[NOVA]: Eu sou NOVA. [ALLOY]: Eu sou ALLOY, e este é o AgentStack Daily. [NOVA]: A história útil de IA hoje vai de uma placa de oito dólares a um servidor com oito GPUs resfriado a líquido. No meio do caminho, Codex entrou no aplicativo desktop do ChatGPT ao lado de Chat e Work, com o GPT-5.6 Sol como flagship da OpenAI para codificação complexa. A Microsoft tem um modelo cyber especializado trabalhando dentro de uma equipe de segurança de agentes. Um modelo open pequeno agora pode responder a pedidos simples em um microcontrolador sem a nuvem. E novos modelos locais de codificação estão empurrando contexto de milhões de tokens para hardware que as empresas podem possuir. [ALLOY]: Vamos conectar esses lançamentos com coisas que as pessoas realmente podem construir: assistentes privados de documentos, interfaces de voz, sensores mais inteligentes, ferramentas científicas, serviços de borda e robôs que equipes de fábrica podem ajustar sem reescrever software. Depois vamos olhar para a infraestrutura e políticas por baixo de tudo isso—novos chips, limites de energia para data centers, financiamento federal de ciência, regras de peso aberto, e o que um processo de scraping decidiu e não decidiu. Catorze histórias, linguagem simples, e o significado prático por trás de cada uma. [NOVA]: ... [NOVA]: A Microsoft adicionou um modelo chamado MAI-Cyber-1-Flash ao MDASH, seu sistema multiagente para encontrar e corrigir vulnerabilidades de software. A ideia importante é especialização. Um agente pode inspecionar código, outro pode julgar o quão perigosa é uma falha, e outro pode ajudar a preparar um patch. O novo modelo deve ser o especialista em segurança rápido dentro dessa equipe, não um chatbot geral fingindo ser um produto de segurança. [ALLOY]: Isso pode importar para uma empresa com milhares de repositórios. Um modelo de fronteira amplo pode ser capaz, mas pode ser caro apontá-lo para cada alerta e cada pull request. A Microsoft diz que seu especialista pode igualar modelos líderes em trabalho de vulnerabilidade por cerca de metade do custo, enquanto o MDASH chega a noventa por cento em sua própria suíte de tarefas. Esses são números da Microsoft, então são uma reivindicação inicial, não um veredicto independente. [NOVA]: Imagine o uso prático: uma pequena equipe de segurança acorda com centenas de resultados. O sistema agrupa duplicatas, envia os mais sérios ao especialista, propõe um reparo, e dá a um humano a mudança de código e a evidência por trás disso. Isso não elimina o engenheiro de segurança. Ele move o engenheiro de classificar ruído para decidir se a correção proposta é segura o suficiente para fazer merge. [ALLOY]: A prova que falta é o que acontece em código privado e bagunçado, não na suíte de tarefas da Microsoft. As equipes devem ser capazes de rastrear qual modelo encontrou um bug, qual evidência ele usou, e por que o patch final mudou aquelas linhas específicas. Se o MDASH preservar essa trilha, este é um exemplo útil de agentes se tornando um fluxo de trabalho de segurança real. Se ele apenas produz respostas confiantes mais rapidamente, o preço mais baixo não vai salvá-lo. [NOVA]: ... [NOVA]: O projeto open-source esp32-ai coloca um modelo de linguagem de 28,9 milhões de parâmetros em um microcontrolador ESP32-S3 que custa cerca de oito dólares. Essa é a família de chips já escondida dentro de sensores de baixo custo, luzes inteligentes e robôs de hobby. O repositório é licenciado sob MIT, então um construtor pode estudá-lo, modificá-lo e vender um dispositivo baseado nele. Seu lançamento também atraiu centenas de votos no Hacker News, o que mostra que a ideia de modelo pequeno saiu de uma curiosidade de laboratório. [ALLOY]: O que algo tão pequeno realmente pode fazer? Não escrever um romance ou raciocinar sobre um caso legal. Ele pode entender um comando curto, transformar uma leitura de sensor em uma explicação simples, escolher entre algumas ações do dispositivo, ou responder a uma pergunta específica sem contatar um servidor. Uma ferramenta de oficina poderia dizer por que um alarme de temperatura disparou. Um robô de