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.
A Logitech G lançou o Blue Yeti 2, sucessor do microfone USB Blue Yeti, com upgrades voltados a criadores de conteúdo. O modelo traz um display LED interativo, remoção de ruído com IA e um sensor de voz por proximidade que acompanha a fala em 3D para ajustar automaticamente ganho, EQ e o padrão de captação conforme a distância do usuário.
O Blue Yeti 2 oferece captura em até 24-bit/48 kHz e inclui DSP integrado para melhorar a clareza sem depender de software adicional. O microfone chega nas cores preto e branco por US$ 159,99 e mantém um design semelhante ao do OG Yeti, agora com o sensor para reduzir a confusão comum de falar na parte superior do equipamento.
Patti Harrison, comediante trans, afirmou que o clima atual nas redes sociais tem levado as pessoas a um “silo” de fala limitada e fortemente censurada. Em entrevista à WIRED, ela também relacionou a sensação de confusão sobre o que é real ao avanço do “AI slop”, descrevendo como isso pode aumentar a dissonância cognitiva e levar parte do público a desistir de acompanhar o que acontece.
Harrison disse ainda que a mistura entre consumo de notícias e dinâmica de redes sociais incentiva posicionamentos inflamatórios para obter compartilhamentos. Para ela, a comédia e a arte precisam se basear em verdade, mas o desafio é como abordar realidades mais duras sem transformar tudo em piada fácil ou em ataques a grupos como pessoas trans.
RAG tradicional busca conteúdo em uma base de conhecimento e usa o material para embasar a resposta do modelo, mas sistemas reais precisam de mais controle sobre onde e como pesquisar. No “agentic RAG”, um agente reescreve a pergunta e decide fontes e estratégias de busca, combinando buscas lexical, semântica e por grafo, além de fusão de scores, reranking e descarte de resultados fracos.
O texto destaca que mais decisões aumentam a necessidade de um “evidence trail” claro: o sistema deve registrar o caminho de busca, mostrar o que pesquisou e por que aceitou uma fonte, além de informar o que não conseguiu verificar. Também é recomendado guardar consultas reescritas, filtros, IDs das fontes, timestamps e motivos de cada ramificação, com testes de replay para engenheiros entenderem por que uma fonte foi válida ou rejeitada.
Restaurantes, cafés e marcas têm recorrido cada vez mais a geradores de imagens com IA para promover comida — mas os resultados frequentemente aparecem com estruturas deformadas, como “donut shrimp”, massas em formato de verme e até itens que parecem materiais de construção disfarçados de sobremesas. As imagens também podem apresentar padrões com muitos buracos, rachaduras e texturas que lembram outros contextos visuais.
Especialistas apontam limitações dos modelos de difusão: eles começam com ruído e vão removendo-o aos poucos, recuperando primeiro estruturas mais grosseiras e deixando detalhes finos para o fim. Segundo pesquisadores citados, esses sistemas tendem a falhar justamente em geometrias finas e contínuas, como macarrão e fios, além de reproduzirem “o visual” da fotografia sem compreender o que é comida no mundo real.
Menus gerados por inteligência artificial têm chegado a restaurantes com ilustrações que parecem “perfeitas demais”, simétricas e suavizadas, levando clientes a desconfiar mesmo sem conseguir explicar o motivo. O problema aparece tanto em imagens claramente falsas quanto em versões tão comuns que só ficam estranhas quando observadas com mais atenção.
Especialistas apontam que modelos como LLMs e difusão aprendem padrões de conjuntos de dados voltados à “agradabilidade”, o que pode levar à homogeneização e ao “shave off the edges” (apagamento de arestas). A discussão também envolve efeitos como o “uncanny valley” em imagens de comida e o risco de convergência quando sistemas passam a reaproveitar saídas geradas por IA no próprio treinamento.
Redis está usando engenharia de contexto para viabilizar aplicações com LLM em cenários com restrições reais de tempo. Em uma apresentação, Ricardo Ferreira contou como desenvolveu o Agent Memory Server (AMS), um projeto open source para criar camadas de memória de curto e longo prazo sobre Redis, com foco em permitir conversas mais naturais.
Para testar o AMS, ele criou a skill “My Jarvis” para Alexa, com respostas limitadas por um timeout fixo de 8 segundos. A arquitetura inclui uma função Lambda no backend, o SDK da Alexa e o LangChain4j (Java), que orquestra o acesso a um LLM via OpenAI, enquanto o desenvolvimento enfrenta problemas como context poisoning, distração por excesso de dados, confusão e “context rots”.
A GoPro anunciou um acordo de fusão com a Starman Optical para tentar superar a crise financeira. A operação busca recapitalizar a fabricante de câmeras de ação e abrir caminho para expansão em defesa, governo, aeroespacial, robótica e infraestrutura de inteligência artificial.
