Pesquisadores de segurança alertam que conteúdo sexual explícito gerado por IA sem consentimento segue se espalhando sem controle, com compartilhamento em mensagens diretas e armazenamento em nuvens privadas, o que dificulta detecção e denúncia. Um estudo coautorado pela Google com usuários da internet nos Estados Unidos, Austrália e Reino Unido, publicado em julho, aponta que o ponto de intervenção mais crítico está na origem das ferramentas usadas para criar as imagens falsas.
Em testes recentes, pesquisadores do White Circle afirmam que guardrails de geradores de imagens de texto de Google e OpenAI podem estar falhando à medida que os modelos ficam mais capazes. Um preprint divulgado no mês passado descreve vulnerabilidades em DALL·E 3, Nano Banana 2 e GPT-Image-2, com a equipe dizendo que, usando ferramentas disponíveis publicamente e chamadas via API, conseguiu gerar conteúdo explícito cerca de 13% das vezes.
O Wellhub revelou o Panorama do Bem-Estar Corporativo 2027 e indica que a adoção de inteligência artificial pode aumentar a carga de trabalho para quem já domina a tecnologia. No Brasil, 37% dos trabalhadores “avançados em IA” relatam que o uso da ferramenta elevou o volume de tarefas, ante 13% entre quem está nos primeiros estágios de adoção. O levantamento também mostra que, no recorte brasileiro, oito em cada dez usuários avançados orientam outras pessoas sobre as ferramentas.
Os dados ainda apontam diferenças nos relatos de esgotamento: 23% dos profissionais mais avançados dizem ter sintomas de burnout diariamente, contra 11% dos iniciantes. A pesquisa destaca que políticas claras e bem comunicadas sobre IA se associam a maior resiliência, e que 75% dos usuários avançados citam recursos de bem-estar como apoio para se adaptar ao ambiente impulsionado pela tecnologia. O estudo foi conduzido entre 12 e 19 de junho de 2026 com mais de 5 mil profissionais em dez países.
O pendant Friend 2, chatbot em formato de pingente sempre “listening”, chegou em julho custando US$ 249 e usa os “latest language models” da OpenAI. O dispositivo responde a comandos e também pode falar sem ser provocado, com um recurso de “silenciar” que exige toques no aparelho.
A Avi Schiffmann, criadora do Friend, afirmou que a próxima atualização vai tornar os chatbots mais “agentically” e mudar a personalização: em vez de personalidades únicas por usuário, todos conversariam com a mesma entidade, compartilhando contexto entre usuários. A proposta aponta para um “hivemind” do Friend, com mudanças que devem afetar como o sistema se comporta e como a privacidade é tratada.
Pedir à inteligência artificial um livro parecido com o último romance lido virou um uso comum de chatbots, que devolvem listas de títulos com justificativas em poucos segundos. No Reino Unido, livreiros de lojas independentes relatam que clientes chegam com recomendações geradas no celular e reclamam quando as sugestões se repetem para pessoas diferentes.
A confiabilidade dessas recomendações também já gerou casos como uma lista publicada em maio de 2025 pelo Chicago Sun-Times com 15 recomendações para o verão em que dez obras não existiam, atribuídas a autores reais. Mesmo quando os livros existem, profissionais apontam limitações como foco no que já vende bem e menor visibilidade para editoras menores e autores estreantes, enquanto bibliotecas públicas na Coreia do Sul usam quiosques com tecnologia de empresas como a Flybook e planejam um agente de IA para indicar obras por perfil de leitura.
As bibliotecas AndroidX Security State e Security State Provider, da Google, permitem que apps verifiquem o status de segurança e nível de patch em nível de componente, em vez de depender de uma única data de patch do dispositivo. Com isso, desenvolvedores e empresas conseguem avaliar com mais granularidade o quão atualizado um Android está e quais remediações estão disponíveis.
