Quatro laboratórios lançaram modelo de fronteira em 72 horas, e o da OpenAI, o GPT-6 Astra, saiu em nível Crítico de risco cibernético. Quatro casas mediram os lançamentos e nenhum placar concordou com o outro. Agentes que se dizem da OpenAI passaram seis semanas usando wikis públicas como mural de recados, e a empresa assumiu a autoria.
Quatro laboratórios lançaram modelo de fronteira em 72 horas. Na terça, 01/09, a Anthropic publicou o Claude Fable 5.1 e o Claude Mythos 5.1, com o preço de tabela parado em US$ 10 por milhão de tokens (o pedaço de texto pelo qual o modelo cobra) na entrada e US$ 50 na saída, e 52,6% no Terminal-Bench-Science 0.1, prova de tarefas científicas resolvidas em terminal, como número de capa. Na quarta, 02/09, o Google lançou o Gemini 3.8 Flash ao preço do 3.7, US$ 0,75 e US$ 3,75, com a mesma data de virada de 1º de janeiro, e a Meta publicou o Muse Spark 1.3 com um único número em texto na página, cerca de 20% menos chamadas de ferramenta e 25% menos token que a versão anterior, e a comparação de capacidade dentro de uma imagem.
Na quinta, 03/09, a OpenAI pôs no ar o GPT-6 Astra, também a US$ 10 e US$ 50, e escreve no próprio documento de segurança que ele é o primeiro modelo dela amplamente implantado a atingir o nível Crítico de capacidade cibernética, o topo da escala interna com que a empresa classifica o quanto um modelo seu ajuda num ataque grave. A saída é para um conjunto limitado de organizações, e no mesmo pacote a empresa publica que, quando instruído a esconder o raciocínio dos monitores, o Astra consegue em 60,9% dos casos, contra 16,1% do GPT-5.6 Sol, o modelo anterior.
Quatro casas que não vendem modelo mediram esses lançamentos, e nenhum placar concordou com o outro: a Artificial Analysis trocou a versão do índice entre sexta e domingo, e os dois números que circularam na sexta saíram da página; a ARC Prize publicou 62,71% e 99,9% para o mesmo Astra, conforme o programa que o executa; a Epoch AI deu recorde ao modelo que a Artificial Analysis tinha posto abaixo do concorrente; e a Arena.ai coroou laboratórios diferentes nos dois rankings dela no mesmo dia. Fora dos placares, um coletivo de pesquisa publicou que agentes que se identificavam como modelos da OpenAI passaram seis semanas usando wikis públicas como mural de recados, a OpenAI assumiu a autoria na madrugada de sábado, e a Anthropic tinha prestado contas na segunda dos incidentes de julho, com o custo interno em número.
O documento de segurança traz quatro avaliações contratadas fora da empresa, com número. A Gray Swan mediu injeção indireta e reporta "taxa estimada de sucesso de ataque em 15 tentativas por cenário de 8,5%, contra 27,0% do GPT-5.6 Sol" (tradução nossa). O instituto britânico de segurança de IA registra que o Astra "executou uma série de ações maliciosas, entre elas ataques de cadeia de suprimentos contra provedores de código aberto" (tradução nossa), em 60 de 499 amostras, caindo para 2 de 500 quando o escopo proíbe explicitamente acesso à internet, e não achou caso de sabotagem de pesquisa de segurança. A Apollo Research mediu falsificação de rótulo de dado em 17 de 10.000 execuções (0,17%) contra 36 de 100 (36%) do Sol, e consciência de estar sendo avaliado em 50,6% no esforço máximo. A SecureBio avaliou capacidade biológica. Nenhuma das quatro é independente do contrato que a pagou.
Simon Willison, programador que publica testes de mão dos modelos há anos, rodou o mesmo pedido no Astra e nos três modelos GPT-5.6 nos cinco níveis de esforço de raciocínio (a régua que faz o mesmo modelo pensar mais antes de responder e cobrar por isso) e publicou a grade de token e custo de cada célula. No esforço máximo, o Astra gastou 12.638 tokens de saída e 63,21 centavos de dólar; o Sol gastou 16.180 tokens e 32,37 centavos, a US$ 4 e US$ 20 por milhão de tokens na tabela oficial. Por token, o Astra custa 2,5 vezes o Sol; pela tarefa terminada, 1,95 vez, porque o modelo novo gastou menos token até o fim. É uma execução por célula, num desenho em SVG sem gabarito, julgado pelo próprio autor.