sala de aula poderia responder a um aluno. Um sensor de fazenda poderia explicar que sua leitura de solo ultrapassou um limite. [NOVA]: A parte offline é o recurso real. Não há conta de nuvem para cada requisição, nenhum dispositivo morto quando o Wi-Fi cai, e muito menos dados privados saindo do ambiente. Isso muda quais produtos são econômicos. Uma empresa pode colocar uma interface de linguagem simples em um eletrodoméstico, brinquedo ou monitor industrial sem anexar uma assinatura permanente. Isso também dá aos desenvolvedores uma forma maravilhosamente visível de ensinar limites do modelo, porque as restrições são impossíveis de esconder. [ALLOY]: E esses limites importam. As respostas serão curtas, a memória é mínima, e o modelo não vai se comportar como um assistente de laptop. Pense nele como uma cola conversacional entre uma pessoa e alguns sensores ou controles. Isso ainda é uma grande mudança. IA local não significa mais apenas uma estação de trabalho com uma placa gráfica gigante; agora alcança objetos baratos que podem fazer um trabalho útil em silêncio por anos. [NOVA]: ... [NOVA]: A Nanbeige lançou um modelo de três bilhões de parâmetros chamado Nanbeige4.2-3B sob a licença Apache, que permite uso comercial. Três bilhões de parâmetros é um meio-termo útil: muito mais capaz que o modelo de microcontrolador que acabamos de discutir, mas ainda pequeno o suficiente para um bom laptop ou estação de trabalho compacta. Ele funciona com ferramentas locais familiares como Ollama, LM Studio, MLX e llama.cpp. Também inclui templates para chamar ferramentas e uma janela de contexto grande o suficiente para segurar documentos longos ou código substancial. Isso cria builds privados práticos: um assistente de contratos que fica na máquina de um advogado, um ajudante de manutenção que pesquisa anos de manuais, ou um assistente de codificação que pode ver mais de um repositório sem fazer upload dele. O publicador diz que o Nanbeige supera modelos Qwen maiores em seis benchmarks, mas essa reivindicação ainda precisa de teste independente. A melhor pergunta é quão confiavelmente ele usa ferramentas, segue instruções ao longo de uma sessão longa, e permanece útil após quantização. Se os resultados da comunidade se confirmarem, o lançamento dá aos construtores locais uma nova opção capaz sem exigir hardware de escala de servidor. [ALLOY]: Eu gosto do tamanho porque força design honesto de produto. Um modelo de três bilhões de parâmetros não será o melhor em toda tarefa, então as aplicações vencedoras vão dar a ele os documentos certos, um pequeno conjunto de ferramentas e um trabalho claro. Imagine um assistente on-premises para uma oficina de reparos. Ele lê o manual da máquina, olha o inventário atual de peças, rascunha uma nota de serviço e pergunta a um humano antes de pedir qualquer coisa. O negócio ganha privacidade e custo previsível; o modelo ganha um ambiente restrito onde pode ter sucesso. Isso é mais útil do que tratar cada lançamento local como um chatbot de fronteira em miniatura. O que precisamos depois não é outro gráfico de benchmark. Precisamos de relatórios de pessoas usando ele no Ollama, MLX e llama.cpp: quanta memória ele precisa, quão rapidamente ele responde, e se suas chamadas de ferramentas permanecem confiáveis quando a conversa fica longa. [NOVA]: ... [NOVA]: A NVIDIA diz que sua CPU Vera já está ajudando no trabalho de projetar futuros chips NVIDIA. A Cadence e a Synopsys, as duas empresas por trás de grande parte do software usado para projetar e verificar processadores, estão ajustando suas ferramentas para a Vera. A NVIDIA também está usando a CPU internamente. Isso cria um loop impressionante: um novo chip ajuda engenheiros a simular e verificar os chips que vêm depois dele. Este trabalho envolve arquivos de design enormes e cálculos longos que repetidamente movem dados pela memória, então velocidade da CPU e largura de banda de memória podem encurtar o tempo entre uma ideia de design e um resultado verificado. [ALLOY]: A história vai além da NVIDIA porque software de design de chips é infraestrutura compartilhada. Se