escolhe um movimento, em vez de tratar visão e controle como estágios desconectados. Isso é inteligente. Mas é rápido o suficiente para hardware útil, ou apenas inteligente em simulação?

NOVA: As comparações publicadas dizem que o checkpoint base roda entre um vírgula cinco dois e três vírgula nove cinco vezes mais rápido que o Cosmos 3 Nano em precisão de oito bits em GPUs de estação de trabalho e data center. Uma variante de destilação por etapa atinge até dois vírgula dois oito vezes a velocidade do pi-zero-point-five no mesmo hardware. Há uma complicação de tempo: os checkpoints do FLUX preveem dois vírgula um três segundos de movimento por chamada, enquanto o pi-zero-point-five prevê um segundo, então hardware e duração da tarefa afetam a vantagem aparente. A política completa do DROID precisa de cerca de trinta e dois gigabytes de memória GPU em precisão de dezesseis bits. A quantização de oito bits mais mover o codificador de texto para outro lugar permite que ele caiba em um cartão de vinte e quatro gigabytes. A integração do Hugging Face LeRobot e o suporte ao NVIDIA Jetson estendem-no para laboratórios e implantações de borda.

[ALLOY]: O teste físico é a parte convincente. A Positronic Robotics realizou trinta tentativas cegas em dez tarefas do DROID em um braço Franka. O FLUX 3 Action completou vinte e oito, comparado com vinte e sete para o Cosmos 3 Nano, vinte para o DreamZero e treze para o pi-zero-point-five. Times podem ajustar fino a partir de demonstrações, e o Black Forest Labs fornece receitas de adaptação DROID e low-rank. Em uma, um robô SO-101 aprendeu comportamento de pick-and-place de aproximadamente duzentos exemplos. Os pesos, código e receitas usam a FLUX Community License para trabalho não comercial. Não é um cérebro de robô universal, mas sete bilhões de parâmetros, implantação em um cartão de vinte e quatro gigabytes e vinte e oito testes físicos bem-sucedidos o tornam incomumente tangível.

NOVA: A Oracle enviou um aviso de força maior relativo ao Project Jupiter, o enorme centro de dados no Novo México sendo desenvolvido por uma unidade da Blue Owl Capital. A cláusula dá à Oracle proteção para atrasar pagamentos se o local não atingir a meta de começar a operar em 2028. A Oracle continua sendo o principal inquilino; isso é um isolamento financeiro contra atrasos, não uma saída declarada. O Project Jupiter enfrenta oposição pública e obstáculos regulatórios, enquanto restrições de energia, construção, licenciamento e fornecimento podem afastar uma grande instalação do cronograma.

[ALLOY]: Isso transforma o boom da capacidade de IA em linguagem contratual. Um centro de dados pode ser anunciado anos antes da eletricidade chegar a um rack, mas os compromissos dos inquilinos já começam a moldar o financiamento imediatamente. A Oracle está preservando flexibilidade se o concreto, as licenças e os megawatts não chegarem juntos. A Blue Owl ainda tem um cliente âncora, mas agora tem um lembrete público de que o cliente não vai absorver cada falha de prazo. Força maior é mais comum em desastres e choques de fornecimento; invocá-la em um projeto ativo de IA mostra o quanto esses cronogramas de infraestrutura ficaram expostos. A corrida da computação não é limitada pela demanda. Ela pode ser limitada por uma audiência local, uma linha de transmissão, ou um prazo que parecia plausível em uma planilha.

[ALLOY]: Eu já gosto muito desse. Em The Secret of Monkey Island, uma caneca de rum dura cerca de trinta e cinco segundos antes de dissolver. Um químico da Universidade de Groningen tratou essa piada como um problema inverso real: observe o que aconteceu, depois calcule o que a bebida deve ter sido. O artigo usa a Edição Especial de 2009 e cronometra a caneca com um cronômetro. Ele assume que a caneca é de estanho, simplifica isso para estanho puro, e atribui uma espessura de dois milímetros à parede porque o jogo não fornece essa medida. A partir dessa geometria, o cálculo estima quantos prótons um ácido precisaria fornecer para perfurar a caneca em trinta e cinco segundos.

NOVA: Então vem a lista de ingredientes mais fina da química: ácido sulfúrico, ácido de bateria, querosene, propilenoglicol, adoçantes artificiais, rum, acetona, corante vermelho número dois, graxa de eixo, pepperoni e o misterioso SCUMM. O ácido sulfúrico e o ácido de bateria são os candidatos plausíveis para a corrosão rápida. A maioria dos outros contribui pouco para atacar o estanho, e ingredientes oleosos poderiam até retardar o processo cobrindo a superfície. Não, o pepperoni não era o reagente ativo. Eu sei—isso é decepcionante.