A biblioteca define três níveis de patch: Device SPL (instalado no sistema em execução, sem necessidade de rede), Published SPL (o mais recente publicado pela Google para um componente) e Available SPL (o que está disponível para download e instalação no dispositivo). Funções como queryAllAvailableUpdates(), fetchAvailableSecurityPatchLevel(), areCvesPatched() e isDeviceFullyUpdated() ajudam a identificar atualizações pendentes e checar se CVEs específicas foram corrigidas, enquanto a Security State Provider padroniza para OEMs como clientes de atualização informam apps sobre disponibilidade de updates.
O virtio-nvgpu permite acesso “near-native” a GPUs NVIDIA dentro de uma VM KVM, fazendo o guest renderizar em até 2% do desempenho do bare metal e com custo de CPU semelhante. O sistema encaminha ioctls do driver NVIDIA no nível de ABI, mantendo os drivers e bibliotecas em modo de usuário do próprio NVIDIA sem modificações, para que Vulkan e NVENC comuniquem com a mesma placa.
O foco é streaming headless: um compositor roda dentro da VM, compõe e codifica quadros na GPU e envia apenas o bitstream comprimido para o cliente remoto, sem monitor físico na VM. Em testes com RTX 3060 e driver 595.99.02, foram observadas 618 frames decodificadas pelo ffmpeg sem erro, além de desempenho praticamente estável mesmo com múltiplas VMs compartilhando a mesma GPU.
Ferramentas de codificação com IA aceleraram a produção de software, mas também ampliaram a capacidade de ataque. Com o aumento do volume de commits e do uso do GitHub Actions, a cadeia de suprimentos de software virou um ponto crítico de colisão entre quem desenvolve e quem explora falhas.
Quincy Castro, CISO da Chainguard, afirma que agentes de IA podem escolher dependências sem que o responsável veja bibliotecas e pacotes, enquanto atacantes usam modelos para encadear vulnerabilidades de baixa severidade em caminhos de invasão. Ele também cita a queda do tempo para exploração e o risco de ataques à cadeia, como a campanha TeamPCP, que comprometeu projetos de código aberto e abriu espaço para compromissos em cascata.
Um vídeo pode deixar de ser apenas reprodução e passar a virar dados processáveis por sistemas de inteligência artificial. Com o uso de IA, o mesmo arquivo pode ser convertido em fala para transcrição, com reconhecimento de rostos e objetos, classificação de cenas, identificação de tópicos, estimativa de emoções, organização por timestamps e geração de resumos em texto.
A proposta é tornar bibliotecas de mídia “consultáveis”, como se fossem bancos de dados pesquisáveis, permitindo encontrar momentos específicos e extrair diálogos sem rever tudo. O fluxo também depende de preparar o arquivo no formato adequado para cada etapa, como converter MP4 para WAV para melhorar o processamento de reconhecimento de fala e análise.
Um novo repositório chamado OpenArch disponibiliza implementações em Python/PyTorch de arquiteturas modernas de LLMs de código aberto, feitas do zero e organizadas uma por vez. O projeto reúne modelos baseados no catálogo de LLM Architecture Gallery, com escolhas estruturais como tipos de atenção, normalização, codificação posicional, roteamento de MoE e variações como MHA, GQA, MQA, RoPE e MoE denso ou esparso.
O objetivo do OpenArch não é competir com bibliotecas de produção, e sim facilitar o aprendizado com arquivos legíveis e comparáveis entre si. Implementações marcadas como ✅ podem ser usadas em forward passes, enquanto as marcadas como 🚧 ainda estão em construção; o repositório também incentiva contribuições para adicionar modelos, documentar decisões e criar testes de carregamento de pesos oficiais.
Modelos de linguagem que alimentam bots como ChatGPT e Gemini podem ser executados localmente no seu computador, oferecendo acesso offline e mais privacidade por não enviar dados para a nuvem. A proposta também evita assinaturas mensais e limites de uso cobrados por plataformas, já que há diversos LLMs gratuitos para download, incluindo opções de Meta e Google.