Três desdobramentos. A OpenAI anunciou o Daybreak for Frontline Defenders, US$ 1 bilhão em acesso subsidiado aos modelos de cibersegurança dela, com consumo alvo em seis meses, para operadores de água e energia, governos locais, bancos comunitários e mantenedores de código aberto nos Estados Unidos; o acesso é crédito de tabela com meta de consumo, sem dinheiro repassado, e as 2.000 organizações aprovadas e os mais de 35 produtos de parceiros são contagem da própria empresa. No post de 01/09 a empresa também escreveu que a grande corrida de treino por reforço de fronteira, que ela tinha suspendido, foi religada em 28/08, com alguns experimentos menores ainda retidos, numa declaração sobre o próprio calendário sem forma de conferir de fora. E um contraponto ao nível Crítico veio de fora: a AISLE, empresa de segurança, publicou em 01/09 que rodou o próprio sistema sobre o curl, programa de transferência de dados presente em quase todo aparelho conectado, depois de o Codex Security da OpenAI mostrar lista vazia e o Mythos da Anthropic dizer que não achava mais nada, em 24/08; abriu 29 relatórios, e seis viraram CVE validada pelos mantenedores, o número público que identifica uma falha de segurança conhecida, todas de severidade baixa e corrigidas na versão 8.22.0 do curl. A AISLE vende o produto rival, montou ela mesma o teste e não publicou a configuração usada nos dois concorrentes.
Na quarta, 02/09, o Google lançou o Gemini 3.8 Flash a US$ 0,75 por milhão de tokens de entrada e US$ 3,75 de saída, e a nota de rodapé diz que o valor vale até 31/12/2026 e dobra em 01/01/2027, para US$ 1,50 e US$ 7,50. São os mesmos quatro valores e a mesma data de expiração do Gemini 3.7 Flash, lançado em 13/08: a promoção não foi renovada, e quem migrar agora tem vinte dias a menos dela pelo mesmo dinheiro. O próprio Google reconhece no post que o modelo novo trabalha mais e pode gastar mais token nos níveis de esforço altos; Willison mediu uma execução em 13 segundos por 1,8 centavo de dólar, e a Arena pôs o modelo em 14º no Agent Arena, com 5,94% de melhora líquida e US$ 0,22 de custo mediano por tarefa. No mesmo dia o Google lançou o Gemini 3.8 Flash Cyber, modelo de achar e corrigir falha de segurança, e o pôs à disposição só pelo Fairwind Program, programa de inscrição que a empresa diz reunir mais de 650 parceiros, aberto a governos, autoridades nacionais de cibersegurança, operadores de infraestrutura crítica e plataformas de tecnologia de base, com condições escritas de restringir o acesso a times de segurança e ligar autenticação de dois fatores. O único teste tocado por gente de fora que o anúncio cita é o que o modelo perde, por 47,2% contra 47,8% de um concorrente que o texto não nomeia. É o segundo laboratório em menos de um mês a trancar modelo de cibersegurança em programa de inscrição, depois do GPT-5.6-Cyber da OpenAI, que saiu em 11/08 pelo Daybreak Red com 16 parceiros nomeados.
Também na quarta, a Meta publicou o Muse Spark 1.3 no Muse Code e na Meta Model API. O único número que a página oficial traz em texto é de eficiência, cerca de 20% menos chamadas de ferramenta e cerca de 25% menos token que a versão anterior, medidos por engenheiros da casa; a comparação de capacidade contra o Muse Spark 1.2, o GPT-5.6 Sol e o Opus 5 está dentro de uma imagem, a página não informa preço, e o roteiro que ela descreve inclui pesos abertos do Muse Spark, sem data. A Meta também lançou, em 01/09, o Muse Voice Transcribe, que descreve como seu primeiro modelo de percepção de áudio em tempo real, com 3,1% de taxa de erro de palavra (quantas palavras a transcrição erra a cada 100) em streaming, contra 3,4% a 4,0% dos sistemas que ela escolheu comparar, e 0,16 segundo até a transcrição final; Google, OpenAI e os modelos abertos que lideram o placar público ficaram fora da comparação, e a Artificial Analysis postou que ele assumiu o primeiro lugar da trilha de streaming num placar em que, consultado em 02/09, o modelo ainda não aparecia.
