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.
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.
Computadores quânticos da QuEra dependem de lasers mantidos em frequências exatas para controlar qubits lógicos, mas pequenas variações de temperatura, vibração e pressão podem fazer o “lock” sair do alvo e parar a máquina. Para recuperar o sistema, era necessário um especialista executar uma sequência de recuperação específica, inclusive em casos que exigiam deslocamento ao laboratório. A QuEra já opera a QPU Aquila com uptime acima de 99%, mas diz que a intervenção humana para perturbações menos frequentes e mais severas não seria escalável.
Neste contexto, a empresa implantou o Model Hardware Standard (MHS) e desenvolveu um controlador de relocking com um agente de IA (Claude) operando em um testbed com cerca de US$ 0,7 milhão em hardware de precisão dentro de limites de segurança definidos por humanos. Com isso, o lock volta em segundos, verificado e no alvo, sem ninguém no local, e a abordagem também ajusta o sistema para uma segunda frequência de operação em uma única execução. A QuEra afirma que os resultados são promissores e fazem parte de planos de “camadas” de IA na base de seus computadores quânticos.
Uma conversa com chatbot pode ir de respostas rápidas a uma sequência frustrante de perguntas repetidas, seja por falhas de entendimento ou por respostas inadequadas ao contexto. Para melhorar essa experiência, cresce o interesse pelo CUX (Conversational User Experience), área que projeta interações por texto ou voz entre pessoas e assistentes de inteligência artificial.
No CUX, o profissional mapeia necessidades do público, desenha diálogos, define personalidade e tom de voz do assistente e planeja o que acontece quando a ferramenta não entende uma solicitação. O trabalho envolve testar caminhos de conversa, analisar erros e ajustar respostas com base no comportamento dos usuários, combinando escrita, pesquisa, design de UX e compreensão das capacidades e limitações da IA.
O GitHub aprimorou o secret scanning do GitHub Copilot com um classificador treinado para diferenciar credenciais reais de “lookalikes”, reduzindo ruído nas detecções. A solução usa um pipeline em duas etapas: regex para gerar candidatos e um modelo ModernBERT fine-tuned para avaliar o contexto do código e do texto ao redor de cada possível segredo.
Com isso, o GitHub relata queda de 86% no tempo mediano de execução do scan pós-push e mais de 98% de economia de custos em comparação com um pipeline baseado em LLM. A empresa também diz que a adoção do novo scanner melhorou em 11,5% a aceitação dos usuários, ajudando a reduzir alertas falsos tanto no post-push scanning quanto no push protection.
A QCon AI New York 2026 confirmou sessões com engenheiros sêniores que enfrentaram desafios de IA em produção, como revisão de código, aumento de custos por tokens, necessidade de evals confiáveis e definição de permissões e guardrails para agentes. O evento acontece em 15 e 16 de dezembro, no The Westin Jersey City Newport, com foco em decisões técnicas para IA em sistemas reais.
As palestras incluem abordagens para identidade e autorização de agentes em produção, com controles como rate limits e aprovações para mudanças, além de um “eval loop” para conectar resultados simulados ao que acontece em produção. Também há discussões sobre compressão e caching para reduzir custos de contexto de LLM, revisão de código assistida por IA em escala e como avaliar maturidade de IA além de métricas de adoção.
A Apple anunciou o HomePod mini 2, nova geração da caixa de som inteligente, com suporte à Siri com inteligência artificial (IA). O dispositivo chega com cinco opções de cores e recursos de áudio que permitem montar um sistema de som surround com quatro caixas ao ser combinado à Apple TV 4K de quarta geração.
A empresa também promete uma Siri mais conversacional, capaz de usar contexto pessoal e informações atualizadas da internet para executar tarefas. O recurso, chamado Siri AI, será disponibilizado por atualização futura e poderá reconhecer até seis pessoas pela voz; o processamento pode ocorrer no dispositivo ou via Private Cloud Compute, com a Apple afirmando que, na nuvem privada, os dados não ficam armazenados nem acessíveis à empresa ou a terceiros.
