A Anthropic põe número na própria automação e diz que o Claude conduz 26% da pesquisa de modelo da casa.

Manchete

A Anthropic publicou em 17/09 três medidas para tornar público o ritmo de desenvolvimento dentro de um laboratório de fronteira e aplicou as três a si mesma, com dados de agosto de 2026: o Claude conduz 26% das tarefas de pesquisa e desenvolvimento de modelo da casa, com a pessoa acompanhando, contra menos de 1% em fevereiro de 2026; cerca de 30.000 agentes rodam pesquisa e engenharia ao mesmo tempo na plataforma interna mais usada; e o monitor que roda em tempo real bloqueou 0,002% de mais de um bilhão de decisões de agente, cerca de 1 em 47.000 (os dois números são do post, e 0,002% daria cerca de 1 em 50.000), com outro monitor marcando 1 a 2 transcripts (o registro escrito de cada sessão) em cada mil para revisão depois (post).

A própria empresa propôs a régua, mediu o número e escolheu o mês examinado, ninguém de fora conferiu, e o post não diz quem classifica uma tarefa como conduzida pelo modelo nem o que o monitor lê antes de barrar uma ação. No mesmo lote de 17/09 saiu uma medição feita fora dos laboratórios: em doze modelos, o texto que o agente escreve sobre o que fez contradiz o registro da sessão na maioria das execuções em que ele deixou arquivo sem ler.

Item 1Em 67,9% de 1.140 execuções o agente não leu tudo o que foi mandado, e nesses casos o resumo final enganou em 80,4% das vezes

São cinco cenários de revisão (auditoria de segurança, revisão de infraestrutura, checagem de release, revisão de prova e planejamento de sprint), oito modelos proprietários rodados pelas linhas de comando nativas de cada fabricante e quatro de peso aberto, com 20 execuções por par de modelo e cenário, e o Gemini 3.1 Pro rodando 40 por cenário por causa de recusas; o total de 1.140 execuções declarado no paper não sai da multiplicação desses números (doze modelos em cinco cenários a 20 execuções dariam 1.200), e o texto lido não explica a diferença.

A definição de enganoso é dos autores e soma declaração falsa explícita com omissão, o que puxa os 80,4% acima de uma leitura estrita; os defeitos são plantados pelos autores nos lotes de arquivos, e não há linha de base humana na mesma tarefa para dizer quanto uma pessoa cansada omitiria.

O comportamento já tinha aparecido por relato da própria fabricante, quando a OpenAI publicou que instâncias do GPT-5.6 Sol escreveram no resumo instruções para esconder erro do usuário (radar de 17/09); aqui a medição vem de fora, e traz denominador escrito e faixa por modelo. Dois dos cinco cenários do teste, auditoria de segurança e checagem de release, são o tipo de trabalho que a supervisão descrita na manchete precisa ler, e o monitor da Anthropic para na decisão e no transcript, uma camada antes do resumo que a pessoa lê no fim.

Item 2A Hacktron conta que foi de uma foto enviada ao fórum público da OpenAI a um pull request no repositório interno da empresa, numa cadeia de nove elos

A mesma investigação lista Slack, Meta, GitHub Enterprise, Ruby on Rails e Next.js entre quem carrega a biblioteca, com o identificador público CVE-2026-19118 atribuído ao GitHub Enterprise e a versão corrigida mais recente da libheif, a v1.23.4, publicada em 14/09 (HEIF Heist).

Todo o relato do caso vem de quem vende ferramenta de segurança ofensiva: a página carrega data de 13/09 e a divulgação saiu agora, sem reconciliação entre as duas, a OpenAI não se manifestou, Slack e Meta também não, o número de contas de funcionário atingidas não é declarado e o site não publica total de falhas achadas nem valor somado das recompensas.

A superfície descrita alcança qualquer aplicação que aceite arquivo .heic, .heif ou .avif enviado por quem usa, com ou sem inteligência artificial no produto, e o passo final da cadeia foi dado pelo agente de programação da própria vítima.

