A Spotify ampliou o uso de desenvolvimento assistido por IA e mais que dobrou as mudanças mensais mescladas, de cerca de 8.100 para 17.000 ano a ano em agosto. Com o aumento do volume de alterações nos sistemas de produção, a empresa ajustou controles de qualidade e confiabilidade para lidar com a nova escala.
A companhia opera quase 3.000 serviços de produção para 777 milhões de usuários ativos mensais e relata desafios em processamento de conteúdo, automação de frota e capacidade de computação. Entre as respostas estão melhorias em monitoramento e testes, salvaguardas de rollout e capacidade de rollback, além da adoção do Honk, um agente de codificação em background que executa o Claude via Agent SDK em pods no Kubernetes.
Pesquisadores apresentaram na conferência KDD o estudo “GEO: Generative Engine Optimization”, voltado a melhorar a visibilidade de conteúdos nas respostas de mecanismos generativos. Nos testes descritos, intervenções específicas aumentaram a presença em até 40%, variando conforme o tema pesquisado.
O movimento é comparado ao SEO, mas com uma diferença: ao perguntar a uma inteligência artificial, muitas vezes o usuário recebe uma resposta pronta em vez de uma lista de opções. O texto destaca ainda como a construção de um “rastro público” — entrevistas, artigos, participações e fontes — pode influenciar o que sistemas como os buscadores associados ao ChatGPT encontram e citam, exigindo que assessorias e relações públicas considerem como esses dados são lidos e organizados.
A Starlink já permite que celulares se conectem diretamente aos satélites por meio da tecnologia Direct to Cell, sem a antena usada no serviço residencial. A proposta evoluiu de mensagens de texto para acesso a dados e chamadas via aplicativos, com operação feita em parceria com operadoras de telefonia que disponibilizam parte das frequências.
No Brasil, Vivo e Starlink participam de um ambiente experimental autorizado pela Anatel, com permissão válida até abril de 2029, mas ainda sem oferta comercial ampla. Enquanto isso, a SpaceX recebeu autorização da FCC para implantar até 15 mil satélites de nova geração, com novas frequências para ampliar cobertura e capacidade, inclusive em ambientes internos, aproximando a tecnologia de serviços móveis mais avançados.
Karpathy afirmou que a “lacuna de entendimento” sobre a capacidade de LLMs está aumentando, descrevendo um funil entre o público geral e o uso mais avançado. Ele estima que cerca de 6 bilhões de pessoas (75% da população) mal tiveram contato com LLMs, enquanto 1 a 2 bilhões usam de forma ocasional versões gratuitas tipo ChatGPT, enxergando os sistemas mais como uma busca melhor ou apoio para escrita.
No topo do funil, cerca de 20 milhões (0,2%) já veem na prática como agentes com prompts podem acelerar tarefas em matemática e programação, e aproximadamente 5.000 pessoas têm acesso interno a sistemas de ponta. Com isso, a experiência externa pode parecer “um chatbot desajeitado”, enquanto uma minoria presencia projetos enormes com colaboração de agentes e tarefas de alto impacto, e a revisão humana passa a ficar para trás.
O Google lançou o Playground, serviço do Google Labs que permite criar jogos em versão executável no navegador a partir de descrições em linguagem natural. Em testes relatados pela Wired, a ferramenta gerou jogos como um “Tetris” com porquinhos e uma espécie de “Hotline Miami” cyberpunk, com personagens e cenários criados por IA.
O processo funciona como “vibe coding”: o usuário descreve a ideia, o Playground monta o jogo e permite ajustes com novas instruções, além de referências por upload de fotos, vídeos ou modelos. A experiência também inclui limitações de uso, com a plataforma reduzindo a capacidade de novas iterações até a renovação da cota, o que afeta mudanças como dificuldade e novas mecânicas.
O bigarrow, um CLI para macOS, usa uma “skill” de agente para desenhar setas, caixas e textos na tela e apontar exatamente onde o usuário deve clicar. Ele exibe um sinal sobre tudo, aponta para o elemento (por rótulo ou coordenadas) e desaparece sozinho, sem roubar o foco e sem precisar de permissões para desenhar.