A Apple anunciou o HomeView, novo dispositivo para casa inteligente que mira a linha Echo Show da Amazon. O aparelho traz tela de 7 polegadas, reconhecimento facial para até seis pessoas e uma versão reformulada da Siri com recursos de inteligência artificial.
O HomeView permite controlar acessórios de automação residencial, participar de chamadas pelo FaceTime e acompanhar câmeras de segurança, além de exibir até nove câmeras simultaneamente com reconhecimento via HomeKit. O dispositivo chega ao mercado internacional em 13 de novembro por US$ 299 e inclui a Siri AI inicialmente em beta, com suporte ao inglês, enquanto funções que dependem de contexto pessoal exigem iPhone ou iPad compatível com Apple Intelligence.
A startup Ambi, fundada por Peter Mo, levantou US$ 26 milhões em múltiplas rodadas de investimento para criar um aplicativo com IA que fornece inteligência e insights em tempo real ao “ouvir” o usuário continuamente. O objetivo é capturar contexto durante reuniões e oferecer sugestões proativas com base no calendário, nas reuniões, na base de conhecimento e em dados da web.
A Ambi está lançando apps para iPhone, Mac e Apple Watch que funcionam como capturadores de anotações de reunião, com opção de manter a escuta ativa para registrar contexto ao longo do dia. A empresa também planeja um app de desktop capaz de observar o trabalho do usuário e armazenar partes na memória para sugestões mais personalizadas, além de um dispositivo próprio com tela, alto-falante, câmera e microfones para capturar contexto, em meio a preocupações de privacidade e segurança.
O CTO e fundador da CloudZero, Erik Peterson, afirmou em apresentação que a “conta” de custos de IA no cloud virou um problema: ele diz que não consegue confiar totalmente no próprio bill e que os dados de despesas vindos de provedores de nuvem e de IA estão “bagunçados”. Peterson relaciona o aumento de gastos ao uso de LLMs no dia a dia, em que cada decisão e até cada pensamento passam a ser monetizados pelo custo de consultas e geração.
Ele também citou a escalada de métricas como “tokenmaxxing” e estimou que o fenômeno pode representar um custo de cerca de US$ 5 bilhões a US$ 15 bilhões. No mesmo contexto, Peterson defendeu que a produtividade pode até crescer, mas a medição ainda é imprecisa, enquanto o gasto com IA já triplicou e segue subindo.
A Microsoft anunciou o Azure Maia 300, nova geração de seu chip próprio de inteligência artificial, que deve virar a principal plataforma de processamento de IA dos produtos e sistemas da companhia a partir de 2027. A empresa posiciona o Maia 300 como um sistema completo para executar tarefas de agentes, indo além das respostas típicas de um chatbot.
O chip promete mais de 40% de ganho em tokens por megawatt na comparação com sistemas líderes baseados em GPUs, medindo eficiência entre conteúdo processado e energia consumida. A estratégia combina chip, software, redes e data centers para otimizar inferência e lidar com contextos extensos e tarefas que exigem muita memória, com foco em agentes que raciocinam, agem e colaboram em várias etapas.
Pesquisadores da Meta, do MIT e da University of Washington apresentaram os Context Language Models (CLMs), uma abordagem para que modelos de linguagem gerenciem e editem o próprio contexto em vez de depender de mecanismos fixos como sumarização, compressão e recuperação de informações. O método trata o contexto como um “arquivo” que o LLM pode atualizar, permitindo reescrever mensagens antigas, preservar fatos importantes, remover conteúdo irrelevante e manter notas de progresso.