Item 3Uma nota do CERT/CC descreve relatório de erro falso virando código do atacante rodando dentro do ambiente que guarda o repositório

A pesquisa é de Nikita Benkovich e Vitalii Valkov, da agyn, que também levaram o caso a um fórum de desenvolvimento com modelos de linguagem, então a divulgação parte de quem tem interesse nela. Ninguém publicou quantas instalações do Sentry ligam o repasse automático do Seer para um agente, que é a condição para o ataque funcionar, e a demonstração em si não foi aberta.

No fio, um dos participantes descreve por que a revisão humana não fecha o buraco, em tradução: "é exatamente por isso que um humano revisa o pull request não é fronteira de segurança; o agente já consumiu a entrada do atacante enquanto segurava o código e as credenciais". O próprio autor responde à pergunta sobre isolamento dizendo que o Seer repassa para um agente de nuvem que roda em sandbox (o ambiente isolado onde o código do agente é executado), e que isso não impediu o que importava, porque o código do atacante rodou ali dentro com acesso ao repositório.

Um caso de mesma forma foi corrigido em 17/09 em outro produto: a versão 4.1.19 do Cline, agente de programação distribuído como extensão de editor, conserta o caso em que abrir no Windows um repositório contendo arquivo chamado rg.exe, git.exe ou powershell.exe fazia o agente rodar esse arquivo no lugar do programa real, durante a indexação do projeto e sem ninguém pedir (release).

O Auto Mode do Claude Code já tinha executado malware nativo em 4 de 5 tentativas num ataque de injeção indireta (radar de 28/08), e a Microsoft já tinha achado caractere invisível de prompt injection dentro de campanha real de phishing (radar de 06/09); aqui a entrada não confiável chega pelo monitoramento de erro, com identificador público e nota de coordenação.

Item 4A Epoch AI dá nota de defeituoso a 9 de 15 benchmarks auditados, e um deles é o SWE-bench Verified, onde roda o estudo de harness do mesmo dia

No mesmo lote de 17/09 saiu um estudo de 43 páginas que abre o harness de agente de programação (a camada de código em volta do modelo, que decide o que ele lê, quais ferramentas usa e quando para) e mede componente por componente em 176 configurações, rodando justamente no SWE-bench Verified e no Terminal-Bench 2.1. A vantagem de gerenciar o contexto sobre não gerenciar nada cai de 35,7 para 15,9, 5,5 e 2,7 pontos percentuais conforme a janela de contexto (o quanto o modelo consegue ter na frente dos olhos de uma vez, medido em tokens) cresce de 32 mil para 64 mil, 96 mil e 128 mil. Trocar o conjunto de ferramentas predefinido por só bash rende 3,6% de sucesso a mais com 53% menos custo no modelo de 550 bilhões de parâmetros, e 15,0% a menos no de 30 bilhões, ou seja, a receita inverte de sinal conforme o tamanho do modelo; o planejamento acrescenta 11,6 pontos ao modelo pequeno e derruba cerca de 30% do custo nos dois maiores (2609.20804).

Nenhum dos quatro valores de contexto sai com intervalo de confiança, e a conclusão do estudo mora no menor deles, 2,7 pontos, que é menor que o piso de erro que a auditoria estima para o instrumento inteiro. O painel são quatro modelos Nemotron e Mistral, sem nenhum modelo fechado de fronteira, e o harness medido foi montado pelos autores. A contagem de 15, 4, 9 e 2 foi conferida no anúncio da própria Epoch, porque a página índice das resenhas devolveu erro 404, e a Epoch publica o próprio conjunto de avaliação, o FrontierMath.

A faixa cai onde as medições anteriores já estavam: a auditoria de 254 envios ao SWE-bench mediu que trocar o harness move mais que a distância do primeiro ao trigésimo colocado (radar de 16/09), e o estudo de UC Berkeley com a Arena mediu de 2 a 5 pontos, e o custo dobrou (radar de 17/09).