a Cadence e a Synopsys tornarem suas ferramentas visivelmente mais rápidas na Vera, outra empresa de chips usando os mesmos produtos poderia se beneficiar sem inventar um novo fluxo de trabalho. Mesmo uma redução modesta em uma execução de verificação importa quando engenheiros repetem ao longo do dia e quando uma falha perdida pode custar meses. Feedback mais rápido também permite que uma equipe explore mais designs antes de comprometer capacidade de fabricação cara. [NOVA]: O que está faltando é um resultado público de um projeto normal de cliente. Os ganhos internos da NVIDIA são interessantes, mas a evidência útil será um cliente da Cadence ou Synopsys mostrando como um trabalho de verificação real mudou: horas economizadas, mais designs explorados, ou um problema encontrado mais cedo. Ainda assim, a direção está clara. O hardware de IA não está servindo apenas modelos. O hardware e as ferramentas de design estão começando a acelerar um ao outro, o que pode apertar todo o ciclo de desenvolvimento de chips. [NOVA]: ... [NOVA]: A OpenAI moveu a experiência dedicada do Codex para o aplicativo desktop do ChatGPT em nove de julho, onde agora fica ao lado de Chat e Work. Isso não é uma renomeação do ChatGPT, e o Codex não se tornou "o app do GPT." É uma consolidação: conversa, trabalho de mais longa duração e sessões de codificação podem coexistir em um espaço de trabalho desktop. O GPT-5.6 Sol é o flagship para codificação complexa, pesquisa, uso de computador e tarefas de segurança, então este é o lugar mais claro para perguntar o que a nova geração de modelos muda na prática. [ALLOY]: Duas capacidades tornam a mudança mais do que um novo botão. O Programmatic Tool Calling permite que o Codex dê a uma ferramenta um pequeno script que lida com vários passos em vez de gastar uma rodada do modelo em cada pequena ação. Isso pode tornar uma análise de múltiplas etapas mais rápida e mais barata. O beta multi-agent pode dividir um trabalho maior em workers paralelos, então uma sessão pode inspecionar dados enquanto outra constrói a interface. [NOVA]: O relatório de computação científica da OpenAI fornece oito exemplos concretos. Cinco projetos usaram apenas o Codex, e três usaram o Codex com o Claude Code, o agente de codificação de IA baseado em terminal. O trabalho inclui pipelines de genômica, interfaces de experimentos e trabalhos longos de análise de dados. Um exemplo de cyvcf2 usou o GPT-5.5, então não é evidência de que o Sol produziu esse resultado e não deveria ser vendido como um benchmark do Sol. O sinal mais amplo é que pesquisadores podem passar de um notebook rough para uma ferramenta utilizável com menos software construído manualmente ao redor. [ALLOY]: Imagine um biólogo com dados de variantes e um notebook que só seu autor entende. Um agente pode ajudar a transformar isso em um pipeline repetível e uma interface simples que o laboratório pode usar. Um pesquisador também pode delegar as partes tediosas de comparar muitas execuções enquanto permanece responsável pelo julgamento científico. Essa é a melhoria que vale a pena observar: não "IA faz ciência sozinha," mas cientistas gastando menos tempo costurando arquivos e scripts juntos. A próxima prova deve vir de fora da OpenAI, incluindo quanto de revisão especializada a saída precisou. [NOVA]: ... [NOVA]: O Laboratório Nacional do Pacífico Noroeste do Departamento de Energia e a Amazon Web Services estão explorando ferramentas de suporte à decisão com IA para a rede elétrica. Eles estão focados nos momentos que os operadores temem: clima severo, um pico de demanda inesperado, ou um ataque cibernético ou físico que tira equipamentos importantes do ar. O objetivo é dar às pessoas uma visão mais rápida do que está acontecendo e um melhor conjunto de opções enquanto mantém os humanos no controle das decisões reais de chaveamento. [ALLOY]: Essa distinção é reconfortante. Este não é um modelo autônomo recebendo as chaves de uma subestação. É trabalho de planejamento e validação. O PNNL pode modelar grandes partes da rede e conectar software a hardware em condições controladas. A AWS