A Apple anunciou o HomeView, uma tela inteligente de 7 polegadas que reúne entretenimento, videochamadas e controle da casa inteligente. O dispositivo estreia uma nova versão da Siri com inteligência artificial e respostas personalizadas para os moradores.
O HomeView custa US$ 299 nos EUA (cerca de R$ 1.490) e chega às vendas em 13 de novembro em mercados como Estados Unidos, Canadá, Reino Unido, Austrália, Índia e Nova Zelândia, sem previsão para o Brasil no lançamento inicial. A interface ajusta brilho e informações conforme a iluminação e a distância do usuário, identifica até seis pessoas por reconhecimento facial e integra funções como chamadas FaceTime, comandos de voz e monitoramento de até nove câmeras.
A Apple anunciou a nova geração da Apple TV 4K com inteligência artificial integrada à Siri, chip A19 e suporte a som surround com quatro alto-falantes. A assistente fica mais “conversacional”, ajudando a encontrar filmes e séries por interface em tela cheia, com cartazes e recomendações ligadas ao que o usuário pede.
A Apple TV 4K também traz três microfones de longo alcance para controlar a reprodução e buscar conteúdos sem segurar o controle remoto, além de descrições de vídeos e resumos de notificações gerados por IA com processamento local via HomeKit Secure Video. No mesmo evento, o HomePod mini 2 ganhou melhorias de áudio, novas cores e suporte futuro à Siri com IA, com reconhecimento de até seis vozes e integração com Mensagens, lembretes e temporizadores.
A Apple apresentou o novo Apple TV 4K, o primeiro modelo em quatro anos, com disponibilidade a partir de sexta-feira, 13 de novembro. O aparelho traz o chip A19 e promete conectividade sem fio melhor do que a geração anterior, além de microfones integrados.
A Siri com recursos de IA será parte do lançamento, mas deve funcionar em beta nos Apple TV 4K de segunda geração e nos modelos mais novos. O novo Find My de rastreamento funciona com o controle Siri de segunda geração e mais recentes, enquanto o preço do lançamento é de US$ 299.
A Workday colocou a Sana, seu assistente de IA, como a nova “home screen” para módulos de RH, finanças e TI. Na demonstração, a interface é montada dinamicamente: ao pedir informações como valor do pagamento, o sistema exibe um cartão com o montante oculto até um clique; ao solicitar folga, aparece um seletor de datas com o restante do formulário preenchido pela assistente.
A construção usa o Jev, modelo de decisão da TypeSafe, para escolher componentes atômicos do design system em vez de gerar a interface inteira. A empresa afirma que o Jev responde em 70 a 500 milissegundos, e que a lógica de seleção não é codificada pelo time, com a necessidade de acertar também o pré-carregamento de dados para que elementos apareçam em tempo real durante a interação.
A TypeSafe, desenvolvedora do modelo de IA Jev, levantou US$ 870 milhões em uma rodada que colocou a empresa em uma avaliação de US$ 7,5 bilhões. O aporte foi liderado pela Andreessen Horowitz, com participação da Sequoia e do investidor DCVC.
O Jev ganhou popularidade rapidamente após seu lançamento em 15 de setembro e, segundo a startup, já é usado por um terço das empresas da Fortune 500. O modelo usa arquitetura transformer, mas não gera texto como um LLM: ele produz probabilidades, chamadas de “calibrated decisions”, com a promessa de operar mais rápido e usar menos tokens, com foco em automação de tarefas.
A Typesafe AI levantou uma rodada Série A de US$ 870 milhões, liderada pela Andreessen Horowitz, com participação da Sequoia Capital e do investidor existente DCVC. A empresa também contou com a entrada de anjos investidores, e a operação ocorre com valuation de US$ 7,5 bilhões.
A Typesafe AI informou que Martin Casado vai integrar o conselho. Com o aporte, a companhia diz que pretende ampliar modelos “machine-native” e reforçar a infraestrutura para construir software inteligente, além de adicionar recursos voltados a empresas e afirmar que parte do Fortune 500 já usa o Jev.
A Musubi anunciou o PolicyLM-1.7B, um modelo leve de decision model para moderação de conteúdo em tempo real, lançado com pesos abertos. A proposta é aplicar políticas escritas em linguagem natural a mensagens em menos de 50 milissegundos, com foco em custo e velocidade semelhantes aos classificadores usados por plataformas sociais.
O PolicyLM-1.7B foi desenhado para lidar com políticas complexas sem exigir novo treinamento quando as regras mudarem, permitindo que equipes humanas iterem a moderação. A empresa também posiciona o modelo como uma forma de rotular conteúdo de maneira escalável e customizável, em um contexto de crescente interesse por decision models após o Jev da TypeSafe AI e iniciativas de OpenAI e Amazon.