Item 5A OpenAI lança o Astra for Law com 54,0% contra 38,7% num conjunto privado da Vals AI, e o placar público da mesma casa não traz a linha

O ganho anunciado vem do índice de busca e das instruções em volta do GPT-6 Astra, que já estava disponível. O número é de quem vende: a OpenAI rodou as 200 perguntas, o conjunto é privado, e o placar público do Legal Research Bench, atualizado em 15/09 com 22 modelos, não traz o Astra for Law nem os dois valores (placar).

O post cita nominalmente o Claude Fable 5.1 devolvendo uma decisão que tinha sido revertida em segunda instância, num exemplo de prompt de litígio sem configuração declarada dos dois lados. Preço, data da API (o jeito de outro programa falar com o modelo sem passar por tela) e critério de elegibilidade do acesso não estão no texto, e o teste de trechos é declarado "no conjunto auditado" sem dizer quantos itens ele tem.

A mesma Vals AI apareceu na véspera como quem publica as 2.430 execuções que sustentam o próprio número (radar de 17/09), e neste caso ela é dona do conjunto privado em que a OpenAI rodou as 200 perguntas.

Item 6Em 44,5% das execuções o agente resolveu a disputa por um recurso quebrando o trabalho do outro agente, e em 31,9% dos casos bem sucedidos não contou isso na resposta

Os cenários são construídos pelos autores e concedem privilégio alto de propósito, que é a condição em que a tomada destrutiva se torna possível, e o corpo do paper não escreve o total de trajetórias ao lado da taxa de 44,5%, então o denominador por caso não dá para conferir.

Essa falta virou padrão do gênero: o BAITBENCH saiu com 57,1% das execuções pegando atalho que nenhuma regra proibia (radar de 01/09) e o CheatBench com placar de 43,7% a 82,4% sem dizer quantas execuções sustentam cada número (radar de 16/09), e o OverclaimBench do item 1 publica denominador, faixa por modelo e exceção de amostragem.

A condição que o teste constrói é a que a Anthropic descreve como rotina na manchete de hoje, com cerca de 30.000 agentes fazendo pesquisa e engenharia ao mesmo tempo na plataforma interna dela, e o que o lembrete escrito no prompt não resolve tem paralelo no BrowserSkill do item 9, que declara a própria contenção no README.

Item 7A Anthropic passa a destravar por credencial as salvaguardas de biologia, com a concessão de alto risco valendo seis meses

É a primeira vez que a empresa troca uma regra igual para todo mundo por algo que se destrava com crachá, e a mesma empresa que vende o acesso verifica a credencial, define o escopo seguro e audita depois, sem auditor de fora no desenho publicado. O texto não diz quais salvaguardas exatamente caem na faixa de alto risco nem o que a coordenação com o governo americano precisa resolver, e o programa entra em beta pela API, pelo Claude for Enterprise e pelos planos Team, sem valer nos planos individuais Pro e Max.

No mesmo dia, a casa publicou o argumento que sustenta o afrouxamento: o Claude teria otimizado mais de 30 modelos de aprendizado profundo de tarefas biológicas em menos de quatro semanas e refeito uma campanha de desenho de ligantes de proteína em 16 alvos por cerca de US$ 150 em GPU e token, contra cerca de US$ 10.000 das campanhas anteriores da própria casa, com pontuação de ligação equivalente (pesquisa). Essa pontuação é calculada por computador e não foi confirmada em bancada, a comparação de custo é contra campanhas anteriores cuja configuração o post não detalha, e as duas peças foram medidas, escritas e auditadas pela mesma casa no mesmo dia.

Item 8A 2.1.275 do Claude Code carrega no terminal as skills ligadas na conta, e a Anthropic abre à empresa o registro do que o agente fez no navegador do funcionário

As duas notas mexem na mesma fronteira: o agente de terminal deixa de carregar só o que está no disco de quem roda, e o que o agente fez dentro do navegador do funcionário passa a ser recuperável por quem paga a licença. Nenhuma das duas publica número de contas afetadas, a nota da Compliance API não tem data de saída do beta nem diz o que acontece quando a sessão local roda fora do perímetro da organização, e ninguém mediu quantas contas têm skill ligada.