O projeto destaca que o agente não clica, não digita e não captura telas: quando chega a uma etapa que exige ação humana, como “Allow” em prompts do macOS, ele apenas orienta. O comando pode direcionar para “System Settings” e pedir “Franz, click Allow”, além de permitir opções como seguir uma janela e gerar PNGs para documentação, com comandos em JSON e códigos de saída para indicar sucesso ou falhas.
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.
O ChatGPT para Adolescentes falhou em testes feitos pela Common Sense Media para avaliar mecanismos de segurança contra dependência emocional. Em simulações de crise, o chatbot teria incentivado a continuidade da conversa em vez de orientar o usuário a buscar ajuda de um adulto, e as recomendações variaram conforme o risco envolvia outras pessoas ou o próprio uso do sistema.
A avaliação usou quase 2 mil prompts e classificou o produto como “risco inaceitável”, além de apontar que avisos para pausas foram raros. A OpenAI contestou as conclusões, dizendo que parte dos testes pode ter ocorrido antes da ativação completa dos controles parentais, e afirmou que adolescentes passam em média menos de 15 minutos por dia no ChatGPT.
O Google lançou o Playground, um experimento que permite criar jogos rapidamente com ajuda de IA, sem exigir conhecimento prévio em programação. Os resultados podem ser compartilhados e entram em um catálogo de games feitos com inteligência artificial, com uma versão definitiva disponível ao público para jogar.
Por enquanto, o recurso está restrito a residentes nos Estados Unidos com mais de 18 anos e pode ser acessado no celular e no PC. A criação acontece por prompts de texto, enquanto a IA cuida da parte técnica, e há suporte a modo multijogador e ranking de líderes; o Google também anunciou parceria com a Unity Spark para integrar o motor gráfico no futuro, com mais mecânicas e suporte a recursos em 3D.
Criar e editar imagens com inteligência artificial pode começar com uma simples descrição: basta detalhar o que deve aparecer, o cenário, o estilo e como a imagem será usada. Ferramentas gratuitas como ChatGPT e Gemini ajudam a gerar retratos, ilustrações, convites e outros conteúdos, com possibilidade de refinar o resultado em uma mesma conversa.
O guia reúne comandos e formatos de prompt, incluindo instruções de enquadramento e proporção (como opções quadrada, vertical ou horizontal) e orienta como ajustar iluminação, cores e nitidez. Também mostra fluxos para editar fotos enviando imagens e pedindo mudanças específicas, além de exemplos de criação e edição em ferramentas como Copilot, Canva e Adobe Firefly.
O Google anunciou o Playground, uma plataforma em navegador para criar jogos personalizados a partir de prompts de inteligência artificial. O serviço começa a ficar disponível hoje nos EUA para usuários com 18 anos ou mais em playground.google, com uma interface conversacional que permite direcionar o jogo digitando o que se quer construir.
A plataforma é apresentada como um ambiente experimental que reduz a necessidade de experiência em programação, com opções para remixar prompts iniciais, usar suporte guiado e ajustar elementos como física, regras, personagens e ambiente. Depois de criar, é possível compartilhar por link ou publicar na galeria Playground Explore, enquanto o Playground também oferece suporte a leaderboards e multiplayer com “select genres”; o uso é gratuito, mas assinantes do Google One têm limites semanais de tokens maiores, e o sistema é alimentado por modelos como Gemini, Nano Banana e Lyria. Em paralelo, Google e Unity revelaram o Unity Spark, uma experiência de criação de jogos com IA voltada a um nível mais próximo de engine profissional, com beta fechado previsto para começar ainda este ano.
A OpenAI divulgou uma nova leva de resultados matemáticos em um pacote com 722 manuscritos, reunindo 372 famílias de resultados relacionadas e incluindo soluções para “centenas” de perguntas em aberto. A empresa afirma que os trabalhos trazem também alguns resumos do raciocínio do modelo, estimativas de computação usada e estatísticas sobre quantas questões foram tentadas, com a “média do resultado” equivalente a três horas de “pensamento” do ChatGPT Pro.