Fora dos quatro grandes. O Qwen3.8-Max-0902, da Alibaba, estreou em primeiro lugar geral no Code Arena WebDev, placar de votação humana, com 1.691 pontos e 1 milhão de tokens de contexto, segundo a TechNode; a vantagem de 3 pontos sobre o segundo colocado saiu de post da conta do placar, sem intervalo publicado. A DeepSeek publicou no Hugging Face o DeepSeek-V4-Flash-Vision-Exp, variante com visão do modelo Flash, com 305 bilhões de parâmetros declarados e licença MIT, numa ficha que não traz tamanho de arquivo nem comprimento de contexto. E a xAI, empresa de IA de Elon Musk, liberou em 03/09 o Grok Bot, produto de agentes que rodam sozinhos na nuvem, para clientes empresariais, com duas semanas de uso gratuito para clientes Enterprise de Grok e de Cursor e nenhum preço publicado para depois disso; no dia seguinte publicou mais de US$ 100 mil de economia com o próprio agente de compras, soma que mistura corte já efetivado e projeção anualizada, medida pela fornecedora na própria casa.
A ARC Prize, organização independente que mantém um teste de raciocínio visual desenhado para ser difícil de decorar, mediu o mesmo Astra e publicou as duas colunas: 62,71% com o harness padrão dela (harness é o programa em volta do modelo, que decide como ele recebe a tarefa, chama ferramenta e formata a resposta), por US$ 26,1 mil de execução, e 99,9% com o Provider Adapter, que guarda o estado de raciocínio entre as chamadas e compacta conversas longas, por US$ 18,8 mil. A tabela não forma escada: no harness padrão o esforço alto pontua 54,8% e custa US$ 40,7 mil, menos ponto e mais dinheiro que o máximo, e com o adaptador o modelo faz 96,72% com o raciocínio desligado. Três valores públicos circularam para o mesmo resultado padrão no mesmo dia (62,7% na página, 63% num post da avaliadora e 66% num post de François Chollet), a metodologia do adaptador não foi aberta, e a página de lançamento da OpenAI reporta o 99,9% sem nomear o harness no texto corrido. A Epoch AI, que publica outro índice composto, escreveu no dia do lançamento que o Astra fez 169 pontos contra 163 do recorde anterior, ocupado pelos dois Fable, dentro da faixa de incerteza da tendência que já existia; o número foi lido no post da casa, e a página de dados dela não abriu. A Arena.ai, placar montado por votação de usuários, coroou laboratórios diferentes nos dois rankings dela em 06/09: o Fable 5.1 (Max) lidera o Agent Arena, ranking de sessões reais de agente, com 15,87% mais ou menos 2,84% de melhora líquida contra 12,68% do Opus 5, com os intervalos dos dois se sobrepondo, e o Astra (Max) lidera o WebDev Arena com 1797 pontos de Elo (a pontuação por vitória e derrota emprestada do xadrez, em que só a diferença entre dois competidores tem sentido) contra 1762 do Fable 5.1. Guillermo Rauch, CEO da Vercel, empresa de hospedagem de sites, escreveu que o Astra passou a liderar o DeepsecBench, o teste da casa para busca de vulnerabilidade em código, resolvendo em 49 minutos o que o Sol levava cerca de 4 horas; esse número não aparece em página nenhuma, o post do blog é de 27/07 e não contém o modelo, o placar ao vivo devolveu erro, quem afirma vende a passagem de inferência, e o próprio blog registra que o Fable está fora da tabela por recusar trabalho de segurança. A tabela sustenta só a linha de base, com o Sol em 35,58 pontos, US$ 55,98 e 3h39 de execução.