O processo envolve escolher um sistema operacional compatível (Windows, macOS e Linux), garantir memória suficiente e, idealmente, uma GPU dedicada com VRAM. Para começar, o texto destaca o LM Studio Bionic como uma opção gratuita, mostrando como criar projetos, selecionar modelos, gerenciar bibliotecas e usar configurações para ajustar o funcionamento do chatbot local.
Modelos que alimentam chatbots como ChatGPT, Gemini e Claude foram treinados com grandes bases de obras publicadas, incluindo livros e artigos, e isso reacendeu a discussão sobre se o uso desses conteúdos viola direitos autorais. A advogada Cathy Gellis afirma que o tema envolve “muita coisa” e é “muito complexo”, com posições divergentes sobre os impactos para autores e para empresas de IA.
Um marco citado no debate é uma decisão em que o juiz William Alsup determinou um acordo de US$ 1,5 bilhão envolvendo a Anthropic, mas também afirmou que o treinamento de IA era legal; a penalidade teria relação com a obtenção das obras em bibliotecas virtuais ilegais. Com a lei de copyright sem atualização desde 1976, tribunais têm aplicado critérios de “fair use” e analisado fatores como finalidade do uso, volume de material e efeito no mercado, enquanto casos como o da Thomson Reuters contra a Ross Intelligence indicam que treinar para competir diretamente tende a ser visto com mais rigor.
Um sistema com agentes de IA foi equipado com ferramentas para buscar materiais cristalinos BEOL-compativeis e propor candidatos que atendam simultaneamente a metas de condutividade térmica (kappa), constante dielétrica estática (epsilon), módulo de Young (youngs) e módulo de cisalhamento (shear).
O processo usa busca na web, um ambiente de código com Python e bibliotecas de ciência de materiais e modelos de machine learning para estimar estabilidade dinâmica, condutividade térmica por rede, constante dielétrica e o tensor de complacência. As receitas de síntese também passam por uma etapa de avaliação por especialistas, com rubricas que penalizam omissões e erros críticos, e um exemplo de proposta é reprovado quando falta especificar escolhas de processamento para formar a fase desejada.
A Meta colocou o modelo Muse Glimmer em circulação com foco em uso local, agente e multimodal, trazendo suporte “day-0” para integrações em bibliotecas como transformers, llama.cpp e vLLM. O Muse Glimmer é um modelo denso de 30B parâmetros, com encoder de visão estilo ViT de 2B para percepção e um decoder de texto com 28B.
Além do modelo principal, há um módulo opcional de speculative decoding implementado no DFlash, que pode acelerar a geração com custo adicional de memória, especialmente em conteúdo estruturado como código. O lançamento também inclui instruções para carregar o modelo via AutoModelForMultimodalLM e AutoProcessor, com exemplos de inferência apenas por texto, entrada de imagens e tool calling multimodal.
A Speakeasy lançou o “Skills Management”, um sistema para registrar e controlar skills usadas por agentes de IA em ambientes corporativos. A empresa diz que, com a adoção de agentes, as organizações acabam criando bibliotecas de skills que incluem runbooks de deploy, checklists de code review, guias de estilo, procedimentos de incidentes e fluxos internos — muitas vezes espalhados por repositórios, máquinas locais e conversas em Slack. Segundo a Speakeasy, um cliente de fintech de médio porte chegou a identificar mais de 500 skills únicas em uso.
O ponto central é tratar cada skill como um artefato corporativo versionado e imutável, com acesso escopado por papéis e observabilidade sobre uso e desempenho. Com isso, fica mais fácil evitar que versões ruins se espalhem e entender quais skills estão desatualizadas ou subperformando, inclusive com apoio de um “LLM judge” para sugerir melhorias — ajudando times de dev a padronizar conhecimento para agentes sem virar caos de versões.