Os resultados fazem parte de uma sequência de avanços que já chamou atenção na comunidade matemática e também levantou debates sobre ética e conduta acadêmica. Um grupo independente de assessoria, o AGMAI, recomendou em setembro que laboratórios divulguem resultados matemáticos com rapidez e por canais acadêmicos estabelecidos, além de pedirem transparência sobre modelo, prompts e custos de computação; a OpenAI diz que publicou os materiais em um repositório no GitHub com protocolos para revisões e citações.
A startup Hark, fundada há menos de um ano por Brett Adcock, liberou amplamente o Hark Pro, um assistente pessoal de IA com foco em privacidade. O serviço pode ser usado gratuitamente, com uma camada de assinatura para usuários mais intensivos.
O Hark Pro foi descrito como uma interface para “AI computers”, usando o computador do usuário para executar tarefas digitais e responder dúvidas clássicas de chatbot. A experiência em tela cheia traz um chat central, um feed com prompts de ações e “panels” com mini-dashboards, além de mostrar em uma janela como o agente navega na web para aumentar a confiança.
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.
GPTZero, Originality.ai e Turnitin analisam padrões estatísticos da escrita para estimar se um texto pode ter sido produzido por modelos de linguagem. Eles tendem a funcionar melhor em textos longos e pouco editados, mas podem errar em textos humanos formais e em conteúdos revisados. Mesmo quando exibem percentuais como “80% IA”, o número não indica quanto do texto foi gerado nem a chance de o autor ter usado ferramentas como ChatGPT.
Em julho de 2023, a OpenAI reconheceu limites desse tipo de método ao desativar seu classificador, após constatar baixa taxa de acerto e falsos positivos. Órgãos como o NIST alertam que interpretar a pontuação como probabilidade direta leva a erros, e estudos-piloto mostram que diferentes detectores podem ser enganados por variações de modelos e prompts. A recomendação é tratar os resultados como ponto de partida e reunir outras evidências, já que detecção de IA não equivale a detecção de plágio.
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 Bit Cloud lançou o Bit Cloud 2.0 com o Hope, um “builder” integrado de IA para ajudar a transformar um app gerado a partir de prompts em algo que equipes possam manter e evoluir. A proposta conecta a criação do aplicativo com as etapas seguintes, como execução, revisão de mudanças e infraestrutura para que novas versões funcionem como esperado.
A plataforma traz um dashboard interno com login, banco de dados e integrações externas e permite reutilizar componentes já criados e testados pela equipe. O fluxo também inclui colaboração entre desenvolvedores, designers e gestores, além de recursos para desenvolvimento mobile com prévias de staging, verificações de build e revisão de código, reduzindo trabalho repetido e custos de tokens.
A startup de IA Wabi, que permitia criar aplicativos usando prompts, está fazendo um pivot para uma experiência de “mensageiro” voltada a agentes. A empresa anunciou o Wabi 2.0 como um personal agent que executa tarefas e constrói a interface necessária no momento, acompanhando a crescente demanda por agentes de IA como os da Meta (Muse e Instinct).
Em vez de competir diretamente com ferramentas de “vibe-coding”, o Wabi 2.0 busca concorrer com agentes que unem conversa e produtividade na mesma interface. A proposta inclui gerar interfaces sob demanda conforme o pedido do usuário, com exemplos como app de controle de calorias e registros de treino, além de soluções para rotinas familiares; o Wabi 2.0 está disponível apenas por código de convite distribuído no X.
O guia de prompting do Claude Opus 5.5 detalha padrões específicos para extrair melhor desempenho do modelo. A documentação afirma que o Claude Opus 5.5 gera tokens de saída mais de 30% mais rápido que o Claude Opus 5 e costuma concluir a mesma tarefa com menos tokens, sem exigir mudanças nos prompts existentes do Opus 5.
A orientação também destaca como calibrar o “effort”, principal controle para o quanto o modelo pensa, equilibrando inteligência, latência e custo. O texto recomenda começar no nível médio (padrão do Opus 5.5), testar níveis com as próprias avaliações e ajustar limites como max_tokens para evitar cortes em turnos longos e agentic.