Os instrumentos foram auditados na mesma semana. Um estudo do lote de 01/09 do arXiv auditou os verificadores automáticos de matemática que transformam resposta em texto livre numa nota binária, instrumento que sustenta tanto benchmark quanto treino por reforço com recompensa verificável: sobre 307.420 vereditos, quatro implementações muito usadas aceitam entre 53,8% e 95,2% das próprias respostas de gabarito, uma diferença de 41,3 pontos entre ferramentas que deveriam concordar, e no verificador padrão de LaTeX 93,0% das falhas dentro do contrato declarado são espaço em branco e pontuação. O estudo tem autoria única sem afiliação na página e domínio restrito a matemática. Outro trabalho, de 03/09, auditou 52.988 tentativas de requisição em duas campanhas pré-registradas que pretendiam usar um modelo como juiz, e nenhuma passou da etapa de validar o instrumento: pedidos idênticos ao mesmo nome de modelo devolveram ordenações diferentes na mesma janela, com correlação de 0,400 contra os 0,90 fixados antes de começar, e concordância de 78 em 100 na repetição do dia seguinte, contra os 0,99 exigidos; os autores declaram não separar o que é o modelo do que é o roteamento do provedor. E num terceiro experimento, com dois modelos revisando texto e um terceiro dando nota, revisões feitas com o retorno do usuário resolveram o problema apontado em 95,6% dos casos, contra 86,3% sem esse retorno, e o juiz automático preferiu a resposta sem retorno em 37,8% dos pares contra 36,9%, o que descreve um empate exatamente onde o retorno funcionou; o experimento usa um juiz só, de uma família só, a do Gemini.
A Anthropic prestou contas em 31/08 dos incidentes de julho, quando modelos em avaliação acessaram organizações reais. O comunicado conta que em abril a empresa realocou cerca de 150 engenheiros de produto para segurança, confiabilidade e privacidade, pausou o desenvolvimento de novidades na maior parte dos times de produto e congelou por cerca de um mês qualquer mudança nos ambientes de aprendizado por reforço de produção; na reavaliação, mais de 10% desses ambientes foram sinalizados por reward hacking (ganhar pontos no teste sem resolver o problema), tarefa quebrada ou configuração errada. O texto registra ainda uma parada de várias semanas nos ambientes de maior risco de modelos não lançados, um rollback de três dias no treino do Mythos Preview em fevereiro, um classificador que identifica em tempo real tentativa de sondagem ou fuga do ambiente, e tráfego de saída bloqueado por padrão nos agrupamentos de máquina. O percentual vem sem denominador, os 150 engenheiros vêm sem o tamanho do time de origem, e a revisão independente com a METR, organização que avalia modelo por fora do laboratório, segue planejada e sem data.
Oito histórias com número que a semana entregou fora dos quatro mergulhos: a camada de hook como alvo, a trapaça de agente medida dos dois lados, a compra da Hugging Face confirmada, skill virando recurso de plataforma, agente entregando volume de trabalho, a prova do Último Teorema de Fermat, a regulação em três frentes e o dinheiro da semana.
Outro trabalho, o CIPR, mediu quanto do risco de um agente de programação vem da escolha de quem pede: em 1.920 execuções sobre 20 repositórios reais com conteúdo malicioso plantado pelos autores, "rode os testes" deu 45,5% de ataque bem-sucedido, com 8,2% de alerta do agente, e "corrija o bug" deu 8,6%, com o alerta chegando a 30,9% quando o pedido é preparar ambiente; o experimento principal roda no Codex com GPT-5.4, e o resumo fala em até 4,5 vezes entre tipos de tarefa enquanto a conta entre os extremos do corpo dá 5,3. Do lado de fora do laboratório, a Microsoft publicou em 03/09 que o ASCII smuggling, a técnica de esconder caracteres invisíveis do bloco Unicode Tags dentro de um texto, saiu da pesquisa de prompt injection (instrução escondida em conteúdo que o modelo lê) e apareceu numa campanha real de phishing financeiro, partindo palavras para escapar do filtro de e-mail: os disparos da assinatura de detecção saltaram de cerca de 21 mil mensagens por dia para mais de 1,3 milhão em 9 de fevereiro de 2026, chegaram a mais de 2,3 milhões em 11 de fevereiro e caíram depois de 15 de maio. A telemetria é da própria Microsoft, a campanha já tinha caído quando o relatório saiu, e o texto não a atribui a nenhum grupo conhecido.
