AgentStack Diário: Resumo dos Lançamentos do Agent Stack: OpenAI Codex rust-v0.146.0

Episódio 095 — 30 de julho de 2026

[00:00] Gancho do episódio

Leitura de Releases do Agent Stack: OpenAI Codex rust-v0.146.0 lidera um ciclo denso. GitHub Copilot para JetBrains adiciona controles OpenTelemetry e gerenciamento de modelos, Duas Configurações do GPT-5.6 Que Triplicaram Sua Pontuação no ARC-AGI-3, Liquid AI lança dois codificadores de contexto longo amigáveis para CPU completam o início do episódio, com análises mais profundas sobre modelos, ferramentas e infraestrutura nos bastidores. Cada história recebe o mesmo tratamento — o que foi lançado, o mecanismo por trás e o que muda para desenvolvedores que trabalham na prática.

[02:00] Leitura de Releases do Agent Stack: OpenAI Codex rust-v0.146.0

A OpenAI lançou o Codex rust-v0.146.0 em 29 de julho de 2026, e o release é amplo: manifests de Agent Plugins mais novos marketplaces para Amazon Bedrock e Claude Code, uma ponte WebSocket do app-server para hosts Code Mode remotos, e threads bifurcáveis com histórico paginado, incluindo biforcações temporárias que não aparecem na lista de threads. Sessões agora podem ser nomeadas a partir de /new ou /clear, threads importantes podem ser fixadas, e usuários podem alternar entre conversas paralelas sem fechá-las.

Para quem executa o Codex contra estações de trabalho na nuvem, a mudança do WebSocket é o ganho mais concreto. O app-server pode se conectar a um host Code Mode em uma máquina diferente via WebSocket em vez de esperar execução local, então um cliente leve no seu laptop pode controlar ferramentas, plugins e aprovações em um ambiente remoto mais robusto. Busca web standalone agora está disponível para provedores de modelos customizados compatíveis, então rotas de modelos de terceiros podem executar suas próprias pesquisas grounded em vez de rotear através do stack da OpenAI.

O trabalho de plugins é onde as equipes provavelmente sentirão a maior mudança. O Codex agora suporta o formato de manifest de Agent Plugins e pode buscar dos marketplaces da Amazon Bedrock e Claude Code além do seu próprio fluxo de publicação do workspace. Uma organização que já padroniza em manifests pode publicar uma definição de pacote e fazê-la viajar entre runtimes em vez de reescrever por host. O release também adiciona uma forma de descobrir skills fornecidas pelo executor e ler seus recursos associados, incluindo skills explicitamente selecionadas.

O restante é uma longa passagem de limpeza. Proxies agora são honrados consistentemente em autenticação, downloads de plugins, autorização MCP, execução remota, WebSockets, redirects e conexões LM Studio. Conexões MCP e ferramentas do Apps atualizam em mudanças de autenticação ou config, reconectando servidores fechados sem perturbar os saudáveis. Mensagens submetidas, respostas finais, erros de turnos falhos, timestamps importados e configurações de aprovação são preservados através de interrupções, replay, imports e forks.

O tratamento de terminal também recebeu atenção: interrupções não-bloqueantes, melhor comportamento de teclado, correções de layout estreito, hyperlinks e resultados de menções atualizados. No Windows, teclas de navegação são corrigidas e árvores de processos em sandbox terminam de forma confiável. Em orçamentos de contexto apertados, mais skills são retidas e o CLI avisa quando o catálogo de skills precisa ser truncado, o que importa para sessões longas que gradualmente acumulam ferramentas.

[03:03] GitHub Copilot para JetBrains adiciona controles OpenTelemetry e gerenciamento de modelos

O GitHub enviou uma atualização para seu plugin Copilot para IDEs JetBrains que dá aos desenvolvedores mais controle e clareza sobre configuração de telemetria e gerenciamento de modelos. A mudança principal é a configuração OpenTelemetry melhorada. OpenTelemetry é o padrão aberto para enviar logs, traces e métricas para qualquer stack de observabilidade que uma equipe usa, e ajustá-lo permite que administradores controlem o que é enviado e para onde vai em vez de aceitar padrões.

