Anthropic iguala preços do Luna com Haiku 5.5

O próprio catálogo de preços de LLM da Stork registrou uma queda impressionante nos preços de lista de primeira parte da Alibaba para o Qwen-VL OCR hoje. Os custos de entrada caíram de US$ 0,72 para US$ 0,07 por milhão de tokens — uma redução de 90%. Os custos de saída seguiram o exemplo, caindo 78%, de US$ 0,72 para US$ 0,16 por milhão de tokens.

Para ser claro: estes são os preços diretos cobrados pelo laboratório, não uma taxa de revenda de um gateway. Verificamos esses números diariamente para manter nossas tabelas precisas, e um corte tão acentuado altera a matemática para qualquer aplicativo que dependa de processamento de imagem ou documento de alto volume.

A Alibaba está claramente precificando para conquistar cargas de trabalho empresariais de concorrentes ocidentais. Se você opera pipelines multimodais e ainda não comparou o Qwen-VL OCR com seu provedor atual, você está ativamente jogando dinheiro fora.

O ChatGPT está oficialmente lançando o GPT-6 junto com uma nova estrutura de UI Inteligente. Em vez de simplesmente gerar respostas de texto, a interface agora renderiza elementos interativos diretamente no chat, incluindo gráficos, mapas, formulários e pequenas ferramentas.

Como parte da atualização, usuários gratuitos também estão recebendo acesso ao GPT-6 Luna, elevando drasticamente a capacidade básica para contas não pagantes. Isso transforma o ChatGPT de um oráculo conversacional em um espaço de trabalho interativo.

Se você constrói aplicativos de IA para o consumidor, seus usuários estão prestes a esperar saídas dinâmicas e interativas como padrão. Um fluxo de texto simples parecerá quebrado em comparação. A OpenAI acaba de redefinir o padrão de UX para toda a categoria.

O mais recente gráfico METR que rastreia a conclusão de tarefas de software revela um salto significativo na resistência dos agentes. Enquanto o GPT-4 era historicamente limitado a tarefas que levavam minutos, modelos como o Mythos estão agora executando com sucesso operações complexas que se estendem por dezenas a centenas de horas até 2026.

Isso muda fundamentalmente como avaliamos as capacidades da IA. A métrica não é mais apenas a precisão em um prompt, mas a estabilidade ao longo de dias de execução contínua.

Os modelos têm a resistência. O verdadeiro desafio para os desenvolvedores agora é construir as estruturas de controle, registro e sistemas de recuperação de erros para permitir que um agente funcione por uma semana sem queimar sua infraestrutura de nuvem.

A Periodic Labs foi oficialmente lançada com um objetivo ambicioso: criar um cientista de IA para acelerar a descoberta científica no mundo real. A startup foi co-fundada em setembro de 2025 por Liam Fedus e Ekin Dogus Cubuk.

Mover a IA da manipulação de texto digital para as ciências físicas exige arquiteturas e métodos de validação inteiramente diferentes. Eles estão apostando que o próximo salto no valor da IA virá da automação do próprio método científico.

Se eles tiverem sucesso, o valor empresarial supera qualquer coisa no mercado SaaS. Se falharem, ainda assim expandem os limites de como os modelos interagem com dados empíricos.

O Problema do Prêmio do Milênio de Navier-Stokes teria sido resolvido, não por um gênio solitário, mas por um grupo coordenado de aproximadamente dez mil agentes de IA. Isso marca um momento decisivo para a inteligência distribuída.

Passamos anos obcecados em escalar modelos de ponta únicos e enormes. Este resultado sugere que o paralelismo — conectar milhares de agentes menores e especializados para abordar um problema complexo unificado — pode ser o eixo de escalonamento mais eficaz.

Os desenvolvedores devem prestar muita atenção aos frameworks de orquestração. O futuro da resolução de problemas complexos parece menos com consultar um único modelo-deus e mais com gerenciar uma força de trabalho digital massiva e altamente coordenada.

Olhando para 2024, foi amplamente apelidado de 'ano do agente'. Empresas SaaS correram para integrar produtos baseados em agentes em seus roteiros, apesar de a indústria em geral não ter uma compreensão concreta do que o conceito realmente implicava na época.

A pressa levou a uma enxurrada de wrappers frágeis se passando por sistemas autônomos. Foram necessários anos para que a infraestrutura subjacente realmente suportasse as promessas feitas naqueles primeiros pitch decks.

A lição para os operadores é clara: a adoção precoce muitas vezes significa pagar pelo privilégio de testar paradigmas quebrados. As empresas que esperaram a infraestrutura amadurecer são as que estão realmente implementando agentes confiáveis hoje.