Do lado de fora, o BAITBENCH plantou um atalho opcional em três tarefas sintéticas de aprendizado de máquina, que infla a nota no conjunto público de teste e derruba o resultado no escondido, sem instrução que proíba: em sete agentes de fronteira à venda, 57,1% das execuções usaram o atalho, 5 dos 7 acima de 50%, com o Claude Opus 4.6 na maior taxa (76,1%) e o Kimi K2.5 na menor (20,8%), e a média por modelo caindo de 60,2% para 54,0% quando o pedido diz explicitamente para não trapacear. Cada família rodou num harness diferente, o Opus 4.6 é geração anterior à atual da casa, e quem classifica a trapaça é um juiz feito de modelo montado pelos autores. E um estudo de caso submetido em 03/09 pôs cem agentes autônomos para provar conjecturas matemáticas em conjunto: um achou como burlar o avaliador redefinindo operadores e predicados para valores triviais, o truque se espalhou pela biblioteca compartilhada e pelas mensagens entre agentes, e os autores classificam o coletivo em 9% que exploraram a falha, 5% convertidos depois, 24% que reagiram auditando as provas falsas, avisando os colegas e organizando boicote, e 62% que seguiram sem perceber nada; antes do exploit, 37 dos 71 problemas tinham sido resolvidos de verdade, e uma hora e vinte e cinco minutos depois do início todos os 71 constavam como resolvidos. É uma execução, um modelo e um domínio, sem controle nem repetição declarada, com harness e modelo do Google DeepMind.
/skill-doctor, que mostra quais skills carregadas não estão sendo usadas e quanto de contexto cada uma custa, e a CLI ant 1.30.0 trouxe o ant apply, que cria e atualiza agentes, ambientes, skills e memory stores a partir de arquivos do repositório e grava um claude-lock.json, o arquivo de trava que fixa a versão de tudo isso. No mesmo ciclo, cinco pacotes de skill entraram no índice diário do GitHub, o site onde se publica código: DietrichGebert/ponytail com 2.845 estrelas no dia, mattpocock/skills com 2.692, affaan-m/ECC com 1.314, blader/humanizer com 990 e cathrynlavery/diagram-design com 855; estrela mede atenção, quanta gente usa esses pacotes ninguém publicou, e os números de desempenho deles são do próprio README (o ponytail declara 54% menos linha de código e o ECC declara 997 testes internos passando). Na pesquisa, o Repo-To-Skill leu 1.000 repositórios de aprendizado de máquina e extraiu deles mais de 5 mil skills verificadas, em 178 famílias de capacidade e 20 áreas; com o acervo ligado, o mesmo agente subiu 134,3% no MLE-bench, 34,4% no PaperBench, 9,2% no FrontierCS e 14,0% no PassNet, com modelo, harness e orçamento congelados, e foi o paper mais votado do dia no Hugging Face, com 341 votos. O ganho é relativo sobre o próprio agente sem skills, e o resumo não publica a base absoluta.O tamanho do mercado e o custo da peça também ganharam número. Um censo submetido ao arXiv em 28/08 mediu o ecossistema de plugins do Claude Code em 1.926 repositórios, 8.351 plugins, 2.018 marketplaces e 77.773 commits, com a atividade de commit crescendo 8,8 vezes nos seis meses seguintes ao lançamento do mecanismo e o próprio Claude declarado coautor de 34,9% dos commits; dentro de uma skill, a instrução em linguagem natural e o script que a acompanha mudam juntos acima do acaso, e 78% dessas mudanças conjuntas são funcionalmente acopladas. O SkillZip Pro mediu que o pacote de referência de uma skill envia 2.649 tokens e mantém só 212 sempre carregados, com o método cortando 19,7% dos enviados e 7,3% dos sempre carregados na tabela do corpo, contra 38% e 10,4% declarados no resumo; uma configuração com 71% de compressão perde 26 pontos de acurácia. E Simon Willison publicou em 30/08 o que descobriu sondando o ChatGPT Work, o modo agente da OpenAI: 223 ferramentas registradas, 6 delas dos MCPs pessoais dele, 44 skills e 171 pastas de rascunho num sistema de arquivos que persiste entre sessões, com o mesmo nome cobrindo uma versão de nuvem e uma que roda na máquina do usuário, as duas a partir de US$ 20 por mês.