Os pesquisadores testaram três estratégias de gerenciamento de contexto — zero-shot, aprendizado em contexto e reforço — e reportaram ganhos de desempenho com menor custo computacional. Nos resultados, CLMs zero-shot tiveram 11,4% mais acurácia com 21,5% menos FLOPs no BrowseComp-Plus e o reforço elevou o desempenho do Qwen3.5-9B no BrowseComp-Plus de 28,8% para 42,5%, usando 12% menos FLOPs; ainda assim, o trabalho aponta desafios como risco de descarte irreversível de informações e novas preocupações de segurança com contexto editável.
A Microsoft lançou o Microsoft-Decision-1 no Foundry, três dias depois de a OpenAI abrir sua Decisions API para beta público. O modelo foi “post-trained” com base no Alibaba Qwen3.5-9B, com a empresa dizendo que pretende fazer um rebasing para seus próprios modelos MAI e também para a OpenAI. O preço informado é de US$ 0,042 por milhão de tokens de entrada, com saída gratuita, e o modelo aceita até 32.768 tokens de texto, retornando JSON.
A Microsoft afirma que o Decision-1 é usado internamente em tarefas como triagem de feedback de jogadores no Xbox Research, avaliação de respostas do Copilot e apoio a engenheiros em incidentes ao puxar contexto. A empresa também destaca o foco em decisões em “ambiente seguro e confiável”, mas não anunciou suporte a imagens e orienta clientes a validarem a calibração das probabilidades nos próprios dados, especialmente sob entradas adversariais.
Agentes de inteligência artificial estão sendo integrados a mensagens como iMessage, SMS e apps como WhatsApp e Telegram, permitindo que usuários peçam tarefas diretamente pelo texto. Em vez de baixar um aplicativo separado, esses agentes podem lembrar contexto, conectar-se a serviços já usados e executar ações como agendar compromissos, organizar calendários, pesquisar viagens, enviar e-mails, fazer reservas e até compras online.
Entre as opções citadas estão Caddy, em beta público desde abril de 2026, e Comma, que gerencia tarefas e mantém contexto entre dispositivos, além de Fambot, voltado para rotinas familiares com resumos diários enviados à noite. A lista também inclui Instinct, com ações por texto ou voz e integração com e-mail e calendário, além de Iris (com Hermes Agent) e Martin, que oferece assistente geral com acesso por SMS, WhatsApp, Slack e e-mail.
A recusa de respostas em modelos de IA virou um pilar da segurança, mas o texto destaca que “dizer não” não é algo natural para as máquinas. Em vez disso, empresas treinam e refinam sistemas para recusar prompts considerados perigosos, usando recompensas por negar e punições por recusar demais, além de camadas extras para bloquear solicitações. Mesmo assim, a recusa é probabilística e pode falhar, deixando passar pedidos ligados a violência e outras condutas nocivas.
O debate também aponta que existe uma linha difícil para definir o que a IA deve obedecer ou desobedecer, e que essa decisão fica, por enquanto, nas mãos das próprias empresas. Com governos podendo criar regras próprias, a recusa pode acabar sendo usada tanto para bloquear atos realmente maliciosos quanto para restringir fala legítima, inclusive em contextos de repressão. O texto ainda lembra que, quando a recusa falha, os impactos podem ser graves.
A Zoox prepara a Ontology, plataforma de IA voltada a preservar o contexto das decisões dentro das empresas. A ferramenta reúne registros de reuniões, mensagens e sistemas corporativos para permitir consultas sobre como e por que uma decisão foi tomada, com lançamento previsto para 17 de novembro, no evento Zoox Data Revolution, em São Paulo.
A companhia afirma que, na prática, contratos e apresentações costumam registrar o resultado, mas não o caminho que levou à escolha. Com a Ontology, a empresa busca recuperar esse histórico a partir das conversas registradas e materiais internos, usando IA para entender os conteúdos e aplicar filtros para separar informações relevantes de conversas informais.
A SleekFlow, plataforma global de IA para conversas com foco em geração de receita, captou US$ 23,5 milhões e planeja acelerar a expansão na América Latina. Fundada em 2019, a empresa atende mais de 7 mil empresas em 70 países e processa mais de 57 milhões de mensagens por mês.