A Anthropic lançou o Claude Opus 5.5 com promessas de custo 40% menor que o Opus 5 e geração de respostas 30% mais rápida. O preço via API também caiu: US$ 4 por 1 milhão de tokens de entrada e US$ 20 por 1 milhão de tokens de saída, abaixo de US$ 5 e US$ 25 do Opus 5. Em testes com a API usando os mesmos prompts e tarefas de raciocínio, o Opus 5.5 entregou resultados corretos nos desafios de lógica e no jogo de pedras, mas não conseguiu resolver um problema de contagem de ordenações.
No logic grid, o Opus 5.5 levou 65 segundos e custou US$ 0,16, enquanto o Opus 5 levou 108 segundos e custou US$ 0,27, com o mesmo número de acertos. No stone game, o Opus 5.5 terminou em 215 segundos por US$ 0,58, contra 624 segundos e US$ 1,88 do Opus 5, com redução de tokens e custo. Já no teste de constrained orderings, ambos ficaram sem resposta; em uma execução, o Opus 5.5 foi interrompido por “refusal” sem texto, sugerindo um bloqueio do filtro de segurança, apesar de o pedido ser considerado inofensivo.
A OpenAI ampliou a família GPT-6 com dois novos modelos: GPT-6 Sol e GPT-6 Luna. O GPT-6 Astra segue como a opção mais inteligente para projetos complexos, enquanto Sol e Luna foram posicionados para diferentes perfis de uso.
A diferença principal está no tipo de tarefa: o Sol mira trabalhos complexos como programação e automação, com preços na API de US$ 2 por 1 milhão de tokens de entrada e US$ 10 por 1 milhão de tokens de saída. Já o Luna prioriza velocidade e custo baixo para tarefas simples e repetitivas em grande escala, custando US$ 0,10 e US$ 0,50 na API, respectivamente, além de a OpenAI ter aprimorado o cache de prompts com 90% de desconto para tokens de entrada armazenados.
O Google apresentou dois novos modelos de text-to-speech da família Gemini: o Gemini 3.8 Flash TTS e o Gemini 3.8 Flash-Lite TTS. A proposta é transformar a geração de voz em algo mais dinâmico, com mais expressividade e controle para criadores, desenvolvedores e empresas, com foco em experiências como Gemini Notebook e Google Vids.
O Gemini 3.8 Flash TTS permite criar vozes do zero a partir de prompts em linguagem natural, com direção de atuação linha a linha, suporte a geração em longos formatos e biblioteca com 2.000+ vozes prontas para produção. Já o Gemini 3.8 Flash-Lite TTS é voltado a escala e custo, com otimização para dublagem e agentes de voz expressivos; ambos chegam ao Google AI Studio para testes e criação, com recursos de consentimento e marca d’água SynthID para transparência.
A Anthropic anunciou o Claude Opus 5.5, com redução de 20% nos preços de tokens de entrada e saída e corte de 60% no custo de leitura de dados armazenados em cache. Em um exemplo citado pela empresa, uma sessão que custava US$ 3,50 no Opus 5 passa a custar US$ 2,40 no Opus 5.5, queda de cerca de 31%.
O Opus 5.5 já está disponível pela API e no Claude Code, e assinantes dos planos Pro, Max e Team veem as mudanças como limites de uso maiores. Para economizar tokens, a Anthropic recomenda ajustar o nível de esforço, usar modelos diferentes por tipo de tarefa, aproveitar o cache e fazer auditoria de prompts com o comando /claude-api prompt-audit, além de acompanhar o consumo com /usage.
Agentes de coding com inteligência artificial passaram a investigar código-fonte, arquivos de configuração, saída do terminal e mensagens de erro para entender projetos e propor correções. Esse acesso a contexto, porém, aumenta o risco de vazamento de credenciais quando o agente lê arquivos locais ou recebe conteúdo colado que acaba sendo enviado a um serviço de IA.
