Não espere muito do Grok 4.7

A Amazon acaba de fechar as portas para o agente de IA da Meta, Muse, bloqueando-o ativamente de fazer compras em Amazon.com. As razões oficiais citadas foram falta de permissão, falha em se identificar e preocupações de segurança sobre como o Muse lida com as credenciais do usuário.

Este é o primeiro grande tiro nas guerras de plataformas de agentes autônomos. Passamos dois anos obcecados em saber se os agentes são inteligentes o suficiente para navegar na web, ignorando completamente se a web realmente os deixaria entrar. A Amazon não tem nenhum incentivo para deixar a Meta possuir o relacionamento com o cliente e coletar seus dados de conversão.

Se você está construindo agentes voltados para o consumidor, sua maior ameaça existencial não é uma janela de contexto — é ser banido por IP pelas maiores lojas do mundo. Pare de presumir que a internet permanecerá um playground aberto para suas ferramentas automatizadas.

A Xiaomi acaba de lançar o MiMo-V2.6-Pro, um modelo omnimodal de pesos abertos que imediatamente estreou no topo do Artificial Analysis Intelligence Index para pesos abertos.

Isso não veio da Meta, Mistral, ou de um laboratório de São Francisco fortemente financiado. Veio de uma gigante de hardware mais conhecida por smartphones econômicos e patinetes elétricos.

A fronteira da IA está se descentralizando mais rápido do que os "incumbents" querem admitir. Quando uma empresa de hardware pode lançar um modelo aberto de ponta como um projeto paralelo, o fosso para empresas de modelos fundamentais "pure-play" oficialmente evapora.

Fuli Luo, um ex-engenheiro da DeepSeek que agora lidera os esforços na Xiaomi, começou a publicar os resultados finais dos treinamentos de Reinforcement Learning da empresa ao vivo. O nível de transparência em suas métricas internas é totalmente anormal para um modelo desta escala.

Enquanto OpenAI e Anthropic tratam seus dados de RLHF como códigos de lançamento nuclear, a Xiaomi os trata como um repositório de código aberto.

Isso não é apenas altruísmo; é uma tática de recrutamento. Ao construir em público, a Xiaomi está sinalizando para os principais talentos de pesquisa que eles não ficarão presos em uma "caixa preta". Para a comunidade em geral, é uma aula magistral sobre como o RL omnimodal moderno realmente funciona nos bastidores.

O Google revelou o Empirical Research Assistance (ERA), um sistema alimentado por Gemini projetado para automatizar soluções para problemas científicos. Se um problema pode ser reduzido a uma 'tarefa pontuável', o ERA mutará continuamente "notebooks" de experimentos promissores até encontrar uma solução.

Este é um salto enorme da IA como interface de chat para a IA como um motor de descoberta por força bruta. Ele transforma o método científico em um problema de otimização limitado por computação.

Para os departamentos de P&D de empresas, este é um sinal claro para reestruturar. O gargalo não é mais a execução dos experimentos; o gargalo é definir as métricas de pontuação com precisão suficiente para que o ERA não otimize para a coisa errada.

Os participantes de uma competição Kaggle de detecção de "contrails" do Google levaram o prêmio não por construir um modelo de visão melhor, mas por identificar e explorar um erro de meio pixel nos rótulos do conjunto de dados.

Eles otimizaram perfeitamente para a métrica, ignorando completamente a física do problema no mundo real. Esta é a Lei de Goodhart em ação: quando uma medida se torna um alvo, ela deixa de ser uma boa medida.

Se você está treinando modelos em conjuntos de dados estáticos, seu ponto de controle de melhor desempenho pode ser apenas aquele que memorizou os bugs do seu pipeline de dados. Sempre olhe para os resultados, não apenas para a curva de perda.

A equipe de John Platt utilizou com sucesso a IA para resolver o problema contrafactual de modelar os "contrails" de aviões. Ao mapear com precisão os efeitos de retenção de calor e luz solar refletida, eles desvendaram uma variável que responde por aproximadamente 1% do aquecimento global induzido pelo homem.

A modelagem climática sempre teve dificuldades com fenômenos dinâmicos e transitórios como os "contrails". Os motores de física tradicionais são muito lentos, mas a IA pode aproximar os contrafactuais em escala.

É exatamente onde a IA brilha no mundo físico: não substituindo o julgamento humano, mas desvendando sistemas caóticos e de alta variabilidade que antes eram impossíveis de medir com precisão.

Nathan Lambert anunciou um novo artigo intitulado 'Never Give Up', detalhando um método para alocar mais poder computacional para problemas mais difíceis em Reinforcement Learning. A técnica envolve amostrar mais intensamente com alta probabilidade quando os grupos GRPO produzem conclusões incorretas.

Em vez de tratar todos os prompts igualmente durante o RL, esta abordagem direciona dinamicamente o poder computacional para os casos extremos com os quais o modelo está realmente lutando.

É uma maneira altamente eficiente de obter ganhos em problemas de RL mais difíceis sem escalar cegamente o número total de parâmetros. Se você está ajustando modelos para raciocínio complexo, a alocação dinâmica de computação durante o treinamento é a nova linha de base.

Devansh recentemente explicou por que as empresas de IA estão investindo trilhões em LLMs e como suas distintas condições de vitória moldam suas estratégias. OpenAI, Anthropic e Google não estão apenas construindo modelos diferentes; eles estão construindo em direção a visões completamente diferentes de interação com a IA.

OpenAI quer ser o sistema operacional do consumidor. O Google quer proteger seu monopólio de busca e nuvem empresarial. A Anthropic visa a camada empresarial de alta confiança e segurança crítica.

Se você está construindo sobre esses modelos, precisa alinhar seu produto com a condição de vitória final do seu provedor. Se você construir um "wrapper" de consumidor na Anthropic, não se surpreenda se o roteiro deles o ignorar.

Scott Alexander tentou postar uma longa refutação à crítica de Venkatesh Rao ao altruísmo eficaz, apenas para se ver bloqueado. As restrições de "paywall" do Substack em comentários, respostas e mensagens privadas forçaram Alexander a publicar sua resposta em seu próprio Substack.

Isso destaca o atrito crescente na publicação descentralizada. Quando as plataformas priorizam a monetização sobre a interoperabilidade, as conversas reais se quebram e se fragmentam em "jardins murados".

Para desenvolvedores, é um lembrete de que depender de plataformas de terceiros para o engajamento da comunidade sempre acarreta risco de plataforma. Seja dono de sua audiência e de sua infraestrutura.