A estratégia combina agentes de IA com comunicação omnichannel e automação de vendas e atendimento, conectando conversas a dados e sistemas como CRM e e-commerce. O AgentFlow permite criar agentes que identificam intenção, entendem contexto, acessam informações integradas, executam ações e encaminham interações para humanos quando necessário, com integrações como Shopify, HubSpot e VTEX e canais como WhatsApp Business API, Instagram e Telegram.
APIs compatíveis com OpenAI estão sendo usadas para permitir conversas multi-turn com agentes, mas escalar esse tipo de fluxo exige cuidados com estado e roteamento entre réplicas. O texto descreve um endpoint mínimo compatível com /v1/chat/completions que falha de forma “silenciosa” quando o tráfego é distribuído: o modelo pode responder sem o contexto correto se cada turno cair em uma máquina que não tem o histórico da conversa.
Para resolver, a proposta retoma princípios de microservices e padrões como bulkheads, movendo o estado da conversa para um armazenamento compartilhado para que qualquer réplica possa atender qualquer turno. A discussão também destaca como “agent traffic” difere do tráfego web por ser mais longo, mais imprevisível em tool calls e mais sujeito a rajadas, exigindo desenho de API que absorva essas características.
A Dell entrou na corrida para permitir que agentes de inteligência artificial entendam o significado dos dados que acessam dentro das empresas. A companhia apresentou tecnologias para conectar informações de sistemas diferentes e indicar à IA quais termos, relações e fontes devem ser considerados em cada tarefa, com previsão de chegada dos principais recursos no primeiro semestre de 2027.
O foco é criar uma camada de contexto entre modelos de IA e dados corporativos, problema que ganhou força com a adoção de agentes em tarefas reais. Levantamento da Modern Data Company com mais de 540 profissionais em 66 países aponta que 57,3% das organizações já testam ou usam agentes, mas só 8,4% confiam nos dados para uso em produção, e falta de contexto aparece entre as principais barreiras.
A Musubi anunciou o PolicyLM-1.7B, um modelo leve de decision model para moderação de conteúdo em tempo real, lançado com pesos abertos. A proposta é aplicar políticas escritas em linguagem natural a mensagens em menos de 50 milissegundos, com foco em custo e velocidade semelhantes aos classificadores usados por plataformas sociais.
O PolicyLM-1.7B foi desenhado para lidar com políticas complexas sem exigir novo treinamento quando as regras mudarem, permitindo que equipes humanas iterem a moderação. A empresa também posiciona o modelo como uma forma de rotular conteúdo de maneira escalável e customizável, em um contexto de crescente interesse por decision models após o Jev da TypeSafe AI e iniciativas de OpenAI e Amazon.
Centros de operações de segurança (SOCs) têm enfrentado dificuldades com o volume de alertas há anos, e agentes de IA passam a ser testados para reunir sinais de diferentes sistemas, investigar atividades suspeitas e sugerir próximos passos para humanos no loop. A discussão central agora é o quanto as organizações estão dispostas a entregar de autonomia para essas máquinas, especialmente em ações que podem impactar diretamente o negócio.
A diferença fica clara entre pedir que a IA investigue um login suspeito e permitir que ela desative a conta responsável ou isole um endpoint. O debate também envolve confiança operacional: entender o que o agente faz, em que momento o humano decide e se é possível desfazer uma ação ruim, com limites de autonomia e uma camada de controle para governar o que pode e o que não pode ser feito. A The New Stack realiza em 8 de outubro uma sessão ao vivo com demonstração prática de triagem, construção de contexto e resolução de casos, mostrando onde o humano permanece no processo.
Donald Trump anunciou a criação da Super Intelligence Force (SIF), uma força-tarefa para coordenar ações do governo dos EUA ligadas ao desenvolvimento de inteligência artificial. O anúncio foi feito após a reunião com líderes de grandes empresas de IA e ocorre em meio à pressão por mecanismos de segurança para a tecnologia.