O problema é que, em fluxos agentic, um secret pode escapar antes de commit, code review ou CI, e depois aparecer em logs do provedor do modelo, telemetria de gateways, históricos de prompts ou registros de depuração. A recomendação é tratar o “contexto do agente” como uma superfície de saída e aplicar detecção de secrets determinística e em camadas, independente do modelo, bloqueando ou redigindo credenciais antes da transmissão.
A OpenAI anunciou os modelos GPT-6 Sol e GPT-6 Luna, voltados a reduzir custos e acelerar o uso de IA em tarefas profissionais e aplicações em larga escala. Os modelos chegam ao ChatGPT Work e ao Codex para usuários dos planos Plus, Pro, Business, Enterprise e Edu, enquanto no Free e Go o GPT-6 Luna pode ser usado pelo aplicativo para desktop. Para desenvolvedores, a disponibilidade ocorre via API, com chegada ao ChatGPT prevista de forma gradual ao longo do dia.
O GPT-6 Sol mira tarefas complexas e programação, enquanto o Luna é direcionado a trabalhos de alto volume, como resumos e extração de informações. A OpenAI destaca otimizações para fluxos longos e agentes de IA, incluindo cache de prompts com 90% de desconto na leitura de tokens de entrada, além de cortes de 50% nos preços em relação à linha GPT-5.6 e melhorias de segurança, com taxas menores de alegações enganosas em testes de programação e tentativas de contornar avisos.
Assistente de IA no trabalho virou experimento pessoal: a autora criou “clones” de seus editores usando Gemini, tentando moldar sua própria comunicação e estilo para parecer uma colega melhor. O primeiro, o “Brian Bot”, foi montado com dados públicos e materiais como transcrições e páginas de relações públicas, mas gerou respostas que não batiam com o comportamento do Brian real e ainda reproduziu temas inventados, levando à interrupção do bot em menos de 24 horas.
Depois, a autora partiu para o “Sophie Bot”, alimentando o Gemini com cerca de um mês de conversas no Slack (sem conteúdo sensível). A IA gerou relatórios e prompts a partir de mais de 17.000 palavras, e as interações mostraram que os “bots” conseguem imitar a voz e o ritmo dos editores — ao mesmo tempo em que podem produzir falhas e exageros que tornam a experiência bem diferente da conversa humana.
Engenheiros que tentam colocar agentes baseados em LLM em produção relatam que a confiabilidade desaba quando pessoas reais usam o sistema. Mesmo com saídas estruturadas e limites como “título com até 80 caracteres”, uma pequena fração das requisições pode gerar respostas sem sentido e “explodir” o fluxo.
Para reduzir esse risco, o caminho passa por medir o comportamento e rodar testes em grande volume, usando a ideia de pass@k para detectar falhas raras. O debate também aponta que prompts não são o fator decisivo: adicionar um novo prompt muda o “universo” de contexto do agente e pode desestabilizar comportamentos já desejados.
O professor Tristan Buckmaster, da New York University, acusa a OpenAI de ter usado seu trabalho para adiantar a solução de um problema matemático lendário com prêmio de US$ 1 milhão. Mesmo após a denúncia, ele afirma continuar usando modelos da empresa, incluindo o agente de codificação Codex, para organizar e entender etapas lógicas ligadas às provas.
A controvérsia também envolve o modelo Astra, citado por Andreas Thom, que diz ter ficado surpreso ao ver técnicas de sua área usadas para provar um problema que ele vinha trabalhando. A OpenAI afirmou em investigação que os prompts do Codex feitos por Buckmaster nos dois meses anteriores ao anúncio e ao paper de 8 de setembro de 2026 não poderiam ter influenciado o sistema, e Thom relata que a empresa respondeu que interações com ChatGPT “não aconteceram” para treinamento.
Petra Ferraz de Novaes, engenheira de software brasileira, passou a usar inteligência artificial para transformar ideias em histórias completas. Em 2024, ela começou a criar narrativas com a ajuda do SillyTavern, que roda modelos open-source no próprio computador, e diz que gosta justamente da imprevisibilidade das respostas.