A atualização também adiciona gerenciamento de modelos mais claro, dando aos desenvolvedores uma alça mais explícita sobre quais modelos de IA estão conectados ao seu ambiente JetBrains. Junto com isso, o release habilita conectar servidores MCP e agentes customizados dentro de fluxos de agente Claude. MCP — Model Context Protocol — é o padrão aberto da Anthropic que permite a um agente de IA chamar ferramentas externas e fontes de dados através de uma interface uniforme. Agentes customizados permitem que equipes definam assistentes especializados ajustados para um fluxo de trabalho particular.

Para desenvolvedores, o resultado prático é duplo. Equipes com necessidades de auditoria ou rastreamento de custos agora podem rotear telemetria do Copilot para o mesmo pipeline de observabilidade que usam para todo o resto, o que torna o uso de IA visível ao lado do tráfego regular de aplicações. E qualquer ferramenta interna que já expõe um endpoint MCP — um banco de dados proprietária, uma API interna, um índice de código específico da empresa — se torna alcançável a partir de um fluxo de agente Claude dentro do JetBrains sem escrever código de cola customizado. Vale observar a seguir: se o GitHub trará controles equivalentes de gerenciamento de modelos e telemetria para a superfície do VS Code.

[04:31] Duas Configurações do GPT-5.6 Que Triplicaram Sua Pontuação no ARC-AGI-3

A OpenAI publicou um post curto em 29 de julho explicando como habilitar duas configurações de API triplicou as pontuações do GPT-5.6 no benchmark ARC-AGI-3 enquanto também melhorava a eficiência. ARC-AGI-3 é o teste de raciocínio estilo puzzle projetado para resistir a pattern matching por força bruta, então um salto de três vezes é um sinal real em vez de um ajuste no leaderboard.

As duas configurações são diretas. A primeira retém raciocínio entre turnos, significando que os pensamentos de trabalho do modelo persistem entre passos em vez de serem descartados. A segunda ativa a compactação, que resume contexto de raciocínio mais antigo para que o uso de tokens permaneça gerenciável enquanto a cadeia de pensamento permanece disponível. Juntos eles permitem que o GPT-5.6 carregue insights anteriores para frente sem pagar o custo total de tokens de preservar cada pensamento anterior verbatim.

O resultado, segundo a OpenAI, é pontuações mais altas com menos tokens gastos — melhor resolução de puzzles a custo menor, alcançada através de configuração em vez de retreino ou um novo release de modelo. Essa é uma combinação incomum; geralmente você troca computação por precisão, não consegue ambas de uma vez.

Para desenvolvedores, a takeaway prática é que o GPT-5.6 padrão pode estar deixando performance na mesa em trabalho de raciocínio difícil. Se você já está usando o modelo para problemas multi-step, loops de agente, ou qualquer coisa que se beneficie de carregar contexto para frente, testar com essas duas configurações habilitadas é um experimento de baixo esforço que poderia mudar resultados de forma significativa. Observe para a OpenAI publicar os nomes específicos de configuração e números completos, já que esses determinarão quão diretamente qualquer pessoa pode replicar o resultado em produção.

[06:01] Liquid AI lança dois codificadores de contexto longo amigáveis para CPU

A Liquid AI lançou dois modelos codificadores open-weight em sua linha LFM2.5, com tamanhos de 230 milhões e 350 milhões de parâmetros, ambos mirando trabalho de contexto longo diretamente em CPUs. Cada um carrega uma janela de contexto de 8.192 tokens, incomumente generosa para um codificador mirando CPU e o número principal para qualquer pessoa avaliando pipelines locais.

O gancho técnico é uma receita de conversão. A Liquid AI pegou os backbones de decodificadores causais e os reconstruiu como codificadores bidirecionais, trocando a atenção unidirecional por atenção totalmente bidirecional, substituindo convoluções curtas causais por convoluções simétricas não causais, e retreinando com um objetivo de linguagem mascarada. Essa combinação permite que os modelos realmente usem a janela completa de 8.192 tokens.