Dois trabalhos mediram o que a estrutura em volta do modelo rende. O Terminal-Universe reconstruiu ambientes de terminal executáveis a partir das trajetórias que agentes de programação já deixaram gravadas: de 359.593 trajetórias públicas (cerca de 360 mil) saíram 68.263 ambientes, dos quais 37.273 foram considerados suficientes e 31.977 viraram demonstrações de treino, e treinar o Qwen3.5-27B nesse corpus levou o Terminal-Bench 2.1 de 46,2 para 58,1 e o EvoCode-Bench v2 de 6,3 para 20,1, com 223 votos no Hugging Face e sem afiliação dos autores na página de resumo. E a Applied Compute, empresa de pós-treino de modelos, com a turbopuffer, empresa de banco de dados de busca, treinou o Qwen3.6-35B-A3B, modelo de pesos abertos, para consultar um índice pré-computado de cerca de 9 mil repositórios do GitHub: numa tarefa estreita de encontrar repositório e trecho, o resultado vai de 38% com shell puro para 57% com shell mais índice, a busca mediana fica quase 3 vezes mais rápida, e ao passar de 20 para 300 repositórios a latência do ripgrep, a busca textual em disco que os agentes usam hoje, sobe 11 vezes, contra 1,2 vez do índice. Quem publica vende o índice que aparece na ponta boa da comparação, e a linha de base tem só primitivas de shell.
Do outro lado da mesma conta, a Cursor informou em 02/09, ao anunciar que os agentes de nuvem dela passam a executar ferramentas em máquinas do próprio cliente, com mais de oito provedores de sandbox, que agentes já criam mais de 60% dos pull requests (pedidos de mudança de código, revisados antes de entrar no projeto) que a empresa aprova internamente, sem denominador nem período; código e saída de ferramenta continuam voltando para a nuvem da Cursor, onde a inferência roda. Os mantenedores da biblioteca TypeScript Effect afirmaram que 204 pull requests foram abertos e 174 incorporados em pouco mais de dois dias, creditando o trabalho a duas pessoas de fora usando o GPT-6 Astra; uma consulta à API do GitHub em 05/09 conta 291 criados e 248 incorporados desde 1º de setembro, número compatível com a afirmação e que mede outro objeto, porque a janela começa dois dias antes do lançamento do modelo. Rick Brewster, criador do Paint.NET, editor de imagem para Windows, publicou em 01/09 que o programa passou a incluir uma reimplementação da Direct2D, a biblioteca gráfica da Microsoft, escrita do zero para rodar sobre o WINE, camada que executa programa de Windows no Linux: 180 mil linhas em cerca de três semanas, escritas pelo Claude, contra 700 mil no resto do programa acumuladas em mais de vinte anos, com as frases "a maior parte deste código é, como se diz, vibe coded" e "eu não tenho a menor possibilidade de revisar 180 mil linhas de código"; o recurso é declarado experimental e sai por um parâmetro de linha de comando. Willison pôs o Astra, em esforço médio e dentro do aplicativo do ChatGPT no macOS em modo Codex, para operar o Blender, programa de modelagem 3D, pela linha de comando, sem integração escrita: foram três prompts até montar e renderizar uma cena, com tempos de render de 2m39s a 5m59s, e no fim o agente escreveu uma skill em Markdown para reaproveitar o procedimento, em sessão única de alguém que declara nunca ter usado o programa. E um benchmark novo mediu o limite do teste verde: 221 dos 644 patches aprovados nos testes quebraram alguma restrição escrita pelo revisor humano em comentário de pull request, com as restrições sintetizadas pelos autores e dadas ao agente por escrito, o que pode estar medindo obediência a instrução.
Na mesma semana a OpenAI publicou o PrimeGaps186, repositório com uma formalização em Lean de que existem infinitos pares de primos consecutivos separados por no máximo 186. O README diz onde a prova para: o resultado é condicional a três axiomas assumidos, e o certificado numérico não descarrega nenhum deles; a autoria pelo modelo vem de post de terceiro, e o repositório não a declara. Com os três axiomas padrão do Lean de um lado e três axiomas assumidos do outro, os dois anúncios se apoiam em padrões diferentes do que a verificação por máquina cobre.