contribui com a capacidade de computação necessária para simular muitos cenários de falha. Juntos podem perguntar se uma sugestão de IA ainda parece sensata quando uma falha desencadeia outra através de uma região. [NOVA]: Aqui está o quadro prático. Durante uma onda de calor, a demanda dispara enquanto uma linha de transmissão está danificada. Um operador tem minutos para entender quais bairros, hospitais e fábricas estão em risco. Um assistente útil poderia reunir dados de clima, equipamentos e demanda, então mostrar várias respostas possíveis e as consequências prováveis de cada uma. O operador ainda toma a decisão, mas não precisa pesquisar cinco sistemas enquanto a situação piora. [ALLOY]: A resiliência da rede atravessa utilities, estados e reguladores, então um laboratório nacional pode testar condições que um operador menor não conseguiria reproduzir sozinho. O próximo resultado importante seriam cenários e medições públicos que outros especialistas pudessem revisar. Até lá, ninguém pode comprar isso como um produto acabado de sala de controle. Ainda é significativo que a IA de infraestrutura crítica esteja passando de promessas amplas para exercícios estruturados onde uma má recomendação pode ser exposta antes de chegar à rede real. [NOVA]: ... [NOVA]: O Black Forest Labs publicou o Self-Flow, um projeto de pesquisa com código público que pergunta se um modelo foundation pode aprender a gerar vários tipos de mídia em vez de depender de um especialista separado para cada um. O resumo útil é simples: hoje, um produto multimodal frequentemente se parece com um armário cheio de eletrodomésticos. Um modelo lida com imagens, outro lida com áudio, outro lida com vídeo, e uma camada de software move o trabalho entre eles. O Self-Flow explora se mais disso pode viver dentro de um sistema adaptável. Nada aqui é um produto acabado, e não há razão para um time normal substituir uma stack de mídia funcionando por código de pesquisa. Mas a direção poderia importar. Um modelo unificado poderia preservar ideias de forma mais consistente à medida que um projeto passa de texto para imagens para outras saídas, e poderia reduzir o número de serviços que um builder tem que pagar e manter. Pense em um estúdio pequeno criando uma campanha de produto: um briefing se torna copy, visuais e peças motion curtas sem cada passo parecer uma tradução entre ferramentas não relacionadas. O código público permite que pesquisadores inspecionem a abordagem em vez de aceitar uma demo pela fé. [ALLOY]: A cautela é que "um modelo faz tudo" também pode significar um modelo que é meramente adequado em tudo. Ferramentas especializadas podem continuar vencendo onde a qualidade importa mais. Então a história não é que stacks multimodais de repente colapsaram em um único download. É que um laboratório sério de IA generativa está testando um futuro mais simples e mostrando seu trabalho. Builders devem ficar de olho no follow-up que transforma a pesquisa em um release real, depois comparar custo, consistência e controle contra o pipeline especializado de hoje. Se esse release chegar, poderia facilitar a criação de mídia rica para times menores. Se não chegar, o projeto ainda nos ensina onde a geração unificada quebra. [NOVA]: ... [NOVA]: O ServeTheHome publicou uma análise prática de um servidor da ASRock Rack que acomoda oito aceleradores NVIDIA HGX B300 em um chassi de quatro unidades de rack. Este é o tipo de máquina usada para treinamento de modelos sério e trabalhos de inferência muito grandes. O valor da análise não é outro gráfico de velocidade. Ele mostra a realidade física por trás da frase "servidor de IA": entrega de energia densa, links rápidos entre GPUs, hardware de refrigeração e capacidade de rede tudo precisa funcionar como um sistema. [ALLOY]: O HGX conecta os aceleradores muito mais tightly do que oito placas add-in ordinárias. Isso permite que eles compartilhem trabalho como se fossem partes de um computador grande, mas apenas quando os dados podem se mover rápido o suficiente. Se os links entre GPUs ou para armazenamento são lentos, chips caros passam seu tempo