A Liquid AI relata que o modelo de 230 milhões de parâmetros completa uma passagem direta de 8.192 tokens na CPU em aproximadamente 28 segundos, o que, segundo a empresa, é cerca de 3,7 vezes mais rápido que o ModernBERT-base em sua própria comparação. Esses números são resultados do fornecedor, então a velocidade no mundo real dependerá do hardware em que você implantará, mas a direção está clara: entradas longas em CPUs comuns agora são um objetivo declarado.

A empresa posiciona o par para classificação, roteamento, verificação de políticas e detecção de dados pessoais. Esses são exatamente os trabalhos onde executar totalmente localmente, sem enviar texto para um modelo hospedado, é mais importante — desde rotear tickets de suporte até sinalizar campos sensíveis antes do armazenamento. Com pesos abertos, desenvolvedores podem fazer fine-tuning em seus próprios rótulos e enviar o resultado em uma única máquina.

O lançamento aconteceu em 28 de julho de 2026 no Hugging Face. A próxima coisa que vale a pena observar é se benchmarks independentes confirmam a história da velocidade em CPU em hardware fora do rig de testes da Liquid AI.

[07:35] ComfyUI 0.29.0 transmite vídeo em vez de armazená-lo em buffer na RAM

O ComfyUI, a interface de código aberto baseada em nodes para executar fluxos de trabalho locais de geração de imagem e vídeo, lançou a versão 0.29.0 em 29 de julho. O lançamento é pequeno, mas focado em dois pontos específicos de dor.

A mudança mais concreta está no pipeline de vídeo. Até agora, a transcodificação de vídeo no ComfyUI armazenava todos os frames em buffer na RAM antes do processamento. Isso funciona para clipes curtos, mas uma renderização longa ou de alta resolução pode esgotar a memória e travar no meio do trabalho. O novo comportamento transmite a transcodificação em stream, então os frames fluem sem se acumular na RAM.

A segunda mudança chega ao sistema de nodes parceiros. O ComfyUI agora envia seu Job Id como um cabeçalho de requisição para os serviços parceiros. Para quem integra um node parceiro de terceiros em um fluxo de trabalho, esse cabeçalho dá ao parceiro uma forma limpa de correlacionar o trabalho recebido com o trabalho original do ComfyUI, em vez de adivinhar pelos nomes de arquivos ou pelo tempo.

Juntas, essas são correções de infraestrutura em vez de novos recursos, mas ambas abordam frustrações reais: crashes por falta de memória em renderizações longas de vídeo e atribuição incerta quando um fluxo de trabalho se distribui para serviços externos. Vale a pena atualizar se algum desses problemas já te afetou.

[08:43] NVIDIA Jetson Recebe Endosso de Venture Capitalist

A plataforma de IA de borda da NVIDIA, Jetson, recebeu um endosso de um promoter incomum esta semana: a venture capitalist Sarah Guo. Em um vídeo publicado em 28 de julho de 2026, Guo — fundadora da firma focada em IA Conviction e co-host do podcast No Priors — apresentou o Jetson como o acessório obrigatório da temporada para desenvolvedores. O blog da NVIDIA republicou o vídeo com o título "Poder Computacional Tão Compacto Que Cabe na Bolsa".

O enquadramento importa porque a IA de borda é para onde muito do trabalho prático está se direcionando. Robôs, drones, quiosques e equipamentos de inspeção nem sempre podem esperar uma viagem de ida e volta a um servidor na nuvem. O Jetson é o computador autossuficiente e compacto da NVIDIA construído em torno de aceleradores estilo GPU — pequeno o suficiente para caber em uma bolsa, com poder de processamento suficiente para executar modelos modernos de IA localmente em vez de por uma rede.

Para desenvolvedores, o appeal é direto: você pode prototipar um modelo em um Jetson sem reservar tempo na nuvem, e manter uma forma de hardware semelhante enquanto move do escritório para a implantação. A desvantagem é a restrição usual de borda — você está trabalhando dentro do teto de memória e computação de uma máquina pequena, então o tamanho do modelo e a eficiência importam mais do que em um cluster de servidores.