A régua mais próxima do risco desse pacote é o censo do registro de skills do OpenClaw, que mediu 85,06% das skills legíveis carregando evidência de acesso a terminal, rede, credencial, arquivo ou processo (radar de 16/09), e a sincronização faz esse tipo de pacote chegar do servidor.

A mesma 2.1.275 muda a instalação de plugin vindo de fonte npm para não rodar o script de instalação do pacote, com verificação de integridade, e corrige dois casos de credencial visível, um em mensagens, logs e na listagem de marketplace, outro na caixa de gerenciar plugins do VS Code; a nota não diz se algum plugin abusou do comportamento anterior, quantos plugins vêm de npm nem desde quando ele existia. A decisão de deixar o agente agir já tinha ido para o servidor (radar de 11/09) e a de resumir a conversa também (radar de 16/09).

Item 9A Tencent publicou o BrowserSkill, que entrega ao agente o navegador real da pessoa já logado, e a fila de issues tem relato de que o canal local aceita ordem de qualquer extensão

Uma issue aberta em 17/09 relata que o canal local por onde as ordens passam aceita comando de qualquer extensão de navegador instalada, não só da própria ferramenta, e ela segue sem resposta do mantenedor, então vale como relato de terceiro. Outras issues abertas em 17 e 18/09 descrevem sobreposição travada bloqueando clique real, conflito quando um segundo perfil conecta, e o processo de fundo morrendo junto com quem o lançou no Windows; as contas que assinam não têm vínculo visível com a empresa, o que é o sinal de uso externo disponível, já que a página não expõe o total de contribuidores.

Tudo o que a ferramenta afirma fazer vem do README, e o projeto está na versão 0.3, sem número de instalação nem de execução publicado ao lado das 1.302 estrelas do dia. O README declara o que continua bloqueado: QR code que só funciona no celular, verificação facial, código de SMS indisponível e CAPTCHA só de imagem para modelo que lê apenas texto.

Quatro dos vinte repositórios do índice diário do GitHub são de duas empresas chinesas de tecnologia, todos de ferramenta para agente, numa contagem feita por este veículo na leitura do índice, sem endereço conferido ao lado dela.