esperando. É por isso que o tecido ao redor importa tanto quanto o logo no acelerador. [NOVA]: Depois tem o calor. Uma opção manda líquido perto dos chips e remove o calor eficientemente, mas o data center precisa ser tubulado para isso. Outra opção é mais fácil de instalar em uma sala convencional mas transfere mais trabalho para a refrigeração da facility. Qualquer escolha afeta o prédio, o orçamento de energia e o que pode caber no próximo rack. Para uma empresa planejando IA privada, isso muda a ordem de compra. Primeiro decida qual energia, refrigeração e rede o local pode suportar. Depois escolha o modelo e o sistema de acelerador que se encaixam. A lição prática é maravilhosamente sem glamour: nessa escala, a sala do servidor é parte da arquitetura de IA, e uma pilha de GPUs premium não é um produto completo. [NOVA]: ... [NOVA]: A Verizon está se posicionando como mais do que uma empresa de telefonia ao emparelhar pequenos data centers com um acordo de aproximadamente um bilhão de dólares por dark fiber do Google. Dark fiber é simplesmente cabo óptico que já foi instalado mas não está levando um sinal. Uma empresa leasing os fios brutos e os ilumina com seu próprio equipamento, dando a ela mais controle sobre a rota, capacidade e custo do que comprar bandwidth comum acabado. [ALLOY]: Por que isso se conecta à IA? Alguns aplicativos não podem esperar que cada solicitação viaje até uma nuvem regional distante e volte. Voz em tempo real, compreensão de vídeo ao vivo, decisões de fraude e controles de robô tudo piora quando o atraso aumenta. Se o processamento estiver em uma instalação menor próxima ao cliente, uma operadora precisa de fibra rápida e previsível conectando essa instalação ao resto da rede. A Verizon já tem ruas, edifícios e operações de rede; fibra escura preenche os caminhos de alta capacidade. [NOVA]: Um exemplo útil é uma loja usando várias câmeras para detectar uma prateleira vazia ou um problema de segurança. Enviar cada fluxo de vídeo pelo país é caro e lento. Um mini data center próximo poderia analisar os fluxos, enviar apenas o evento relevante adiante e continuar respondendo se uma região distante estiver congestionada. O mesmo padrão poderia suportar uma fábrica, hospital ou serviço de voz interativo. [ALLOY]: O acordo de um bilhão de dólares ainda é uma aposta em infraestrutura, não prova de que clientes estão fazendo fila. A próxima evidência devem ser implantações nomeadas e detalhes sobre o que o Google planeja carregar por esses links. Mas mostra para onde a competição de IA de borda está se movendo. A qualidade do modelo ainda importa, mas a empresa que possui o processamento próximo e o caminho até ele pode decidir se um produto parece instantâneo, acessível e confiável. [NOVA]: ... [NOVA]: A startup de robótica Enigma levantou setenta e um milhões de dólares em uma rodada seed liderada pela Index Ventures e Ribbit Capital. Seu pitch é refrescante fácil de imaginar: mudar o quanto um robô decide por si mesmo deveria parecer mais com mover um controle deslizante do que reescrever o software de autonomia. Um supervisor de armazém poderia pedir a um robô para pausar para aprovação em caixas incomuns durante um lançamento de novo produto, e depois permitir mais independência após o processo estar estável. [ALLOY]: Isso aborda um gargalo real. Robôs industriais podem ser poderosos, mas uma mudança de comportamento frequentemente passa por uma pequena equipe de engenharia. Um novo formato de pacote, garra ou regra de segurança pode iniciar outro ciclo de ajuste. Se um gerente de chão puder ajustar um nível bem definido de autonomia enquanto o sistema registra a mudança, uma fábrica pode se adaptar mais rápido sem fingir que todo funcionário é um engenheiro de robótica. [NOVA]: A ideia é atraente; as evidências públicas ainda são escassas. Os relatórios não nomeiam clientes piloto, hardware de robô suportado ou exatamente quais comportamentos o controle pode mudar. Sistemas físicos também levantam uma questão mais difícil do que software: quem é responsável quando o robô faz algo inesperado? A Enigma precisará