A ressalva honesta: esta é uma postagem promocional construída em torno de um vídeo de VC, não um lançamento de produto. O blog da NVIDIA não oferece changelog, nenhum novo SKU e nenhuma especificação atualizada. Então a conclusão é um lembrete de que o Jetson existe e permanece compacto — vale a pena ficar de olho em qualquer atualização real de silício ou kit de desenvolvedor que transforme o pitch de "bolsa" em algo concreto para encomendar.

[10:21] Advanced Packaging dos EUA da Intel Permite Semicondutores de IA de Próxima Geração

À medida que a IA exige "poder cerebral" sem precedentes, a indústria de semicondutores está superando a era de depender de chips únicos e massivos. O advanced packaging é a arte essencial de interconectar múltiplos chips especializados juntos. Isso permite que eles funcionem como uma única unidade poderosa que opera mais rápido lidando com as cargas de trabalho massivas do futuro. A Intel tem feito advanced packaging... O post Intel's U.S. Advanced Packaging Enables Next-Generation AI Semiconductors apareceu primeiro no Newsroom. A fonte primária sustenta a mudança específica de produto ou fluxo de trabalho acima; ela não sustenta alegações mais amplas sobre desempenho, compatibilidade ou implantação. Teste a mudança citada contra um fluxo de trabalho real antes de depender dela.

[11:00] FCC Adiciona Robôs Avançados Fabricados no Exterior à Sua Covered List

Em 28 de julho, o Bureau de Segurança Pública e Segurança Nacional da FCC adicionou dispositivos robóticos avançados produzidos no exterior à Covered List, a lista de equipamentos do regulador que não podem receber autorização da FCC para usar o espectro de rádio dos EUA. O movimento seguiu uma determinação interagências do Executivo que apontou para quatro categorias de risco: integridade da cadeia de suprimentos, cibersegurança, potencial de vigilância e vulnerabilidades de controle remoto.

O efeito prático é um bloqueio rígido. Qualquer robô avançado produzido fora dos Estados Unidos não pode ser autorizado para venda ou operação nos EUA através do processo normal da FCC. Existe uma saída: o Departamento de Guerra pode conceder aprovação condicional para um dispositivo específico ou classe de dispositivos se for determinado que estes não apresentam esses riscos. Então esta não é uma embargo completo. É uma presunção contra a produção estrangeira, com um caminho de exceçãoAttached.

Importante, a ação da FCC é baseada em categorias, não em empresas. A regra olha para onde o dispositivo foi fabricado, não qual empresa o fez. Essa distinção importa porque subsidiárias nos EUA de fabricantes de robôs estrangeiros, ou marcas americanas que terceirizam a produção para o exterior, podem ser afetadas dependendo de onde a montagem realmente acontece.

Para construtores e importadores, a questão em aberto é o escopo. O aviso público não define claramente o que conta como um "dispositivo robótico avançado", então as próximas semanas de orientação do Departamento de Guerra e qualquer esclarecimento da FCC determinarão se isso se aplica como uma regra restrita para robôs industriais ou se abrange também hardware de consumo e pesquisa. As primeiras aprovações condicionais serão o indicador mais limpo de onde a linha realmente está.

[12:35] Resumo de pesquisa: Treinamento de Robôs Sem o Robô: Melhor Captura Pode Substituir a Âncora de Hardware Real

Robôs que podem dobrar roupas ou separar objetos geralmente precisam de milhares de demonstrações cuidadosas coletadas em hardware real, o que é lento e caro. Uma alternativa mais barata é o UMI, uma estrutura portátil que captura o mesmo tipo de dados de movimento sem precisar do robô em si, mas as filmagens são mais barulhentas e menos confiáveis. A prática padrão atual é usar esses dados baratos do UMI para pré-treinar uma política e depois adicionar uma pequena dose de demonstrações em robô real como etapa de acabamento. Um novo artigo chamado HiFi-UMI faz uma pergunta mais precisa: e se a captura sem robô fosse simplesmente tornada mais fiel, para que a âncora de robô real pudesse desaparecer inteiramente? Os autores apresentam o HiFi-UMI como uma configuração de captura portátil projetada para maior fidelidade, com políticas treinadas de ponta a ponta apenas com esses dados. O argumento implícito é que a restrição vinculante no aprendizado de manipulação não é quantas demonstrações você coleta, mas quão confiável cada uma é. Se a afirmação se confirmar, laboratórios sem grandes frotas de robôs reais obtêm uma rampa de entrada muito mais barata para manipulação implementável.