A Cloudflare lançou dois modelos de decisão, Clef e Clef-flash, treinados pela empresa e hospedados no Workers AI. A proposta é entregar saídas estruturadas e tipadas de forma determinística, para serem usadas em fluxos que exigem decisões programáticas, com compatibilidade via Jev-API. A empresa também disponibilizou os modelos no Hugging Face sob licença Apache 2.0 para rodar localmente.
Além do uso direto nos modelos hospedados, a Cloudflare anunciou um produto de reinforcement learning (RL) para permitir que clientes façam fine-tuning do Clef para seus casos de uso. Em testes internos com Threat Intelligence, a classificação de domínios levou 2,2s usando Clef, enquanto um LLM geral (gpt-oss-120b) levou 4,7s e retornou apenas duas classificações, com a empresa destacando ganhos de latência e mais resultados para decisões rápidas.
A OpenAI anunciou no DevDay uma Decisions API voltada a modelos de decisão, com respostas pré-definidas e “confidence scores” em vez de formato de chat. A API é baseada no modelo Luna, descrito como o menor e mais acessível da linha atual, e está disponível em preview limitado, com lançamento amplo previsto para os próximos dias.
A empresa afirma que a API retorna resultados em 150 milissegundos, enquanto o GPT-6 Luna levaria 1,6 segundo, e diz que o desenvolvedor precisa fornecer perguntas, respostas e contexto. A OpenAI também destaca que esse tipo de modelo pode ser útil para classificação, roteamento de requisições e para escolher a próxima ação de um agente entre opções limitadas, mas ainda não detalhou custos por chamada, quantidade de respostas candidatas e possibilidade de ajuste pelos desenvolvedores.
Um wrapper “Jev-like” para LLMs usa um truque para ler as probabilidades de tokens do modelo e escolher respostas por alternativas. A técnica força a geração de apenas um token (por exemplo, a letra da melhor opção) e adiciona parâmetros como logprobs e top_logprobs para que a API devolva as probabilidades das opções consideradas.
O método também funciona com modelos de visão: o formato permite anexar imagens (como frames de webcam em base64) e fazer perguntas como “há uma pessoa visível?”, “estamos em ambiente interno ou externo?” e “quão brilhante está a cena?”. Em testes, o autor relata cerca de 1 FPS com Gemma 4 12B em uma RTX 3090 e por volta de 0,2 FPS com gpt-6-luna, destacando a flexibilidade de descrever condições em texto.
O Jevmem foi lançado como uma “automatic project memory” para o Claude Code, com suporte também para Cursor e Codex. A ferramenta registra automaticamente decisões, restrições, bugs e todos das conversas em um arquivo JEVMEM.md, marcando linhas antigas como [superseded] em vez de apagá-las quando o usuário muda de ideia.
Na próxima sessão, as linhas relevantes voltam para o contexto do Claude. O Jevmem usa Postgres 16 como armazenamento principal (com SQLite em cenários de carga), permite configurar políticas em jevmem.config.json e inclui etapas de segurança como “scrub” de credenciais e auditoria em CI para bloquear instruções potencialmente maliciosas.
A TypeSafe AI lançou o Jev, um modelo de inteligência artificial voltado para automatizar decisões a partir de dados corporativos. Diferente de assistentes conversacionais, a ferramenta não gera textos nem responde em linguagem natural: ela devolve respostas estruturadas para integração com outros softwares.
O Jev opera com saídas em formatos predefinidos e usa aprendizado por reforço para otimizar escolhas diretas, reduzindo erros de formatação e evitando alucinações. A proposta mira tarefas repetitivas e de alto volume, como classificação de chamados, análise preliminar de risco em seguros, verificação de fraude e roteamento de documentos entre setores, mudando o papel das equipes para supervisão e validação de critérios automatizados.
A TypeSafe, fundada por um co-inventor do ChatGPT, saiu do modo stealth e lançou o modelo Jev para automatizar decisões programáticas com uma arquitetura de parallel sampling. Voltado a sistemas que precisam de lógica determinística, o Jev executa decisões probabilísticas estruturadas diretamente em bases de código de produção, sem depender de geração de texto.
O modelo recebe um estado não estruturado e retorna valores estruturados tipados em uma única consulta paralela, com restrição a schemas predefinidos para reduzir falhas de tipo e “alucinações” por desenho. A empresa também descreve treinamento com Reinforcement Learning for Calibrated Decisions (RLCD), além de testes com latências de 70–500 ms e acesso antecipado para desenvolvedores.