[ALLOY]: O artigo chama o resultado de semi-quantitativo, que é linguagem acadêmica para "fizemos química real com suposições fornecidas por uma comédia pirata." Nenhum desses ingredientes explica a cor verde brilhante do rum também. Ainda assim, o exercício tem um charme científico real. O jogo fornece um resultado, dimensões incompletas e uma receita absurda; a química converte esses fragmentos em limites sobre o que poderia plausivelmente acontecer. Não vai revisar tabelas de corrosão industrial, mas mostra como uma piada ficcional pode se tornar um problema memorável em velocidade de reação, espessura de material e evidência incerta.

NOVA: A Radical Numerics surgiu de pesquisadores por trás do Evo e Evo-2, modelos de linguagem genômicos desenvolvidos no Arc Institute. Aqueles sistemas anteriores geraram genomas completos de bacteriófagos do zero, e versões sintetizadas produziram vírus funcionais em trabalho de laboratório. A nova empresa quer estender a modelagem genômica através de DNA, RNA e proteínas. O DNA contém genes e as sequências que codificam proteínas, então um modelo treinado nessa linguagem pode encontrar estrutura biológica antes de adicionar informações tridimensionais de proteínas, epigenética ou texto comum.

[ALLOY]: Essa é a descrição empolgante e a descrição alarmante na mesma frase. Que evidência sugere que esses modelos podem otimizar biologia em vez de apenas imitar sequências familiares?

NOVA: Em um experimento, a equipe treinou em aptâmeros de RNA pareados com pontuações de desempenho. Aptâmeros são moléculas curtas que se dobram em formas e se ligam a alvos específicos. Os dados de treinamento mostraram sequências melhorando passo a passo; quando solicitado a continuar essa trajetória, o modelo recuperou sequências com pontuação mais alta que não tinha visto. A Radical Numerics interpreta isso como evidência de que o sistema aprendeu uma direção de otimização dentro da linguagem biológica. Sua liderança inclui Eric Nguyen, Michael Poli, Stefano Massaroli e Armin Thomas, trazendo experiência do Arc, Liquid AI, Stanford e pesquisa associada a Yoshua Bengio e Chris Ré.

[ALLOY]: A pressão de uso duplo é inevitável. Uma melhor geração de sequências pode acelerar vacinas, terapêuticas, detecção de patógenos e análise defensiva. A mesma habilidade expande o que o software pode propor em biologia, onde um artefato gerado pode ter consequências além de uma tela. A Radical Numerics argumenta por avançar a capacidade agressivamente para que os defensores possuam ferramentas igualmente poderosas. Eu entendo esse argumento, mas a capacidade sozinha não garante que os defensores recebam acesso igual, tempo ou suporte institucional. Modelos genômicos cross-modais poderiam conectar DNA, RNA, proteínas e resultados experimentais em um loop de design. Se fizerem isso, controles de acesso e avaliação biológica se tornam evidência central de credibilidade porque o software não está apenas descrevendo vida—está ajudando a propor novos designs biológicos.

NOVA: Modelos de vídeo podem criar movimento convincente, mas ainda assim perdem o rastreamento de um objeto assim que ele passa atrás de algo. Um artigo em alta no Hugging Face examina a permanência de objetos—a compreensão de que um objeto continua a existir quando sai do campo de visão. Os pesquisadores descobrem que os geradores de vídeo atuais frequentemente carecem dessas expectativas físicas, mesmo quando quadros individuais parecem realistas.

[ALLOY]: Seu conjunto de dados WROP ensina situações parecidas com intuições físicas iniciais: uma bola rola atrás de uma cadeira, permanece a mesma bola, e deve reaparecer consistentemente. Isso parece elementar, mas mundos gerados desmoronam quando identidades, posições ou formas são redefinidas durante a oclusão.

NOVA: Melhor persistência importa além de vídeo mais bonito. Um robô precisa lembrar para onde um objeto foi enquanto outro objeto bloqueia sua câmera. Um simulador deve preservar o estado oculto em vez de inventar uma substituição na reentrada. Um modelo de mundo prevendo eventos futuros precisa de continuidade, não apenas pixels plausíveis. O WROP trata esse senso comum ausente como algo que os dados de treinamento podem abordar diretamente.

