Modelos menores de inteligência artificial podem estar a poucos meses de conseguir se replicar em dispositivos conectados à internet sem ajuda humana, segundo alerta da Anthropic. A empresa testou essa capacidade em aparelhos como televisores com Android e eletrodomésticos inteligentes.
O avanço chama atenção para os riscos de disseminação automática de IA em ambientes do dia a dia, fora do controle direto de usuários. Com a replicação em dispositivos domésticos, cresce a necessidade de avaliar segurança e limites para esse tipo de tecnologia em produtos conectados.
A Meta anunciou a série de modelos de inteligência artificial Muse Wonder, com versões Muse Wonder e Muse Wonder Full, voltadas a executar tarefas complexas com mais autonomia. Os agentes contam com memória entre conversas e conseguem manter um objetivo mesmo diante de erros, com aplicações que vão de organização de finanças pessoais à análise de contratos e ao desenvolvimento de softwares.
O Muse Wonder já está disponível para desenvolvedores e criadores via Meta Model API e Muse Code, enquanto o Muse Wonder Full é exclusivo para assinantes do Muse Code. A Meta diz que os modelos usam Active Memory para recuperar informações relevantes de interações anteriores e Active Focus para perseguir objetivos, testar abordagens, corrigir erros e solicitar confirmação do usuário antes de ações importantes, além de reforçar segurança e proteção de dados.
Um engenheiro da OpenAI é acusado de esconder um dispositivo de gravação de áudio em um pedaço de papel higiênico e instalá-lo atrás de um monitor em uma sala de reuniões executivas em um escritório em São Francisco. Segundo uma queixa criminal tornada pública, Abdulrahman Alfozan teria passado semanas consultando um “productivity agent” e um chatbot de IA para planejar a operação, incluindo o uso de uma ferramenta interna para checar reuniões no local.
A acusação também afirma que ele teria usado uma conta de chatbot ligada à esposa para tirar dúvidas técnicas sobre a instalação do equipamento. Após uma varredura de contravigilância em 30 de setembro, a equipe de segurança da OpenAI encontrou o dispositivo e acionou o FBI, além de desativar gradualmente o acesso de Alfozan aos sistemas da empresa durante a investigação.
O padre Paolo Benanti, conselheiro da Igreja Católica em temas de IA, criticou a forma como grandes laboratórios tratam o debate sobre segurança e controle dos sistemas. Para ele, a discussão sobre “superinteligência” e risco existencial pode desviar a atenção da necessidade de limitar e regular as empresas que desenvolvem a tecnologia, mantendo a ética fora das decisões internas das companhias.
Benanti defende “regulação democrática” e afirma que, quando um pequeno grupo de empresas define as regras da indústria, isso se parece com um “cartel”. Ele também cita propostas do setor, como avaliações obrigatórias por terceiros antes do lançamento e medidas contra processos como a distilação, além de destacar que o Papa publicou uma encíclica sobre IA pedindo colaboração internacional e desenvolvimento voltado ao bem comum.
O LinkedIn detalhou a infraestrutura de treinamento por trás da busca de empregos com IA, com uma pipeline de multi-teacher distillation que comprime conhecimento de modelos grandes em um modelo de ranking com 0,6B de parâmetros. A empresa destaca que o ganho de velocidade vem principalmente do trabalho de sistemas: um framework customizado sobre SGLang serve os modelos teacher diretamente no loop de treinamento.
No processo, o LinkedIn criou a Online Multi-teacher Distillation, em que um cliente assíncrono consulta os teachers durante o treino e usa as saídas para compor as perdas de distilação; ao escalar com réplicas locais, a distilação ficou 3x mais rápida. Para reduzir custos e evitar cálculos repetidos, a empresa também usa a Offline Multi-teacher Distillation, pré-computando as saídas dos teachers e reutilizando-as no treinamento, além de otimizações como LiGer, multi-node training, FSDP2 e clusters H200, que somam um speedup de cerca de 8x.
A Moonshot AI, um dos principais laboratórios de IA da China, mira US$ 2 bilhões em receita anualizada até o fim do ano, segundo reportagem da Bloomberg. A meta representa o dobro do ritmo de receita divulgado para agosto e é impulsionada pelo desempenho do modelo K3, lançado neste verão.
