A Apple anunciou o HomeView, uma tela inteligente de 7 polegadas que reúne entretenimento, videochamadas e controle da casa inteligente. O dispositivo estreia uma nova versão da Siri com inteligência artificial e respostas personalizadas para os moradores.
O HomeView custa US$ 299 nos EUA (cerca de R$ 1.490) e chega às vendas em 13 de novembro em mercados como Estados Unidos, Canadá, Reino Unido, Austrália, Índia e Nova Zelândia, sem previsão para o Brasil no lançamento inicial. A interface ajusta brilho e informações conforme a iluminação e a distância do usuário, identifica até seis pessoas por reconhecimento facial e integra funções como chamadas FaceTime, comandos de voz e monitoramento de até nove câmeras.
A Apple anunciou a nova geração da Apple TV 4K com inteligência artificial integrada à Siri, chip A19 e suporte a som surround com quatro alto-falantes. A assistente fica mais “conversacional”, ajudando a encontrar filmes e séries por interface em tela cheia, com cartazes e recomendações ligadas ao que o usuário pede.
A Apple TV 4K também traz três microfones de longo alcance para controlar a reprodução e buscar conteúdos sem segurar o controle remoto, além de descrições de vídeos e resumos de notificações gerados por IA com processamento local via HomeKit Secure Video. No mesmo evento, o HomePod mini 2 ganhou melhorias de áudio, novas cores e suporte futuro à Siri com IA, com reconhecimento de até seis vozes e integração com Mensagens, lembretes e temporizadores.
A Apple apresentou o novo Apple TV 4K, o primeiro modelo em quatro anos, com disponibilidade a partir de sexta-feira, 13 de novembro. O aparelho traz o chip A19 e promete conectividade sem fio melhor do que a geração anterior, além de microfones integrados.
A Siri com recursos de IA será parte do lançamento, mas deve funcionar em beta nos Apple TV 4K de segunda geração e nos modelos mais novos. O novo Find My de rastreamento funciona com o controle Siri de segunda geração e mais recentes, enquanto o preço do lançamento é de US$ 299.
Um playbook de platform engineering para produção de LLMs descreve como uma camada de infraestrutura pode reduzir alucinações sem trocar o modelo base. Em um sistema de recomendação de inventário para uma grande organização do varejo, a taxa de respostas alucinatórias caiu de cerca de 15% para 1,5% ao usar um loop automatizado de retry que captura erros de formatação, grounding e infraestrutura durante a execução.
A abordagem também inclui um gate de validação de intenção que retorna “unclassified” em vez de seguir o agente com maior pontuação, evitando alucinações fora do objetivo e melhorando o roteamento em sistemas multiagente. O texto ainda destaca práticas como registrar prompts com histórico para atualizar ou reverter instruções em runtime, aplicar autorização de ferramentas com política default-deny no servidor de recursos e instrumentar taxas de alucinação e custos de tokens na entrada das requisições.
Um trabalho publicado no arXiv discute como sistemas de IA ainda são, em grande parte, “estreitos”, focados em competências limitadas como interpretação de imagens, processamento de linguagem natural e classificação. Os autores defendem que estudar mecanismos ligados à inteligência humana pode ajudar a incorporar capacidades mais amplas aos sistemas de IA. A proposta se baseia na teoria de “pensar rápido e lento” de Daniel Kahneman e descreve uma arquitetura multiagente para lidar com problemas de forma mais flexível.
Na arquitetura apresentada, problemas recebidos podem ser resolvidos por agentes do “Sistema 1”, que reagem explorando apenas experiências passadas, ou por agentes do “Sistema 2”, ativados quando é necessário raciocinar e buscar soluções além do esperado para o Sistema 1. O modelo inclui uma representação do mundo com conhecimento do domínio e uma representação de “si”, com informações sobre ações anteriores e sobre as habilidades dos solucionadores.
Agentes de IA podem ficar repetindo chamadas a ferramentas erradas sem disparar alertas de disponibilidade, dificultando a identificação do que deu errado. Em post do CNCF publicado em 4 de agosto, a StackGen descreveu como session traces e cost controls ajudam equipes a investigar loops de execução e gastos inesperados em fluxos autônomos.
A StackGen usa o Langfuse para registrar cada chamada de LLM, execução de ferramentas e delegação a subagentes como spans com latência e custos de tokens, preservando a cadeia de delegação em workflows multiagentes. O texto também recomenda limites rígidos de iterações e de chamadas por ferramenta antes da execução, bloqueios para solicitações consecutivas idênticas e métricas exportadas com cuidado para evitar alta cardinalidade, além de revisões pós-incidente com logs pesquisáveis e ferramentas de diagnóstico via linha de comando.
O TradingAgents, framework multiagentes para trading com LLMs, teve a versão v0.4.0 lançada com correções de look-ahead e ajustes de “point-in-time” em fontes como FRED (macro), sentimento social e memória de decision-log. A atualização também inclui sinais de decisão mais claros, retomada de checkpoints via CLI, grounding de preço do trader e suporte aos modelos GPT-5.6 e GLM-5.3, com lista completa no CHANGELOG.md.
O projeto foi totalmente aberto no GitHub e organiza papéis especializados, como Fundamentals Analyst, Sentiment Analyst, News Analyst, Technical Analyst, além de equipes de risco e um Portfolio Manager que aprova ou rejeita propostas de transação. O TradingAgents é voltado a pesquisa e não se destina a aconselhamento financeiro, investimento ou trading, com desempenho variando conforme modelos, parâmetros e qualidade dos dados.
A Nvidia expandiu a família Nemotron com o Nemotron 3.5 Lightning, descrito como o modelo mais eficiente da categoria para cargas de trabalho agentic de longa duração. Com 30 bilhões de parâmetros e arquitetura mixture-of-experts, ele foi projetado para tarefas especializadas dentro de sistemas multiagentes e pode ser personalizado com dados e fluxos da organização.
Junto ao Lightning, a empresa lançou o NeMo Switchyard, uma biblioteca open source para roteamento inteligente em ferramentas de agentes. Ela direciona automaticamente cada solicitação ao modelo mais adequado para a etapa do fluxo, sem exigir que desenvolvedores reescrevam as aplicações, e pode operar em PCs, workstations, data centers e na nuvem.
O palestrante Arun Joseph, ex-head de AI Engineering da Deutsche Telekom, apresentou como arquitetar sistemas de IA para o contexto real de grandes empresas. Ele citou a plataforma open source LMOS (Language Models Operating System), que foi ao ar em 2023 e depois passou para a Eclipse Foundation, continuando em operação na Deutsche Telekom em vários países. A discussão também incluiu a evolução para sistemas multiagentes e exemplos de “operational intelligence”, como reduzir downtime em operações com máquinas pesadas ao integrar dados de IoT, telemetria, SOPs e incidentes.
A mensagem central é que, em vez de começar do zero, empresas precisam de uma camada que conecte modelos e automação aos sistemas e processos existentes para gerar resultados mensuráveis. Para devs e times de engenharia, isso reforça a importância de arquiteturas orientadas a agentes, com decisão e automação apoiadas por dados internos, além de uma base técnica que facilite handover e execução multiagente em escala.