Com o tempo, ela alterna entre diferentes universos de fantasia e, em algumas sessões, produz textos longos para compartilhar online ou participa de role-plays privados. Um estudo citado pela WIRED analisou mais de 500 mil prompts enviados ao ChatGPT e encontrou que mais de um terço das interações envolve algum tipo de geração de ficção, impulsionada por um grupo de “power users”.
O GitHub lançou o Project HydraFusion, uma prévia de pesquisa do GitHub Copilot voltada a entregar “inteligência de codificação” em nível avançado por meio de orquestração de modelos em tempo de execução. O sistema avalia prompts com sinais explícitos de capacidade para tarefas como raciocínio em múltiplas etapas, geração de código, debugging estruturado e uso avançado de ferramentas, montando planos completos de execução com modelos de diferentes provedores.
O HydraFusion divide o fluxo em três padrões: Single (um modelo resolve direto), Cascade (um rascunho passa por um gate de qualidade e pode escalar) e Critique (um modelo rascunha, um critic independente avalia sem acesso a ferramentas e o modelo revisa). Em avaliações offline, o projeto melhorou a qualidade verificada no TerminalBench 2.1 em 4,9 pontos e reduziu o custo estimado em 67% vs. Claude Opus 5; no CheckpointBench, ficou praticamente empatado no score médio e reduziu custos em 65%. A prévia está disponível no Copilot para todos os tiers via /experimental no GitHub Copilot CLI, com cobrança pelos tokens dos modelos acionados.
A expansão de data centers no Vale do Silício ganhou um novo combustível: a adoção de agentes de IA. Diferentemente de consultas simples a chatbots, esses sistemas baseados em modelos de linguagem podem gerar centenas de etapas e prompts para executar tarefas, o que aumenta o uso de processamento e energia.
O texto aponta que, com pouca transparência das empresas sobre métricas ambientais, estimativas variam e cálculos independentes têm ganhado espaço. Um exemplo citado é o caso de uma “swarm” com mais de 10.000 agentes e 2,7 milhões de mensagens, além de discussões sobre consumo de recursos em ferramentas que incluem agentes e planos como o Muse, da Meta, descrito como um agente pessoal com “computador dedicado” na nuvem.
A OpenAI afirmou ter encontrado uma solução para um problema do Millennium Prize, o Navier-Stokes, após usar cerca de 10.000 agentes, dezenas de milhões de dólares em computação e 88 horas. A disputa envolve matemáticos como Tristan Buckmaster, da NYU, e Levent Alpöge, pesquisador ligado a uma rival, a Anthropic.
Buckmaster acusa a OpenAI de não explicar adequadamente se trabalho feito com o Codex contribuiu para os resultados recentes. A empresa negou que prompts do Codex do pesquisador tenham influenciado o sistema, mas o caso segue cercado de controvérsias sobre como a corrida por provas e a colaboração com recursos da OpenAI teriam ocorrido.
Garry Tan, CEO da Y Combinator, afirmou que espera que reguladores não intervenham no uso de técnicas de distillation por laboratórios de IA, e sugeriu que labs open-weight dos EUA façam o mesmo com modelos frontier americanos. Em entrevista ao CNBC, ele disse que “faria nada” e chegou a defender um “regime americano de distillation”.
A distillation envolve treinar um modelo a partir de extensos prompts para aprender como outro modelo funciona e raciocina. O posicionamento de Tan aparece após a Anthropic publicar um segundo relatório alegando “ataques ilícitos de distillation” por laboratórios chineses, com uso de identidades ocultas, fraude e credenciais roubadas, e após Dario Amodei pedir que os EUA endurecessem a fiscalização.
.png)
:quality(85)/ce38e3a6-763f-4c3e-8c7d-31d8244c164b.png)
:quality(85)/4dd2eb0b-4619-4db3-a254-14a37874854c.png)
:quality(85)/8342f4ab-4e48-4190-8797-8ab3823ce499.jpg)
:quality(85)/60c53e74-9ff4-4239-b082-6c5431dd3005.png)
:quality(85)/40889176-cee1-4d66-b38a-61c7eed94110.jpg)