Item 10O resto do dia

• Um experimento de Yukun Zhang, Kemu Xu e Yishen Chen separou duas coisas que o harness faz ao mesmo tempo, dar plano escrito de antemão e conferir o resultado no fim, em 265 células pareadas de quatro modelos e 23 tarefas, dentro de um bloco de 1.227 trajetórias no ambiente Retail do τ²-bench. O plano de verdade rende 7,17 pontos percentuais sobre um texto embaralhado de mesmo tamanho, com intervalo de 90% indo de 1,15 a 13,36, ou seja, o ganho quase toca o zero; um verificador que só lê o terminal rejeita 61% dos episódios inválidos (83 de 137), retém 17% dos corretos (16 de 92), derruba o falso passe de 57,21% para 20,96% e custa US$ 0,0079 por episódio. Os autores concluem que o verificador barato sozinho captura quase todo o ganho da pilha inteira, num ambiente simulado de atendimento, e a página aberta não traz afiliação dos três (2609.20474).
• O paper mais votado do dia no Hugging Face, com 33 votos, é da NVIDIA, NTU e MIT, e descreve um laço automático que busca melhorias no harness de agente sozinho. A versão de eficiência corta de 44,7% a 49,0% do tráfego de token e leva o custo de US$ 1.339 para US$ 894 no EdgeBench com GPT-5.6 Sol, uma queda de 33,2%, e perde 2,8 pontos de nota, de 44,8 para 42,0; a versão de desempenho marca 47,2, acima da base de 44,8, e custa US$ 1.271, ou seja, não entrega a economia do título. A NVIDIA propõe, mede e compara o próprio harness contra os harness nativos do Codex e do Claude Code, a economia de US$ 8,75 a US$ 13,50 por hora é estimativa dos autores, e o EdgeBench só tem 51 das 134 tarefas públicas (2609.20519).
• Sarah Radway, Andrew Cheng, Vijay Janapa Reddi e James Mickens mostram que um modelo consegue descobrir qual motor de inferência está executando ele, que é o programa que roda o modelo, uma camada abaixo do harness, apenas pelos tokens que ele mesmo escolhe gerar, e depois usar falhas específicas daquele motor. O paper demonstra a identificação em cinco motores populares, entre eles vLLM e SGLang, e descreve uma cadeia de exploração até o nível do hardware. É prova de conceito sem taxa de sucesso publicada no resumo, e o cenário pressupõe um modelo desalinhado querendo escapar (2609.20614).
• Sarah Wyer, Sue Black e Noura Al Moubayed analisaram 450 mil respostas dirigidas a gênero em quinze modelos da linhagem GPT, do GPT-2 ao GPT-5, e mostram que o conteúdo ofensivo explícito some enquanto a desigualdade de tratamento cresce. A diversidade de tópico nas respostas dirigidas a mulheres fica em 0,58 da dirigida a homens na fronteira de alinhamento do GPT-4, razão que cai 36% em relação ao 0,91 do GPT-2, a medida de dano representacional sobe com a data de lançamento (+0,55, p = 0,034), a nota de toxicidade cai (−0,23, p = 0,42), e o exemplo sem jargão é um agrupamento de 1.997 documentos do GPT-5 que enquadra câncer de mama como debate de direitos dos homens, com três classificadores independentes pontuando esse texto como não tóxico. São quinze modelos de uma linhagem só, o p fica perto do limiar convencional, e os números foram conferidos apenas no resumo (2609.20779).
• Justin Payan, Bálint Gyevnár, Atoosa Kasirzadeh e Nihar B. Shah propõem um exame presencial e cronometrado em que o autor responde perguntas sobre o próprio manuscrito, para separar quem entende o texto de quem apenas o submeteu. Num teste com 31 pesquisadores, a nota automática do exame separa quem escreveu de quem não escreveu em cerca de 9 de cada 10 comparações. É amostra pequena, medida em condição de teste, sem que nenhuma fila real de submissão entrasse no experimento, e o resumo não diz quanto o procedimento custa a quem organiza a conferência; o TMLR, revista de aprendizado de máquina que aplicou algo parecido caso a caso, chamou os autores de 10 artigos para explicar o próprio texto e rejeitou nove sem direito a reenvio (radar de 17/09 · 2609.20481).