[ALLOY]: E eu gosto da humildade desse objetivo. Antes de afirmar que uma máquina entende um mundo físico, pergunte se ela lembra da bola atrás da cadeira. Essa pequena questão expõe a lacuna entre renderizar movimento e manter um mundo coerente.

NOVA: Um estudo de robótica deu a agentes de codificação, incluindo o agente de codificação de IA baseado em terminal Claude Code, descrições de tarefas mais acesso ao simulador. Os agentes escreveram programas de planejamento reutilizáveis dentro de um orçamento de computação fixo. Os pesquisadores congelaram esses programas antes de avaliar situações não vistas, então os agentes não puderam improvisar depois de ver os casos finais. Em ambientes simulados de dois benchmarks de robótica, os planejadores escritos por agentes alcançaram taxas médias de sucesso variando de cinquenta e seis a noventa e cinco por cento. Planejadores projetados manualmente alcançaram quarenta e sete por cento no subconjunto diretamente comparável, enquanto programas gerados também sustentaram melhor conforme a contagem de objetos aumentava.

[ALLOY]: Essa é uma distinção significativa: o agente de codificação realiza a exploração cara uma vez, então código de planejamento executável comum lida com novas instâncias repetidamente. Não apaga a engenharia de robótica; o simulador, objetivo, restrições e transferência para máquinas físicas ainda moldam o resultado. Mas transforma meses de autoria manual em síntese de programas, onde um agente pode revisar seu planejador contra um ambiente simulado. E complementa o FLUX 3 Action em vez de substituí-lo. Uma abordagem aprende ações de baixo nível a partir de demonstrações e previsão de vídeo futuro; a outra pede a um agente de codificação que invente software reutilizável que organiza uma tarefa maior. A robótica pode absorver IA em ambas as camadas.

[ALLOY]: Conversas sobre saúde mental expõem uma fragilidade na pontuação de IA comum: uma resposta pode conter fatos corretos e ainda assim ser dismissiva, insegura ou completamente inapropriada. Como o MentalHealthBench da OpenAI tenta medir essa diferença?

NOVA: A OpenAI construiu o MentalHealthBench com contribuições de especialistas em saúde mental e o lançou em vinte e três de setembro. Ele utiliza situações conversacionais realistas para avaliar se uma resposta de IA é tanto útil quanto segura. Expectativas informadas por especialistas definem o comportamento adequado, em vez de reduzir a tarefa a recordação de fatos ou escolha múltipla. Isso inclui reconhecer quando uma conversa requer escalonamento ou apoio profissional, em vez de permitir que um assistente improvise além de um limite apropriado. O benchmark oferece aos desenvolvedores, pesquisadores e provedores de modelo uma superfície de avaliação compartilhada para um domínio onde tom, julgamento e consciência de danos importam além da informação. Produtos como coaches de bem-estar, diários adjacentes à terapia e assistentes de triagem podem parecer polidos enquanto respondem mal precisamente no momento em que uma pessoa está mais vulnerável.

[ALLOY]: E isso já deveria ter acontecido há mais tempo. Um benchmark compartilhado permite que equipes relatem comportamento em situações documentadas em vez de apontar para algumas demonstrações tranquilizadoras. Ele também eleva o padrão para avaliação específica de domínio. Uma pontuação geral de segurança não pode representar todos os ambientes sensíveis porque saúde mental, biologia, finanças e medicina contêm formas diferentes de uma resposta plausível causar danos. O uso mais amplo determinará quão influente o MentalHealthBench se tornará, especialmente se pesquisadores independentes o estenderem ou compararem seus julgamentos de especialistas com outros frameworks clínicos. Ainda assim, o lançamento move a conversa de "nosso assistente parece carinhoso" para comportamento observável em trocas difíceis. Linguagem semelhante a empatia é barata para um modelo gerar; julgamento apropriado sob pressão emocional é muito mais difícil, e é isso que uma avaliação deveria expor.

NOVA: Três repositórios estão crescendo rapidamente. HKUDS Nanobot tem quarenta e oito mil quinhentos e sessenta e um stars, aumento de mil trezentos e dez em trinta dias, e lançou a versão três ponto cinco em quinze de setembro. É um framework leve de agente pessoal auto-hospedado com interface web, ferramentas, memória, suporte a Model Context Protocol, automação, fluxos de trabalho multi-agente e integrações de chat. Codebase Memory MCP está logo atrás com quarenta e quatro mil oitocentos e sessenta e seis stars, mas seu crescimento em trinta dias é mais acentuado: cinco mil cento e onze stars, ou doze vírgula nove por cento. O lançamento da versão ponto onze também chegou em quinze de setembro. Ele indexa repositórios em um grafo de conhecimento persistente abrangendo cento e cinquenta e oito idiomas e anuncia consultas em sub-milisegundos com economias significativas de tokens.