Apesar de o uso do K3 ter caído levemente nos últimos meses, dados do OpenRouter indicam até 300 bilhões de tokens gerados por dia pelos modelos K3 na plataforma. A projeção ainda fica muito abaixo de OpenAI e Anthropic, mas reforça a tese de que modelos open-weight podem gerar receita; ao mesmo tempo, a empresa enfrenta acusações da Anthropic sobre uma campanha de distilação que teria redirecionado cerca de 300 mil solicitações do Kimi para o Claude Opus, com mais de 23 milhões de respostas usadas no treinamento.
Um novo relatório da Anthropic afirma que empresas de IA baseadas na China intensificaram ataques de distilação para contornar defesas e “harvestar” capacidades de modelos de fronteira dos EUA. O documento diz que as campanhas miraram recursos do Claude, incluindo uso de ferramentas, capacidades agentic, codificação, análise de dados e raciocínio lógico.
A Anthropic relata quase 200 milhões de trocas associadas a cinco campanhas, com destaque para a atribuída à Alibaba: 151 milhões de exchanges entre maio e julho de 2026, com pico de quase 3 milhões por dia e distribuídas em 3.500 contas. O relatório também cita uma campanha da Moonshot AI, ligada ao Kimi, que teria roteado cerca de 300 mil solicitações em 10 dias via 5.000 contas, com pedidos envolvendo análise de vídeos de vigilância e foco no modelo Opus.
A indústria de IA usa o conceito de “efficient frontier” para descrever tradeoffs entre custo e capacidade dos modelos, e aplica a mesma lógica à inferência. Na prática, engenheiros de inferência ajustam pontos do sistema entre latência e throughput para reduzir custos, ou trocam qualidade por throughput com técnicas como quantização, distilação e poda.
O texto também separa abordagens que apenas movem o deployment ao longo da fronteira das que empurram a fronteira inteira, liberando mais eficiência para decidir onde alocar ganhos. Entre os exemplos citados estão batch sizing, estratégias de paralelismo (como Tensor Parallelism, Expert Parallelism e Attention Data Parallelism), além de otimizações de kernels e runtime e o uso de speculative decoding para aumentar desempenho no ciclo de geração.
A Anthropic lançou o Claude Fable 5.1 com uma assinatura estatística embutida no texto gerado, baseada na tecnologia SynthID-Text. A empresa afirma que a marca d’água não deve aparecer com a mesma força em tudo o que o modelo produz, porque o sistema ajusta a aleatoriedade usada para escolher os próximos tokens. Em respostas longas, essas escolhas podem formar um padrão detectável, mas em código a marca pode não ser aplicada quando um token diferente pode comprometer a precisão.
A atualização também altera como o Claude lida com “thinking blocks” preservados via Messages API, limitando a transferência desses blocos para conversas modificadas. A restrição vale para novas contas criadas a partir de 31 de agosto em Claude Platform, Amazon Bedrock, Google Cloud Vertex AI e Microsoft Azure Foundry, para reduzir riscos ligados à exposição de raciocínio e à distilação. Para desenvolvedores que constroem agent harnesses, a orientação é manter os blocos e o contexto byte a byte, ajustando a gestão do estado de raciocínio quando houver mudanças no histórico.
Pesquisadores de universidades e institutos na Alemanha e parceiros identificaram um método para extrair o “pensamento” oculto (chain of thought) usado por modelos de IA de ponta ao resolver problemas complexos. O trabalho indica evidências, embora não conclusivas, de que alguns modelos chineses podem ter sido treinados por distilação de raciocínio de modelos dos EUA, além de demonstrar que a técnica pode recuperar dados pessoais como senhas e chaves de API a partir do raciocínio interno do modelo.
A equipe afirma que a vulnerabilidade foi encontrada em modelos de OpenAI, Anthropic e Google acessados via API, e que “todos os principais provedores de modelos de fronteira” testados compartilham o problema. Segundo os autores, as empresas ajustaram as APIs para mitigar a extração de informações privadas, mas ainda pode ser possível descobrir alguns traços de raciocínio; o estudo também levanta preocupações sobre ataques de distilação em larga escala.