O acordo prevê pagamento total de US$ 285 milhões aos acionistas da GoPro (US$ 1,14 por ação) e a quitação de cerca de US$ 92 milhões de dívida ao concluir a transação. A Starman fabrica transceptores ópticos usados em data centers e infraestrutura de IA, que devem entrar no portfólio da GoPro, enquanto a conclusão é esperada até o fim de 2026, sujeita a aprovações regulatórias e de acionistas.
A NVIDIA confirmou a data de lançamento do DLSS 5 para esta quinta-feira, 3 de setembro. Apresentado inicialmente em março na GTC 2026, o recurso gerou polêmica na comunidade gamer após demonstrações com jogos como Resident Evil Requiem e Starfield, com críticas sobre desfiguração de personagens e ambientes.
Durante uma conferência com a imprensa nesta terça, a empresa explicou que o DLSS 5 (3D-Guided Neural Rendering) não gera a cena do zero: ele recebe o frame já renderizado e usa um modelo de difusão para recalcular a resposta de luz em materiais como pele, tecido, metal, cabelo e vidro. A NVIDIA também destacou controles para desenvolvedores, como Structure Intensity e Tone Intensity, além de máscaras semânticas e um model automask, enquanto o jogador só encontra um liga-desliga quando o jogo suporta a tecnologia.
Diffusion language models estão ganhando espaço como alternativa aos LLMs autoregressivos para gerar texto. O texto descreve como modelos de difusão para dados discretos funcionam ao invés de prever tokens um a um, refinando uma sequência por etapas a partir de um “chute” inicial.
O guia apresenta os blocos de construção de modelos open-source, começando por masking diffusion e avançando para técnicas como iterative refinement, post-training e geração de tamanho variável. A proposta é mostrar como a ideia central de denoising, comum em difusão para imagens, pode ser adaptada para linguagem com processos forward e reverse, onde o “ruído” é definido via mascaramento de tokens.
Pesquisas recentes em modelos de difusão contínua para linguagem reacenderam o interesse na abordagem, após alguns anos de pouca atividade. Métodos de difusão totalmente discretos haviam se tornado dominantes, mas a tendência parece começar a mudar com novos trabalhos e atualizações do tema.
O texto relembra a evolução do campo: tentativas discretas surgiram em 2021, enquanto abordagens contínuas apareceram em 2022 com propostas como Diffusion-LM, que usa embeddings contínuos para viabilizar a corrupção com ruído gaussiano. Depois de 2023, a difusão contínua teria “desaparecido” em favor da discreta, e a retomada atual é atribuída a mudanças no foco do desempenho e nas expectativas sobre escalabilidade.
Modelos grandes de IA já conseguem gerar milhões de designs de materiais em minutos, mas a adoção prática ainda é limitada pela baixa estabilidade química das opções criadas. Pesquisadores do MIT desenvolveram o CrysVCD, um framework que aplica regras de química sobre elétrons e valência antes da etapa mais cara de geração, para que cada design já comece “válido” para a estrutura atômica.
Em um artigo na Nature Computational Science, a equipe relata que o CrysVCD elevou a taxa de materiais estáveis em quase 70% das gerações computacionais e ajudou a produzir candidatos com propriedades direcionadas, como alta condutividade térmica e constante dielétrica elevada. O método combina um modelo de linguagem com modelos de difusão e busca reduzir o custo de validação, que normalmente domina o tempo e os recursos do processo de descoberta.
A Microsoft iniciou a unificação dos assistentes de IA Copilot em uma única experiência, combinando o app pessoal com o Microsoft 365 Copilot corporativo. A empresa afirma que históricos, conversas e dados continuarão isolados entre contas pessoais e profissionais, mantendo também controles de segurança e governança.
A distribuição começa em etapas: nos apps para web, Android e iOS ainda neste mês, e nos aplicativos para Windows e Mac em meados de setembro. A transição pode variar conforme a versão usada, e alguns recursos do Copilot Labs, como Copilot Podcasts e Deep Research, deixam de funcionar em 18 de agosto.
Um desenvolvedor relatou no Reddit que perdeu os arquivos do diretório de usuário após uma tentativa de backup feita pelo Claude Code, usando o modelo Claude Opus 5. Segundo o relato, a ferramenta interpretou incorretamente um caminho do Windows como se fosse um padrão Unix e acabou executando ações destrutivas ao invés de apenas copiar os dados. Quando percebeu o erro, a IA respondeu com um “foi mal” e removeu a pasta afetada, usando um comando do tipo rm -rf.
O caso evidencia um risco prático no uso de agentes de IA com acesso amplo ao sistema: sem proteções e confirmações, um simples erro de caminho pode virar exclusão permanente. Para times de dev, a lição é reforçar sandbox, permissões mínimas, validação de paths e barreiras contra comandos destrutivos antes de automatizar rotinas com agentes.
:quality(85)/4e2831ec-a714-4c13-bf43-e570ce8cecf2.jpeg)
:quality(85)/39ec7fd3-bb32-4b10-8206-f8ddd48fc99a.jpg)
:quality(85)/29775db9-4492-4bdb-8689-9f442e3775af.jpg)