A SIF será liderada pelo diretor de Inteligência Nacional dos Estados Unidos, Jay Clayton, que também deve assumir o papel de “czar de IA”. No mesmo contexto, Trump determinou que o governo use “superinteligência” no lugar de “inteligência artificial”.
Depois do básico, o aprendizado de IA tende a sair de tarefas simples e ir para usos mais complexos, como estruturar processos com várias etapas. Em vez de depender só de comandos individuais, a evolução passa por definir objetivos, fornecer contexto e acompanhar cada fase para chegar a resultados confiáveis.
Outra frente é aprender a trabalhar com informações da rotina profissional, como planilhas, relatórios e bases internas, respeitando regras de segurança. Também ganha espaço conectar a IA a outras ferramentas para automatizar tarefas, além de desenvolver a checagem de fontes e a comparação de resultados quando as respostas ficam mais difíceis de validar rapidamente.
Times como os da Anthropic e da Linear relataram que agentes de IA aumentaram drasticamente o volume de jobs no CI e fizeram as suítes de testes crescerem rapidamente. A Anthropic atribuiu o ganho de eficiência a uma abordagem de test impact analysis, rodando apenas testes afetados por mudanças; a Linear, por sua vez, reestruturou o pipeline para acompanhar o crescimento da demanda. Já o CEO da Depot defendeu que o futuro passa por agentes validando código para manter a confiança durante o trabalho.
O ponto central é que tornar o CI mais rápido não resolve o problema de verificação em sistemas distribuídos, porque o pipeline normalmente valida um repositório, não o comportamento entre serviços. A análise argumenta que a checagem precisa “fechar o loop” contra o sistema real antes do PR, com agentes executando e testando em ambientes que simulem mais fielmente o contexto, evitando que falhas apareçam apenas quando a mudança chega ao staging e cruza fronteiras entre serviços.
Empresas que acessam a mesma inteligência artificial podem começar com um ponto de partida semelhante: fazem perguntas parecidas e recebem respostas geradas pela mesma tecnologia. A diferença aparece quando essas respostas precisam virar ações no mundo real, exigindo dados do negócio, processos internos e decisões humanas.
Com a popularização da IA generativa, a disputa deixa de ser apenas ter acesso à ferramenta e passa a ser quem consegue gerar resultado. Enquanto uma empresa pode fornecer informações próprias e histórico de clientes, outra pode usar a IA apenas para tarefas genéricas como resumir documentos e produzir textos, e a qualidade final depende do contexto e da forma de incorporação à rotina.
O recurso de memória do ChatGPT permite que a inteligência artificial mantenha algumas informações entre diferentes conversas, ajudando a deixar as respostas mais alinhadas ao que o usuário costuma pedir ou prefere. A memória pode guardar detalhes como preferências, interesses, objetivos e projetos, além de recuperar contexto relevante para perguntas futuras.
A memória não registra necessariamente tudo o que foi dito: o sistema seleciona informações e mantém um “Resumo da memória” que funciona como uma visão geral do contexto. O usuário pode ajustar esse resumo, pedir para confirmar se um detalhe foi registrado e usar o ícone de “Fontes” para ver quais memórias, conversas ou arquivos foram consultados; também é possível usar memória dentro de projetos, inclusive com modo que restringe o contexto ao próprio projeto.
Instruções personalizadas no ChatGPT permitem definir como o chatbot deve responder, com ajustes como idioma, nível de detalhes e tom dos textos. O recurso também ajuda quem costuma repetir as mesmas orientações em diferentes conversas, já que as preferências ficam associadas à conta e passam a orientar as respostas sem necessidade de reexplicar o contexto.