[13:38] Resumo de pesquisa: Artigo TurboVLA reduz computação de controle de robô para menos de 1 GB

O TurboVLA, um artigo em destaque no HuggingFace esta semana, redesenha como os robôs convertem vistas de câmera e instruções faladas em movimento. Modelos de visão-linguagem-ação — sistemas de IA que observam seu ambiente, interpretam um comando e se movem — geralmente processam cada quadro visual através de um grande modelo de linguagem primeiro. Essa etapa lhes dá poder de raciocínio, mas também consome memória e adiciona latência em cada ciclo do robô. O TurboVLA segue uma abordagem diferente. Em vez de executar a visão através de um modelo de linguagem grande antes de produzir ações, ele funde dicas visuais e linguísticas diretamente na saída de ação. Os números principais são impressionantes: o sistema opera em 32 atualizações por segundo em uma única placa gráfica RTX 4090 para consumidores, enquanto usa menos de um gigabyte de memória de vídeo. Esse é um desbloqueio significativo para entusiastas, estudantes e pequenos laboratórios — o tipo de configuração que cabe em uma mesa em vez de ocupar um rack de servidores. A ressalva é que as demonstrações do artigo são limitadas; se o atalho funciona em tarefas reais mais caóticas e menos programadas é o próximo ponto a ser observado.

[14:43] HKUDS nanobot lança v0.3.0 como uma estrutura leve de agente auto-hospedado

O HKUDS lançou o nanobot v0.3.0, uma estrutura Python voltada para desenvolvedores que desejam executar sua própria configuração de agente de IA em vez de depender de uma plataforma hospedada. O projeto se descreve como ultraleve e auto-hospedado, e acumulou 46.404 estrelas no GitHub.

A versão foi lançada em 25 de julho, com o repositório atualizado novamente cinco dias depois, em 30 de julho. Não há changelog público para a v0.3.0 no material original, então a maneira prática de ver o que mudou é verificar o próprio repositório e seu histórico de commits.

O que o nanobot inclui, de acordo com seu README: uma WebUI para conversar com o agente, uma camada de ferramentas para chamar funções externas, um componente de memória, suporte a MCP para que possa se integrar ao ecossistema do Model Context Protocol, primitivas de fluxo de trabalho multiagente, hooks de automação e integrações com aplicativos de chat. A proposta é que tudo isso venha em um único pacote Python que você pode executar em seu próprio hardware.

Para desenvolvedores, isso significa um caminho auto-hospedado que já fala MCP, então você pode anexar ferramentas e fontes de dados através do mesmo protocolo que muitos agentes hospedados usam. As integrações com aplicativos de chat e a WebUI fornecem uma camada de interface sem precisar construir uma do zero.

Um ponto a ser observado: sem um changelog da v0.3.0, os deltas reais da versão em relação às versões anteriores estão no histórico de commits, e o ritmo do projeto — uma atualização fresca cinco dias após o lançamento — sugere um desenvolvimento ativo que vale a pena acompanhar no GitHub.

[16:12] O GPT-5.6 é apresentado como uma versão de eficiência, não de capacidade

A OpenAI postou em 29 de julho de 2026 apresentando o GPT-5.6 em torno da eficiência em vez de ganhos brutos de capacidade. A postagem apresenta o GPT-5.6 como fornecendo mais inteligência útil por dólar através de melhorias que abrangem os próprios modelos, a pilha de inferência e fluxos de trabalho agenticos.

Esse é o conteúdo do anúncio. Não há changelog anexado, nenhuma lista específica de recursos, nenhuma tabela de benchmarks e nenhum detalhe concreto de API ou precificação no material original.