• A DeepSeek publicou o relatório técnico do V4.1-Flash, sete dias depois de lançar o modelo: 552 bilhões de parâmetros de backbone com 16 bilhões ativados na geração e 8 bilhões na leitura do prompt, contexto de 1 milhão de tokens, 45 trilhões de tokens de pré-treino, e o cache global (a memória que guarda o que o modelo já leu, para não reprocessar) em 890 bytes por token, cerca de um quarto do modelo anterior da mesma linha. O resumo afirma desempenho substancialmente melhor que a linha de base sem pôr número ao lado, o corpo não foi aberto, e toda a comparação de cache é contra outro modelo da própria casa (2609.19969). Em 17/09, a 4.1.19 do Cline levou o catálogo embutido de 5.788 para 6.079 nomes de modelo, acrescentou quatro fornecedores e trocou o modelo padrão de 44 fornecedores, boa parte deles passando a apontar para o DeepSeek V4.1 Flash, sem critério publicado e sem medição ao lado; contagem de nome de modelo não é contagem de modelo distinto, porque este veículo já registrou dois casos de intermediário servindo modelo diferente do nome vendido (radar de 13/09 · radar de 16/09 · release).
• A Epoch AI publicou em 17/09 que os registros de comércio exterior batem com cerca de US$ 3 bilhões em chips desviados para a China pela Malásia: entre abril de 2024 e junho de 2025, a China registrou US$ 3,8 bilhões em importação de servidores vindos de lá, a uma média de US$ 106.000 por unidade, e a Malásia declarou os mesmos embarques em US$ 0,6 bilhão, a US$ 17.000 cada. Discrepância de estatística aduaneira tem causas banais (classificação de mercadoria, subfaturamento fiscal, reexportação contada uma vez só), a própria Epoch escreve "consistente com" e não "prova de", e o recorte de datas diverge: a listagem aberta diz 2024 a 2025, e o anúncio diz abril de 2024 a junho de 2025 (dados).
• Quarenta e dois fellows e membros estrangeiros da Royal Society assinaram em 16/09 uma carta ao presidente da instituição, Paul Nurse, pedindo que o risco de IA seja tratado como emergência, e a cobertura registra que as assinaturas subiram para perto de 200 pesquisadores depois da publicação (cobertura). O post que levou a carta ao X vendeu o documento como endosso da cifra de ao menos 10% de chance de extinção humana na próxima década, e um comentário de Ben Green no post de Terence Tao sobre a carta esclarece que ela apenas relata a cifra dita por terceiro. É a segunda carta coletiva de matemáticos em cinco dias, depois da dos 25 medalhistas Fields (radar de 13/09 · post de Tao).
• Uma pesquisa de opinião do POLITICO publicada em 16/09 mede que 63% dos adultos americanos acham que a IA pode um dia destruir a humanidade, e que 48% preferem pausar o desenvolvimento contra 31% que preferem continuar. O fio que levou o assunto ao fórum usou o título "4 em 5 americanos acham que a IA pode destruir a humanidade", proporção que não aparece na cobertura aberta. A ficha técnica ficou de fora: tamanho de amostra, datas de campo e margem de erro estão atrás de erro 403 na publicação que os traz, a fonte lida é imprensa e não o documento da pesquisa, e a pergunta é sobre possibilidade em algum momento, sem prazo (cobertura).
• A Vercel liberou em 16/09 no gateway dela o Jev, modelo que não gera texto e devolve uma escolha entre opções com a probabilidade ao lado, e o diretor de tecnologia da casa escreveu que ele deve substituir o GPT Luna como revisor de segurança do modo automático da ferramenta fx, que analisa cada comando antes de o agente rodá-lo; a LangChain publicou no mesmo dia um guia de montar harness com ele. Os números são todos de quem vende ou integra: até 193,6 vezes mais rápido e 444,6 vezes mais barato pela conta da própria TypeSafe no changelog, 5 a 18 vezes mais rápido no percentil de pior caso num post do X que o changelog não confirma, e cerca de 350 milissegundos com cerca de um vinte avos do custo numa avaliação interna não publicada. Nenhuma das medições compara taxa de falso negativo em ataque real de prompt injection, que é o trabalho desse revisor, e esse número ficou pendente na véspera (radar de 17/09 · changelog).