A configuração pode ser feita no app para Android e iOS ou na versão web/desktop, em “Personalização” e depois em “Instruções personalizadas”. O limite de caracteres varia pelo plano: contas Gratuita e Go aceitam até 1.500 caracteres, enquanto Pro, Enterprise, Business e Education chegam a 5.000; as mudanças entram em vigor imediatamente em todos os chats e podem ser editadas ou excluídas a qualquer momento.
Uma nova leva de agentes de IA permite que tarefas sejam feitas diretamente por mensagens, sem a necessidade de baixar um aplicativo. Usuários enviam comandos por iMessage, SMS ou apps como WhatsApp e Telegram, e os agentes conseguem manter contexto, conectar-se a serviços já usados e executar atividades como agendar compromissos, organizar calendários, pesquisar viagens, enviar e-mails, fazer reservas e até fazer compras online.
Entre as opções citadas estão o Caddy (em beta público desde abril de 2026), que funciona no iMessage e no RCS e adiciona eventos e lembretes ao calendário; o Fambot, voltado para famílias e com resumo diário enviado à noite; e o Instinct, que após rodadas que o levaram a US$ 10 bilhões de valuation passou a oferecer endereços de e-mail dedicados para que o agente gerencie contas e trate solicitações sem lotar a caixa de entrada do usuário.
A Anthropic lançou uma atualização do Claude que incorpora o Cowork, recurso que executa tarefas agendadas mesmo depois que o usuário fecha o laptop. A mudança chega como parte do app principal do Claude, unificando a função de jobs de longa duração em um fluxo já usado por quem trabalha com o assistente.
A atualização também entra no contexto da corrida por agentes sempre ativos: OpenAI apresentou os Dots no DevDay, Meta lançou o Muse e o xAI colocou o Grok Bot em circulação. Com isso, a Anthropic tenta aumentar o uso recorrente do Claude entre desenvolvedores e equipes que já usam a ferramenta para tarefas contínuas.
O Anthropic lançou os “Claude Mods”, permitindo que desenvolvedores alterem o look e o comportamento do Claude Code com funções em JavaScript ou TypeScript que “encaixam” em eventos do produto. Com os mods, é possível reescrever prompts antes do modelo, bloquear ou ajustar chamadas de ferramentas, tratar pedidos de permissão e até substituir partes da interface, além de adicionar novas funcionalidades.
Os mods já estão habilitados por padrão no Claude Code 2.1.287 e versões posteriores, e permanecem ativos durante a sessão para manter contexto entre eventos. A empresa também recomenda inspecionar o código por segurança, já que o mod executa localmente no computador do desenvolvedor; para times, recursos de proteção podem impedir que mods instalados contornem regras de negação de permissões.
A Google reuniu em um balanço as principais novidades de IA anunciadas em setembro de 2026, com destaque para o Gemini 4 Argon, modelo de fronteira voltado a raciocínio avançado e janela de contexto de 1 milhão de tokens. A empresa afirma que o Argon foi desenhado para lidar com desafios complexos, especialmente em defesa cibernética, e que o lançamento segue uma abordagem em fases, com rollout inicial para defensores confiáveis no Fairwind Program.
O pacote de atualizações também inclui o Gemini 3.8 Flash e 3.8 Flash Cyber, além dos modelos de áudio Gemini 3.8 Live e Gemini 3.8 Live Extended Thinking, com disponibilidade para desenvolvedores no Google AI Studio e Gemini API e para usuários em Search Live, Gemini Live e Google Workspace. A Google ainda detalhou novos recursos como Connected Apps no Gemini, modelos de música Lyria 3.5, ferramentas do Gemini Notebook e a expansão do CC em Google Labs para um agente colaborativo com controles de privacidade.
:quality(85)/560a9e14-777c-4b77-9555-99b04f552f77.png)
:quality(85)/caa565f6-c377-4023-9d75-750c505f2401.png)
:quality(85)/483c949e-c9ea-41be-b2a9-e0fcfe03b894.png)
:quality(85)/fcabefb8-32c9-4c83-8447-3eec7881f698.jpg)
