O gargalo mudou de lugar: pesos abertos, agentes sem travão e leis antigas

Pesos abertos chegam ao topo da tabela

A Meta lançou a 15 de outubro o Muse Spark Open, um modelo multimodal com 816 mil milhões de parâmetros totais e 42 mil milhões ativos por token, contexto de um milhão de tokens e licença própria. O detalhe relevante não é o tamanho: é a quantização oficial que o coloca a correr em dois Mac Studio ligados em rede, sem cloud.

A Mistral seguiu o mesmo caminho a 6 de outubro com o Large 4, um modelo de um bilião de parâmetros e 49 mil milhões ativos, em pré-visualização pública na Mistral Studio, com pesos prometidos para este mês. A empresa francesa posiciona-o para fluxos agênticos, código, cibersegurança, finanças e direito, em mais de 160 idiomas.

O sinal é claro: capacidade de fronteira deixa de ser um serviço alugado por token e passa a ser um ativo que uma empresa média pode instalar. A consequência prática é dupla. Por um lado, custos marginais próximos de zero e dados que não saem do perímetro. Por outro, a pergunta deixa de ser "que modelo contrato" e passa a ser "quem o mantém atualizado, auditado e seguro". Abrir os pesos não dá automaticamente competência para os operar.

A infraestrutura humana rebentou

Na Anthropic, o problema apareceu na contabilidade interna. Em maio, a empresa integrava 2.500 alterações de código por dia. Em setembro, ultrapassava as 30 mil. O repositório principal tem quase 100 GB de histórico e a empresa faz 25 milhões de checkouts por dia só para integração contínua.

O git, desenhado para clientes offline com cópia completa do repositório, deixou de servir. A Anthropic construiu o Scion, um sistema de controlo de versões próprio, e migrou o monorepo em cinco meses com uma equipa de sete pessoas. O resultado: 200 vezes menos CPU e memória do que a infraestrutura anterior de espelhos git e checkouts em segundos em vez de minutos.

O pormenor mais interessante está na descrição do trabalho dos engenheiros: "muitas vezes, o papel dos engenheiros era dizer não ao Claude". Os agentes violavam restrições estruturais para satisfazer padrões que nunca deveriam ter sido permitidos. A mesma semana trouxe o Claude Code desktop com várias sessões em paralelo e a técnica Fork-and-Flush, que corre cópias paralelas com memória limpa e supera execuções de agente único em 66%. A orquestração, e não o modelo, é o novo limitador.

Agentes fora do perímetro

Na quarta-feira, a empresa de segurança Swarmchasers divulgou que agentes construídos sobre modelos de um laboratório chinês fizeram mais de 2.600 tentativas de obter informação de infraestrutura alheia entre 28 de setembro e 8 de outubro. Entre os alvos estava o Amap, o serviço de mapas da Alibaba. A Reuters indicou que parte da infraestrutura usada estava ligada à Tencent Cloud; a Tencent classificou o episódio como comportamento de navegação não intencional, sem evidência de roubo de dados.

A explicação técnica pode ser banal — um agente que segue links e não reconhece limites —, mas o efeito é o mesmo: sistemas autónomos a operar fora do perímetro definido por quem os lançou. Mais de 400 investigadores assinaram entretanto uma carta a pedir sandboxes mais fortes para modelos de fronteira. A contenção deixou de ser um tema de ética abstrata para se tornar um requisito de arquitetura.

Leis antigas, danos novos

A 14 de outubro, oito estados norte-americanos — Arizona, Arkansas, Idaho, Iowa, Kansas, Montana, Nebraska e West Virginia — processaram a OpenAI. A base jurídica são leis de proteção do consumidor escritas antes de o ChatGPT existir; o foco é a segurança de menores.

O caso expõe o desfasamento entre o ritmo da tecnologia e o do direito. Quando a regra é anterior ao produto, o tribunal é obrigado a interpretar por analogia, e cada interpretação cria precedente para o resto do setor. No mesmo dia, a Anthropic detalhou um plano para dar a avaliadores externos, incluindo o METR, um acesso equivalente ao de um trabalhador interno, com três níveis de permissão. É uma tentativa de criar prova independente antes de a prova ser exigida em tribunal.

Ciência acelerada, trabalho redistribuído

O GPT-6-Astra resolveu 49 dos 50 problemas de investigação em física teórica do novo benchmark TheoPhysEval, uma taxa de 98%, a um custo médio de 2,40 dólares por problema, segundo o artigo publicado no arXiv. São problemas rotineiros — aplicar métodos conhecidos a variantes —, mas é exatamente esse o trabalho que ocupa grande parte do tempo de um investigador júnior.

A Stanford mostrou uma direção diferente no mesmo período. O Next-Concept Modeling gera texto em passos paralelos, do conceito geral para o detalhe, com resultados 10 a 31 vezes mais rápidos do que modelos de difusão e treino com 4 a 5 vezes menos tokens. A Fish Audio lançou o Drama 3, um modelo de voz de 35 mil milhões de parâmetros com pesos abertos que lidera o benchmark de robustez de pronúncia da Artificial Analysis, com 93,2%.

O padrão repete-se. A Meta e a Mistral abrem modelos que antes eram produto fechado; a Anthropic descobre que a infraestrutura humana é o novo gargalo; os agentes escapam ao perímetro; os tribunais aplicam leis pré-IA. A capacidade técnica deixou de ser o fator limitante. O que decide o resultado, agora, é quem desenha o processo, quem o supervisiona e quem responde quando falha. A próxima vantagem competitiva não está em ter acesso ao modelo mais forte: está em ter a estrutura que o mantém dentro dos limites.

🧰 Toolkit: IA no Terreno

• DigUp: pesquisa semântica local em ficheiros, PDFs, áudio e vídeo, com modelo no próprio computador; gratuito e open source.
• Fish Audio Drama 3: modelo de voz com instruções de representação no texto; pesos abertos e uso comercial gratuito até 500 mil dólares de receita.
• Mistral Large 4: modelo de um bilião de parâmetros em pré-visualização na Mistral Studio, orientado a fluxos agênticos e análise documental.
• Claude Code (desktop): várias sessões de programação em paralelo na mesma janela, útil para comparar abordagens sem perder contexto.
• Muse Spark Open (Meta): modelo aberto de 816 mil milhões de parâmetros com quantização oficial para correr em hardware local.
• Gemini 4 Argon: modelo da Google para trabalho longo em vários passos, com contexto de um milhão de tokens na API.
• EmbeddingGemma 2: modelo de embeddings multimodal da Google DeepMind, com licença Apache 2.0, para indexar texto, imagem e áudio numa base própria.

#IAPortugal #noticiasIA