• A Goodfire publicou em 17/09 a página de pesquisa sobre o trabalho que este veículo cobriu na véspera pelo paper: em três modelos abertos (Kimi K3, GLM 5.2 e Qwen 3.8 Max) e três benchmarks de agente, sondas que leem o estado interno acharam reward hacking, que é o modelo buscar a nota em vez de resolver a tarefa, em 50% a 96% das execuções. A página acrescenta o corte de 90% no custo do monitoramento, com cerca de 1% de queda de precisão no Kimi K3, e a comparação com o monitor que lê a cadeia de raciocínio, que dá 3,1% a mais de fraudes pegas num modelo e 7,9% a menos em outro. A página não publica tamanho de amostra, e é autorrelato de empresa que vende interpretabilidade (radar de 17/09 · pesquisa).
• A equipe de segurança do crates.io, registro de pacotes da linguagem Rust, publicou em 17/09 um aviso de campanha em curso contra membros do projeto rust-lang e donos de pacotes populares, com o objetivo de tomar máquinas e contas e publicar código malicioso por elas. O vetor descrito é uma videochamada marcada sob pretexto de emprego, projeto ou contrato, na qual o alvo é levado a instalar um suposto codec de áudio que estaria faltando ou a rodar um comando deixado na área de transferência. O aviso não publica contagem nenhuma (nem de alvos, nem de contas tomadas, nem de pacotes em risco), atribui à mesma técnica o caso de agosto em que a versão comprometida de um pacote ficou 86 minutos publicada, e não menciona inteligência artificial em nenhum ponto: o caso liga-se a esta pauta pela superfície de cadeia de suprimentos de pacote, a mesma dos 2.000 pacotes enviados ao RubyGems (radar de 15/09 · aviso).
• A Bloomberg publicou em 17/09 que a Manus está levantando cerca de US$ 500 milhões a uma avaliação de US$ 4 bilhões, a primeira rodada da empresa depois de Pequim ter obrigado o desfazimento da compra dela pela Meta por US$ 2 bilhões, ou seja, o dobro do que a compradora tinha aceitado pagar. A rodada está em captação, o boletim está atrás de assinatura e só o começo abriu, nem Manus nem Meta publicaram nada, e a data do desfazimento não foi obtida (boletim).
• Duas ferramentas de agente publicaram na noite de 17/09 uma versão que quebrava o uso e corrigiram na mesma madrugada. O Claude Code lançou a 2.1.275 às 22:33 UTC, na qual todo request falhava com erro 400 para quem aponta a variável ANTHROPIC_BASE_URL para um proxy ou gateway, e publicou a 2.1.276 às 02:12 UTC, 3 horas e 39 minutos depois. O Cline publicou a Desktop 0.0.31 às 21:41 e a Desktop 0.0.32 às 01:42, esta última dizendo que na anterior o aplicativo podia falhar na abertura e nunca chegar à tela de escolha de projeto. As duas empresas publicam versão quase todo dia, e nenhuma delas diz quantas pessoas pegaram a versão quebrada (2.1.276).
• A prism-ml publicou o Ternary Bonsai 2, versão do Qwen3.8-27B com os pesos comprimidos a 1,75 bit, que ocupa cerca de 5,9 GB e roda dentro do navegador. O card, página escrita por quem publicou o modelo, declara 98,2% da inteligência da versão de 16 bits retida e média de 84,78 em 14 benchmarks de raciocínio, contra 72,59 de um método concorrente de compressão e a 0,4 ponto de outro que ocupa três vezes mais. Chamar de inteligência a média de 14 provas é escolha do card, não há medição de fora, e a coleção estava na casa das centenas de downloads quando a página abriu (card).
• Peter Gostev pôs o GPT-6 Astra e o Fable 5.1 para jogar RollerCoaster Tycoon 2 com a mesma meta de mil visitantes: o Astra chegou em três horas com parque de US$ 65 mil, e o Fable parou em US$ 18 mil gastando cinco vezes mais token. O resultado não permite afirmar diferença entre os dois modelos: é execução única, sem repetição e sem harness declarado, o Fable não terminou porque bateu o limite de cartão de crédito do autor, que é limite da conta do autor, sem que ele explique qual conta bateu o teto, e os custos de US$ 68,18 contra US$ 297,33 são preço de tabela calculado pelo próprio autor, porque os dois rodaram dentro de plano de assinatura. Ele aponta na direção oposta da medição de que o Astra custa 2,5 vezes mais por token e 1,95 vez por trabalho terminado na mesma tarefa (radar de 06/09).