de limites claros, uma trilha de auditoria e uma forma segura de devolver o controle a uma pessoa. O financiamento é um voto forte para a ideia da interface, não prova de que o produto resolveu esses problemas. Ainda assim, aponta para uma mudança mais ampla em robótica. A próxima onda pode ser vencida não apenas pelo modelo de autonomia mais inteligente, mas pelo produto que permite que equipes operacionais comuns entendam e moldem essa inteligência sem esperar semanas por uma mudança de código. [NOVA]: ... [NOVA]: A Missão Gênesis do Departamento de Energia agora inclui vinte departamentos e agências federais, com grupos como NASA, os Institutos Nacionais de Saúde e a Fundação Nacional de Ciências participando. A promessa prática é acesso compartilhado. Um pesquisador geralmente compete dentro do sistema de bolsas de uma agência e trabalha sob as regras de dados e computação dessa agência. Um programa coordenado poderia conectar computação de laboratórios nacionais, conjuntos de dados científicos e financiamento através dessas fronteiras. Isso poderia ajudar uma pequena equipe universitária a levar uma ferramenta de IA para materiais, clima, medicina ou astronomia de um protótipo promissor para um experimento em escala nacional. Os primeiros prêmios já começaram, então isso é mais do que um anúncio de cúpula, mas o trabalho difícil está apenas começando. Dados coletados para diferentes missões não se alinharão automaticamente. As agências discordarão sobre prioridades, privacidade, crédito e quem pagará para limpar as informações. O sinal mais revelador será se prêmios futuros genuinamente cruzam linhas de agências ou simplesmente colocam uma faixa compartilhada sobre projetos familiares. [ALLOY]: Também há uma oportunidade de interesse público aqui. Laboratórios privados de fronteira controlam grande parte da melhor infraestrutura de IA, enquanto laboratórios nacionais possuem equipamentos científicos e dados extraordinários. O Gênesis poderia dar aos pesquisadores outro caminho para construir ferramentas úteis sem que cada projeto dependa de uma plataforma comercial. Imagine um grupo de clima combinando observações de satélite, dados de rede elétrica e simulação de laboratório nacional, ou uma equipe médica obtendo computação suficiente para avaliar um modelo entre instituições. Isso é empolgante, mas apenas se o acesso for amplo e os resultados puderem ser examinados. Devemos procurar conjuntos de dados compartilhados, medições publicadas, modelos reutilizáveis e regras claras sobre informações sensíveis. Vinte logotipos em uma apresentação mostram alcance político. A história duradoura será se cientistas que anteriormente não podiam acessar esses recursos agora podem fazer um trabalho que muda o que sabemos. [NOVA]: ... [NOVA]: A Anthropic publicou sua posição formal sobre modelos de pesos abertos—os lançamentos cujos parâmetros treinados podem ser baixados e executados por outras pessoas. A empresa não está argumentando que todo modelo aberto deveria desaparecer. Ela reconhece os benefícios: pesquisadores independentes podem inspecionar o comportamento, startups podem construir sem pagar a um laboratório de fronteira para cada solicitação, e organizações podem manter trabalho sensível em seu próprio hardware. [ALLOY]: A preocupação da Anthropic é o topo absoluto da faixa de capacidades. Sua posição é que liberar os pesos mais poderosos pode criar riscos de segurança e geopolíticos que são difíceis de reverter, porque um modelo baixado não pode ser recuperado ou limitado da mesma forma que um serviço hospedado. O diretor executivo Dario Amodei também conecta essa preocupação à competição entre os Estados Unidos e a China. Isso faz disso um argumento de política, não uma restrição de novo produto ou uma lei. [NOVA]: Para alguém escolhendo um modelo local agora, quase nada muda da noite para o dia. As questões práticas ainda são a licença, onde o modelo será hospedado, quais dados ele tocará e se regras de hardware ou exportação se aplicam. Modelos abertos menores e especializados provavelmente continuarão chegando. A discordância é sobre