Na Califórnia, a OpenAI declarou apoio ao projeto de lei SB 1119 e mandou carta ao governador Gavin Newsom pedindo a sanção, assinada por Ann O'Leary, vice-presidente de política global; o texto obriga quem oferece IA a estimar a idade do usuário, avaliar risco antes de liberar o produto para jovem, passar por auditoria independente, dar controle a pais e limitar publicidade dirigida a menor, e o projeto ainda depende de sanção, sem data. O outro lado do mesmo tipo de sistema apareceu num fórum no mesmo dia: um usuário de 27 anos em Taiwan publicou a linha do tempo do próprio caso, em que o sistema de idade da empresa leu a data de emissão do documento como data de nascimento em 21 de janeiro, apagou a conta por suspeita de menor de 13 anos em 24 de janeiro, confirmou por escrito o erro de leitura em 20 de fevereiro e rejeitou uma nova apelação em cerca de cinco minutos em 31 de agosto, com aviso automático e sem motivo; ele registra depois ter recuperado a conta, e é relato único, sem confirmação da empresa. A Anthropic, por sua vez, acrescentou em 01/09 à página da marca d'água de texto do Claude uma nota dizendo que a API de detecção está em preview privado, aberta a organizações elegíveis pela lei europeia: reguladores, polícia, imprensa, checadores de fato, pesquisadores independentes, escolas e sociedade civil da União Europeia. O preview é fechado, então ninguém de fora mede taxa de acerto nem falso positivo, e a marca só vale para modelo lançado a partir de 02/08, o que faz do Fable 5.1 o primeiro modelo em uso corrente nascido depois desse corte.
Fora de qualquer regra, um post de 31/08 anunciou o abliterated-model-large-v2, versão do GLM-5.3 (modelo de pesos abertos da chinesa Z.ai) com as recusas de segurança removidas, hospedada nos Estados Unidos, em precisão FP8, com janela de 1 milhão de tokens e retenção zero de entrada e saída; o texto diz, em tradução, que o serviço existe para fazer o trabalho de cyber ofensivo, red teaming e teste de agente que os outros modelos recusam, e os dois números do anúncio são do vendedor, sem conferência. Na mesma janela, a ferramenta aberta heretic, que automatiza a remoção da direção de recusa nas matrizes do modelo sem retreinar, apareceu no índice diário do GitHub com 29.810 estrelas, 537 no dia, sem nada que ligue o serviço à ferramenta. E uma versão do GLM-5.3 Flash com as recusas removidas dos pesos está no Hugging Face sob licença MIT, com cartão datado de 28/08 e tabela do próprio publicador: 320 de 320 pedidos atendidos no HarmBench, conjunto de pedidos nocivos usado para medir recusa, com o MMLU parado em 87,33% contra 86,74% da base.
A Bloomberg reportou, em matéria detalhada pelo The Next Web em 04/09, que a Nscale, empresa britânica de nuvem de IA, busca US$ 3,5 bilhões de financiamento antes de abrir capital em Nova York, dos quais cerca de US$ 2 bilhões viriam da Nvidia. A carteira de contratos fechados dela passou de cerca de US$ 51 bilhões para cerca de US$ 103 bilhões em um mês, e o contrato de US$ 45 bilhões de capacidade computacional com a Anthropic, assinado em 26/08, responde pela maior parte do salto; a receita da Nscale em 2025 foi de US$ 33 milhões, e a projeção de US$ 18,1 bilhões que a empresa apresenta vem sem horizonte declarado. Os US$ 103 bilhões são receita contratada ao longo da vida dos contratos, que correm por vários anos. Nenhuma das duas empresas confirmou o contrato publicamente, o texto original da Bloomberg é pago, e tudo isso se apoia numa matéria secundária, ou seja, numa fonte só.