Para desenvolvedores, isso significa que esta é uma linguagem de posicionamento, não um lançamento de recursos. Não há nada para integrar hoje e nada para testar novamente até que a OpenAI publique as notas de lançamento concretas, a precificação e o cronograma. Qualquer pessoa enviando agentes de produção na geração anterior deve ficar de olho nos números de custo e throughput assim que forem lançados, já que o foco é explicitamente sobre obter mais saída útil por dólar.

O título para levar daqui é eficiência, não nova capacidade. Fique de olho nos números reais.

[17:10] OpenAI Concede Acesso Gratuito ao ChatGPT para 100.000 Pesquisadores Acadêmicos

A OpenAI anunciou em 29 de julho de 2026 que está concedendo a 100.000 pesquisadores acadêmicos acesso gratuito aos modelos de IA mais avançados do ChatGPT. O programa é apresentado em torno da aceleração da pesquisa científica, colaboração e descoberta.

O anúncio não menciona os modelos específicos incluídos, não descreve os critérios de elegibilidade e não explica como os 100.000 lugares serão distribuídos. Não há changelog, nenhum detalhe de precificação e nenhum cronograma de quando o acesso começa ou quanto tempo dura. O material original é a página única do anúncio, que apenas confirma o número do título, o público-alvo e o objetivo declarado.

O que isso sinaliza é a OpenAI continuando a investir em casos de uso adjacentes à pesquisa. Acesso gratuito de primeira linha para uma grande cohorte de acadêmicos é o tipo de movimento que pode moldar quais ferramentas estudantes de pós-graduação, pós-doutorandos e professores escolhem quando redigem artigos, resumem literatura ou fazem brainstorming de hipóteses. Se isso muda materialmente os fluxos de trabalho de pesquisa dependerá de detalhes que o anúncio ainda não fornece.

A figura de 100.000 é suficientemente grande para importar — aproximadamente o tamanho do corpo docente e discente de pós-graduação combinado de uma grande universidade de pesquisa. Se o acesso funcionar conforme anunciado, espere um fluxo constante de artigos creditando o ChatGPT como assistente de pesquisa ao longo do próximo ano. Por enquanto, a manchete é a história; os detalhes técnicos ainda estão pendentes.

[18:30] Plataforma OlmoEarth traz inferência geoespacial em escala planetária

A AllenAI publicou um post no Hugging Face Blog em 28 de julho de 2026, intitulado "The OlmoEarth Platform: Geospatial inference at planetary scale." Essa é a manchete. Posiciona o OlmoEarth como uma plataforma em vez de um único modelo, com inferência geoespacial como capacidade central e escala planetária como objetivo operacional.

Lendo cuidadosamente o título, "inferência geoespacial" significa que o sistema é destinado a receber dados geográficos e de sensoriamento remoto e produzir previsões sobre eles, e "escala planetária" sinaliza que os dados subjacentes e o pipeline de computação são dimensionados para cobertura em toda a Terra, em vez de uma única cidade, bacia hidrográfica ou tile de satélite. Para desenvolvedores, essa estrutura importa porque a parte difícil da IA geoespacial raramente foi o modelo — tem sido a ingestão, o recorte em tiles e o fornecimento de entradas raster e vetoriais do tamanho de um continente em qualquer escala.

Além da manchete e da data de publicação, a fonte pública não inclui um changelog, card de modelo ou notas de release concretas. Não há variante de modelo listada, nenhuma superfície de API documentada, nenhum formato de entrada declarado e nenhum preço ou tier de acesso anunciado no material disponível aqui. Portanto, embora o nome e a ambição estejam registrados, a questão prática de o que um desenvolvedor pode chamar, instalar ou fine-tunar hoje ainda permanece em aberto no anúncio da AllenAI.

Uma coisa para acompanhar a seguir: se a AllenAI segue o post do blog com pesos do modelo, um endpoint de inferência ou notebooks de exemplo que transformem "escala planetária" de uma frase em algo que um desenvolvedor possa realmente executar contra sua própria região de interesse.