onde começa o "poderoso o suficiente para ser perigoso", quem mede essa capacidade e se toda empresa deve traçar a mesma linha. [ALLOY]: Essa linha vai moldar o que desenvolvedores podem possuir em vez de alugar. Muito baixa, e pesquisa aberta e implantação local poderiam ser restringidas desnecessariamente. Muito alta, e uma capacidade genuinamente perigosa poderia se espalhar antes de qualquer pessoa compreender. A Anthropic colocou a visão de um laboratório de fronteira no registro, o que dá a governos e concorrentes algo concreto para desafiar. O próximo passo consequente não é outra página de opinião; é se a indústria desenvolverá níveis claros de lançamento e evidências críveis para mover um modelo de um nível para outro. [NOVA]: ... [NOVA]: O processo do Google contra a SerpApi, um serviço que transforma resultados de busca em dados estruturados para desenvolvedores, foi indeferido. A manchete tentadora é "raspagem venceu", mas esse não foi o veredito do tribunal. O Google apresentou uma reclamação sob parte da Lei de Direitos Autorais do Milênio Digital, e o tribunal disse que o Google não demonstrou que possuía, licenciava exclusivamente ou representava o material em questão. Em linguagem jurídica, o Google não tinha legitimidade para essa reclamação. [ALLOY]: Então, o juiz não decidiu que a raspagem é amplamente legal, e não decidiu a questão mais profunda de saber se a SerpApi contornou um controle de acesso protegido. Um caso similar do Reddit ainda estava tramitando no tribunal. Dois processos podem envolver a mesma empresa e ainda assim chegar a estágios diferentes porque os reclamantes, conteúdo, contratos e barreiras técnicas não são idênticos. [NOVA]: Desenvolvedores precisam separar várias ideias que frequentemente se misturam em uma única palavra. Robots.txt é um sinal que informa crawlers conformes onde um site não quer que eles vão; não é em si um bloqueio técnico ou uma lei automática. Termos de serviço são uma questão de contrato. Direitos autorais dependem de qual conteúdo é copiado e quem o possui. Autenticação, limites de taxa e outras barreiras podem levantar questões diferentes. Vencer ou perder em um portão não resolve os outros. [ALLOY]: Isso importa para ferramentas de busca, produtos de recuperação, inteligência competitiva e pipelines de dados de treinamento. A conclusão segura não é "raspe qualquer coisa", e não é "toda raspagem está morta". É que direitos e acesso precisam ser avaliados fonte por fonte. O indeferimento da SerpApi estreita este caso particular do Google enquanto deixa a batalha jurídica mais ampla não resolvida. Qualquer pessoa construindo com dados da web ainda precisa de permissão, procedência e uma compreensão clara de como a fonte realmente disponibilza esses dados. [NOVA]: ... [NOVA]: A OpenAI publicou uma pesquisa sobre como as pessoas usam o ChatGPT no trabalho, e a descoberta mais interessante não é uma história simples de substituição. Os trabalhadores frequentemente o usam para atravessar as fronteiras do seu papel formal. Um funcionário de marketing pode redigir textos, analisar um pequeno conjunto de dados, escrever um script leve e preparar um e-mail para cliente na mesma tarde. Um desenvolvedor pode explicar uma funcionalidade para clientes em vez de passar cada frase para uma equipe de comunicação. O ChatGPT pode suavizar as costuras entre essas tarefas, especialmente em uma organização pequena onde especialistas nem sempre estão disponíveis. Isso sugere que os produtos devem apoiar uma pessoa percorrendo um trabalho inteiro, e não forçar um novo app e contexto para cada categoria de trabalho. Também sugere que os gerentes podem gastar mais tempo revisando trabalhos mistos e menos tempo atribuindo pequenas tarefas a pessoas separadas. [ALLOY]: Mas atividade mais ampla não é a mesma coisa que melhor resultado. A OpenAI encontrou um padrão; não provou que o ChatGPT causou o padrão, melhorou a qualidade ou reduziu a necessidade de empregos. Pessoas que já gostam de atravessar limites de função podem simplesmente ser mais propensas a usar a ferramenta. E a OpenAI se beneficia de