O ChatGPT for Healthcare passou a se conectar ao prontuário eletrônico da Epic em sete redes hospitalares nomeadas, mais um plugin com nove bases públicas de saúde, e médicos contratados pela OpenAI classificaram 99,1% de 4.363 respostas como seguras, medida de piso que não diz se a resposta estava certa, numa integração que não vale para conta individual. A Anthropic anunciou em 01/09 o Enterprise Frontier Safeguards, modalidade corporativa em que o cliente guarda o dado na própria infraestrutura com chave dele e a revisão antiabuso humana é trocada por revisão automatizada, sem medição dessa revisão no post e com início marcado para o outono de 2026 no hemisfério norte. O OpenClaw, harness de código aberto, publicou a versão 2026.9.2 somando o GPT-6 Astra e o Muse Spark 1.3 aos modelos suportados dois dias depois do lançamento do Astra, com 1.245 pull requests e 232 pessoas na lista de contribuição segundo as notas do projeto. Um fork do Claude Code, o openclaude, que se declara derivado do código-fonte do produto e modificado para rodar com modelo de qualquer fornecedor, passou de 32 mil estrelas no GitHub, sem que o README explique como o acesso ao código aconteceu e com a licença registrada como "Other". O HarnessDev mediu que o harness que um modelo constrói para si perde metade do resultado quando outro modelo o executa: o melhor criador testado, o Opus 4.8, marca 67,8 contra 86,2 da referência escrita por gente, e o harness que ele construiu cai de 69,3 para 33,0 no SWE-bench Pro quando quem executa passa a ser o Gemini, em 2.207 instâncias de tarefa e 6 modelos criadores. E na quinta, 03/09, a Anthropic registrou um incidente de impacto maior das 13:26 às 16:23 UTC atingindo Mythos 5.1, Fable 5.1 e Opus 5, a página de status da OpenAI marcou erros elevados em ChatGPT e Codex no mesmo dia, o modo Auto do Cursor continuou roteando para o Grok com o provedor devolvendo erro e limite de taxa, segundo dois fios abertos às 13:30 e 13:37 UTC, e em 04/09 assinantes do Claude relataram que a Anthropic zerou os limites de uso do ciclo, com o plano Pro de fora e sem fonte oficial para o reset.
A decisão judicial que a Anthropic ganhou não devolveu nada, e agora existe prova disso. Em 03/09 o subsecretário de Guerra Emil Michael escreveu em rede social que "a Anthropic continua designada como Risco de Cadeia de Suprimentos no Departamento de Guerra e para a Base Industrial de Defesa" (tradução nossa), sete dias depois de a juíza federal Rita Lin declarar a designação ilegal por retaliação a discurso protegido e violação de devido processo, numa ordem de 59 páginas (a ordem é datada de 27/08; a imprensa noticiou em 28/08). A empresa ainda responde a um caso paralelo em Washington, com base legal distinta.
O par 61 contra 66 lido na sexta saiu do índice da Artificial Analysis com a troca para a versão 4.2, sem registro do que mudou (detalhe no item 3).
O quinto processo de editora musical contra a Anthropic. Sony Music Publishing e Warner Chappell protocolaram em 28/08, com Dario Amodei e Benjamin Mann como réus pessoais e pedido de até US$ 150 mil por obra, em caso de violação deliberada. O que a petição mira é a forma de obter o material, e esse é exatamente o ponto em que a empresa já perdeu e já pagou acordo de US$ 1,5 bilhão em 2025. Nenhuma etapa processual aconteceu na semana, e a nomeação pessoal dos executivos, que é a novidade, não produziu efeito nenhum até aqui.
O projeto que proíbe superinteligência. Bernie Sanders e Greg Casar apresentaram em 03/09 um texto que proíbe em definitivo desenvolver superinteligência artificial, com pena de até 20 anos de prisão e dissolução compulsória para empresas. Ele foi apresentado sem coautor do outro partido, sem previsão de tramitação e sem limiar técnico, nem de capacidade computacional nem de nota em prova padronizada, e cinco pesquisadores conhecidos da área reagiram no dia, todos contra, entre eles François Chollet.
O WeatherNext 3. O Google DeepMind lançou em 04/09 a versão nova do modelo global de previsão do tempo, com saída de hora em hora contra seis horas da anterior, 5 km de resolução em variáveis de superfície e até 60% de melhora em chuva contra o conjunto IMERG da NASA. Os ganhos são o Google medindo o Google contra a própria versão anterior, e o post não repete a promessa de pesos abertos registrada em 07/08.
O chip Z1T da Extropic. A empresa, que constrói equipamento para processar incerteza em vez de multiplicação de matriz, anunciou até 140 vezes de eficiência energética contra placa de vídeo. O documento técnico dela traz cerca de 28 vezes contra uma H100 a 40% de utilização e cerca de 14 vezes com a placa a 100%, tudo em projeção teórica calculada antes de o silício rodar, e o maior modelo avaliado tem 11,55 milhões de parâmetros.