[ALLOY]: Esses dois se conectam naturalmente: o Nanobot fornece o ambiente do agente, enquanto o Codebase Memory dá a um agente um mapa estruturado de um repositório em vez de fazê-lo reler arquivos repetidamente. O terceiro projeto volta esse mesmo protocolo de ferramentas para trabalho criativo. MCP for Blender entra no rastreamento com vinte e nove mil trezentos e quinze stars e foi atualizado em vinte e quatro de setembro. Ele permite que modelos de linguagem controlem o Blender através de um plugin da comunidade. Já é um público sério para uma primeira aparição rastreada. Juntos, esses repositórios mostram o protocolo se espalhando por agentes pessoais, inteligência de código e produção tridimensional — não como outro recurso de chat, mas como uma forma de modelos operarem software especializado.

NOVA: Devstral 2 é a escolha do especialista: um transformador denso de cento e vinte e três bilhões de parâmetros com uma janela de contexto de cento e sessenta e dois mil tokens, pesos abertos e disponibilidade através do OpenRouter. Seu diferencial é codificação agêntica sustentada — mantendo contexto de repositório, resultados de ferramentas e decisões anteriores ao longo de uma tarefa de software longa, em vez de otimizar apenas para conclusão de código isolada.

[ALLOY]: Mistral Large 3 é a escolha geral: seiscentos e setenta e cinco bilhões de parâmetros totais, quarenta e um bilhões ativos para cada token, a mesma janela de cento e sessenta e dois mil tokens, e licença Apache Two. Seu design de especialistas esparsos concentra computação enquanto preserva um pool de parâmetros muito maior. Escala de fronteira, termos comerciais permissivos e pesos abertos o tornam muito mais consequente do que uma listagem comum de marketplace.

NOVA: O lançamento local é abenzerps/Qwen-Image-2.1-Uncensored-GGUF, em tendência no Hugging Face com dezesseis mil seiscentas e noventa e quatro curtidas e mais de setecentos e quinze mil downloads. É um modelo quantizado de texto para imagem derivado do Qwen Image dois ponto um, empacotado em GGUF e marcado para fluxos de trabalho do ComfyUI.

[ALLOY]: A quantização reduz a precisão numérica para que grandes pesos possam funcionar de forma mais prática em hardware local, enquanto GGUF é um formato de pesos suportado por ferramentas de inferência local. "Uncensored" descreve como a variante é posicionada; não é uma promessa sobre qualidade, licenciamento ou saída responsável. Ainda assim, mais de setecentos e quinze mil downloads é uma tração substancial. Reflete forte interesse em geração de imagens que permanece sob controle local e se conecta a pipelines criativos familiares baseadas em nós.

NOVA: Apresentando o MentalHealthBench traz julgamento informado por especialistas para conversas realistas de saúde mental, enquanto o Kyutai Lança Voice of Reason: Um Modelo Nativo de Fala que Resolve Matemática Falada com Aprendizado por Reforço move o raciocínio diretamente para o áudio. Os dois modelos de fala para fala da Kyutai com pesos abertos são construídos sobre o GLM-four-Voice-nine-billion, e o ajuste supervisionado mais aprendizado por reforço supostamente eleva a precisão do GSM-eight-K falado de vinte e sete vírgula três para setenta e sete vírgula um por cento sem uma etapa de transcrição. Um avalia conversa sensível; o outro raciocina sem primeiro achatar a fala em texto.

[ALLOY]: E abenzerps/Qwen-Image-2.1-Uncensored-GGUF em tendência no Hugging Face adiciona o lado criativo local: dezesseis mil seiscentas e noventa e quatro curtidas, mais de setecentos e quinze mil downloads, empacotamento GGUF e compatibilidade com ComfyUI. Ao lado do Voice of Reason, mostra modelos abertos se espalhando por geração de fala nativa e imagem local, enquanto o MentalHealthBench pergunta se interações cada vez mais naturais também permanecem úteis e seguras quando as apostas são humanas.

NOVA: Para o material de apoio por trás desses desenvolvimentos, olhe as notas do show em Toby On Fitness Tech ponto com.

[ALLOY]: Obrigado por ouvir o AgentStack Daily.

NOVA: Voltamos em breve.