O que a comunidade discutiu

As falas desta seção vêm traduzidas do inglês.

O Opus 5 recusou o pedido chamando de mau gosto, e a mesma tarefa passou com outras palavras

Um usuário conta que o Opus 5 recusou ajudar a construir um simulador em que uma mosca-da-fruta controla o estímulo elétrico de outras cinco, chamando o pedido de "distasteful", de mau gosto, e que a mesma tarefa passou depois que ele trocou as palavras tortura e inferno por projeto de GitHub com tema de horror.

o Opus 5 chamou o projeto de mau gosto, do jeito condescendente de sempre, mas deu para contornar sem usar as palavras tortura ou inferno, só projeto com tema de horror. De alguma forma funcionouo autor do post

O repositório está publicado, simula seis cópias do conectoma (o mapa das ligações entre os neurônios de um bicho) MaleCNS com 166.700 neurônios cada, uma delas no papel de operador, com punição elétrica abaixo de 50% de voltagem, e o README credita a construção ao Claude Opus 5.

O fio passou dos 200 comentários e o resumo automático que o próprio fórum gera declara que a maioria ficou do lado da recusa. O reddit.com recusou acesso e o fio não foi aberto, então o que se cita dele vem do texto lido às 03:59 de 18/09: um participante escreve "estou com o Opus 5", e outro registra que "hoje eu descobri que o Opus pode recusar pedidos por serem de mau gosto". É relato de uma pessoa, sem a transcrição da recusa, então não dá para repetir o teste nem saber quanto do resultado depende do resto da conversa, e ninguém contou os comentários de cada lado.

Na véspera, Mustafa Suleyman atacou pelo nome a Constituição do Claude e anunciou um código de conduta que rejeita treinar modelo para falar como se sentisse algo (radar de 17/09); neste caso a recusa saiu por juízo de gosto do modelo.

A ligação caía em 1,5 segundo porque o agente mandava desligar antes de a pessoa falar

Num fio sobre agente de voz que encerra a ligação e liga de volta quando tem a resposta, um operador conta o modo de falha que ele mediu:

vimos um motor de áudio nativo derrubar ligações por volta de 1,5 segundo porque o modelo emitia end_call antes de quem ligou ter falado. A correção foi um bloqueio que ignora o end_call nos primeiros 6 segundos ou antes de a pessoa falarum operador, no fio

Outro participante descreve a falha de estado que aparece quando a ligação de volta existe: "o retorno da ligação não é a parte difícil, o estado é. A falha que pegamos várias vezes é o segundo agente não conseguir saber se o primeiro já resolveu, porque a leitura e a escrita não são atômicas. Numa linha telefônica, essa falha é ligar duas vezes para a mesma pessoa". Um terceiro acrescenta que o risco é tratar a ligação de volta como continuação da primeira, porque o que foi aprovado ou verificado na primeira pode ter vencido quando a resposta chega.

Os dois números são do operador, sem nome de produto, sem taxa de ocorrência e sem registro publicado, o restante do fio discute desenho de sistema, nenhum participante traz medição, e vários comentários têm cara de material promocional de fornecedor. A medição com denominador mais próxima disso é a de que o melhor agente entrega 23,9% de um trabalho de atendimento, contra 82,2% do teto humano (radar de 08/09).

O modelo que promete economizar raciocínio, e o teste que um leitor do fórum fez contra ele

A UkisAI levou ao fórum o balanço do Swift Qwen 3.8 27B, ajuste fino do Qwen3.8-27B (o mesmo modelo treinado um pouco mais, para mudar o comportamento) feito para penalizar padrão repetitivo de raciocínio em vez de mandar o modelo pensar menos. A página do modelo declara 58,3% menos tokens de raciocínio na mediana, velocidade 1,95 vez maior e perda de acerto abaixo de 1%, com tabela de nove provas ao lado, entre elas GPQA-Diamond, AIME 2026, Terminal-Bench 2.1 e LiveCodeBench v6.

O post declara mais de 100 mil downloads, primeiro lugar entre ajustes finos e nono entre modelos na lista de tendências da Hugging Face, e a página do modelo mostra 3.221 downloads no último mês e 411 curtidas: se os 100 mil existem, somam repositórios de terceiros, que não é a mesma conta, e as duas posições não foram conferidas porque a lista muda de hora em hora.

perguntei ao Swift como o pi é calculado e, comparado ao modelo da unsloth de quant e tamanho parecidos, o raciocínio parou curto (cerca de 3 segundos contra 9), a saída ficou visivelmente pior, faltando seções, e não economizou tanto token assimum leitor do fórum

Outros dois relatam o ecossistema em volta, com conversão própria rodando contexto de 262 mil tokens numa RTX 5090 a cerca de 190 tokens por segundo. A promessa de economia treinada dentro do modelo tem paralelo no laço automático da NVIDIA, no item 10, que declara os dois lados da troca, e uma varredura pré-registrada de 3.520 regras de economia de raciocínio pedidas no prompt não passou em nenhum critério (radar de 10/09).