uma interpretação expansiva do seu produto, então isso deve ser um ponto de dados entre outros de pesquisas independentes sobre workplace. A pergunta que vale a pena fazer dentro de uma empresa real é concreta: as pessoas estão concluindo trabalhos úteis que não podiam fazer antes, e os especialistas ainda captam os erros importantes? Se a resposta for sim, a IA pode mudar o design do trabalho antes de mudar a quantidade de empregos. As equipes podem contratar pelo julgamento, curiosidade e capacidade de combinar disciplinas, enquanto usam o modelo para a primeira passada em território desconhecido. Essa é uma história muito mais rica do que "um bot substitui um título". [NOVA]: ... [NOVA]: Três repositórios conectam as ideias desta seleção. O stack de speech-to-speech da Hugging Face adicionou suporte a WebRTC para a Realtime API da OpenAI, facilitando o anexar uma interface de voz ao vivo a um agente sem construir o transporte de streaming do zero. O agent-governance-toolkit da Microsoft adicionou sessões nativas de runtime de políticas, dando aos agentes que usam ferramentas um lugar para impor permissões e preservar um limite de sessão. Juntos eles cobrem a porta da frente e o corrimão: como uma pessoa fala com um agente, e como o agente é limitado depois que ouve o pedido. [ALLOY]: O CheapSecurity cobre o mundo físico. Ele transforma um computador de placa única Linux e uma webcam USB em um sistema de câmera com foco em privacidade e gravação local, detecção de movimento, alertas e entrega opcional via Telegram. Um desenvolvedor pode usar seu evento de movimento como gatilho para um agente local, e então aplicar uma política de governança antes que esse agente envie uma mensagem ou toque em outra ferramenta. Isso é mais interessante do que três repositórios isolados: voz, política e sensoriamento local podem formar um produto compreensível sem exigir uma plataforma de vigilância em nuvem. [NOVA]: ... [NOVA]: O Qwen3.7 Flash apareceu com uma janela de contexto de um milhão de tokens e raciocínio visão-linguagem através do OpenRouter. É relevante para agentes multimodais, codificação visual, busca e interação com computadores, mas é uma variante de uma família de modelos coberta recentemente em vez de um novo evento de fronteira. Estamos mantendo na lista de observação em vez de inflar uma listagem rotineira em uma história principal. [NOVA]: ... [ALLOY]: O holofote local é o Laguna S 2.1 da poolside, um modelo de mixture-of-experts para codificação com 118 bilhões de parâmetros totais e cerca de oito bilhões ativos para cada token. Suporta janela de contexto de um milhão de tokens e formatos práticos para vLLM, SGLang, TensorRT-LLM, Transformers e llama.cpp. [NOVA]: Seja honesto sobre a palavra local: isso é escala de workstation ou servidor, não um modelo para laptop. Os pesos completos são aproximadamente 236 gigabytes antes da quantização. Para uma equipe que precisa de ajuda de codificação privada e on-premises, vale a pena avaliar; para um notebook normal, o Nanbeige é a história mais realista. [NOVA]: ... [NOVA]: Três sinais rápidos: O Argonne usa transformadores de IA para melhorar simulações de reatores nucleares, reduzindo o tempo gasto em cálculos fluidos exigentes. A Fish Audio levanta $52M após modelos de voz alcançarem oito milhões de usuários, mostrando que a voz sintética está se tornando um mercado de produtos substancial. E a PJM planeja cortes temporários de energia para os maiores data centers durante escassezes começando em 2027. [ALLOY]: Eles compartilham uma história de restrição. O Argonne usa IA para fazer o compute científico escasso render mais. O crescimento da Fish Audio torna consentimento e licenciamento mais importantes conforme a voz escala. A PJM está dizendo às grandes instalações de IA que o acesso à rede pode ser interrompido, empurrando operadores para geração de backup e planejamento energético sério. [NOVA]: ... [NOVA]: A lista completa de histórias e os links principais estão nas notas do programa em Toby On Fitness Tech ponto com. [ALLOY]: Obrigado por ouvir o AgentStack Daily. Voltamos em breve.