A Spotify ampliou o uso de desenvolvimento assistido por IA e mais que dobrou as mudanças mensais mescladas, de cerca de 8.100 para 17.000 ano a ano em agosto. Com o aumento do volume de alterações nos sistemas de produção, a empresa ajustou controles de qualidade e confiabilidade para lidar com a nova escala.
A companhia opera quase 3.000 serviços de produção para 777 milhões de usuários ativos mensais e relata desafios em processamento de conteúdo, automação de frota e capacidade de computação. Entre as respostas estão melhorias em monitoramento e testes, salvaguardas de rollout e capacidade de rollback, além da adoção do Honk, um agente de codificação em background que executa o Claude via Agent SDK em pods no Kubernetes.
Pesquisadores apresentaram na conferência KDD o estudo “GEO: Generative Engine Optimization”, voltado a melhorar a visibilidade de conteúdos nas respostas de mecanismos generativos. Nos testes descritos, intervenções específicas aumentaram a presença em até 40%, variando conforme o tema pesquisado.
O movimento é comparado ao SEO, mas com uma diferença: ao perguntar a uma inteligência artificial, muitas vezes o usuário recebe uma resposta pronta em vez de uma lista de opções. O texto destaca ainda como a construção de um “rastro público” — entrevistas, artigos, participações e fontes — pode influenciar o que sistemas como os buscadores associados ao ChatGPT encontram e citam, exigindo que assessorias e relações públicas considerem como esses dados são lidos e organizados.
A Starlink já permite que celulares se conectem diretamente aos satélites por meio da tecnologia Direct to Cell, sem a antena usada no serviço residencial. A proposta evoluiu de mensagens de texto para acesso a dados e chamadas via aplicativos, com operação feita em parceria com operadoras de telefonia que disponibilizam parte das frequências.
No Brasil, Vivo e Starlink participam de um ambiente experimental autorizado pela Anatel, com permissão válida até abril de 2029, mas ainda sem oferta comercial ampla. Enquanto isso, a SpaceX recebeu autorização da FCC para implantar até 15 mil satélites de nova geração, com novas frequências para ampliar cobertura e capacidade, inclusive em ambientes internos, aproximando a tecnologia de serviços móveis mais avançados.
O Nemotron, modelo da Nvidia, foi fine-tunado para criar especialistas e alcançou resultados de nível medalha de ouro em IMO 2026 e IOI 2026. No IOI, o desempenho veio de uma execução ao vivo com as mesmas restrições de tempo, acesso à internet e submissão dos competidores, sem entrar no ranking oficial; no IMO, as provas enviadas foram avaliadas por examinadores oficiais.
O processo combinou SFT, reinforcement learning (RL) e um fluxo de inferência que gera, avalia e refina respostas. Para programação competitiva, o time curou 22.000 problemas e treinou dois especialistas (Nemotron-3-Nano-CC e Nemotron-3-Ultra-CC), enquanto no projeto de matemática olímpica foram usados conjuntos de dados com exemplos de provas e um sistema de geração, pontuação, críticas e refinamento, sem prover acesso à internet ou uso de prover formal externo.
A NVIDIA lançou o Nemotron 3 Diarization, um modelo open-weight com 100M de parâmetros para diarização de fala em tempo real e em gravações. Ele transforma conversas com sobreposição em dados com identificação de quem falou e quando, permitindo gerar transcrições atribuídas por participante.
O modelo alcançou o 1º lugar no VoiceArena Diarization-Bench, com 14,72% de Diarization Error Rate (DER), e suporta até oito falantes. Também foi treinado com dados públicos e licenciados, incluindo áudio licenciado da David AI, e usa processamento em blocos com opções de latência customizáveis para cenários streaming e offline.
Nvidia e Palantir anunciaram uma parceria para levar “IA soberana” a cadeias de suprimentos críticas, começando pela própria operação da Nvidia. O plano inclui a adaptação do modelo Nemotron 3.5 Lightning, com 30 bilhões de parâmetros, usando decisões da equipe de operações da cadeia de suprimentos.
A Nvidia afirma que o modelo afinado supera um modelo muito maior: 86,7% de acurácia na tarefa de alocação de supply, contra 55,5% do Nemotron 3 Ultra de 550B, cerca de 18 vezes maior. A solução combina a Foundry e a AIP da Palantir para organizar dados e a Ontology para conectar componentes e compromissos de produção, além do cuOpt para distribuir peças escassas, recomendando ações aos planejadores.
A Nvidia estaria avançando nas negociações para adquirir a Hugging Face, repositório em nuvem de modelos de IA, por US$ 12,9 bilhões. A compra pode fortalecer a integração da empresa de hardware com o ecossistema de IA, já que a plataforma permite que desenvolvedores e pesquisadores encontrem modelos, façam download, rodem e façam fine-tuning antes de republicá-los. O acordo ainda não foi finalizado, mas reportagens indicam que as conversas seguem em andamento.
A Hugging Face, fundada em 2016, já despertou interesse de outras empresas, incluindo a Salesforce. A Nvidia já havia investido na companhia, assim como Google e Microsoft, e o mercado de open-weight models aparece como pano de fundo, com apoio público de várias empresas e o lançamento da família de modelos abertos Nemotron pela própria Nvidia.
A NVIDIA apresentou o Jetson Orin Nano 2, um computador de robótica na borda voltado a levar “physical AI” para drones, robôs e sistemas de visão. A empresa posiciona a placa como uma opção de entrada para desenvolvedores rodarem modelos de IA generativa diretamente no dispositivo, sem depender de um data center.
O Jetson Orin Nano 2 traz 78 trilhões de operações por segundo de computação de IA, 8GB de memória e CPU Arm de oito núcleos, com modo de 15W. A NVIDIA afirma que o desempenho de inferência chega ao dobro do Jetson Orin Nano Super, usando 40% menos energia, e cita modelos como Cosmos e Nemotron, além de Gemma 4 e Qwen 3, para execução otimizada na borda.
Pesquisadores propuseram a “Red Queen Gödel Machine”, um método para agentes de IA autoaperfeiçoados melhorarem de forma recursiva ao testar e ajustar seu próprio código sem esbarrar no limite imposto por avaliadores e benchmarks fixos. A abordagem faz o agente e o avaliador evoluírem juntos, elevando progressivamente a dificuldade da avaliação conforme o sistema melhora, o que mantém o ciclo ancorado em checagens confiáveis.
Em tarefas como escrita e revisão de artigos científicos, o framework elevou taxas de aceitação em 1,78× a 1,86× com um painel de “agente como juiz”, e aumentou em 9% a acurácia em relação ao ground truth para avaliadores coevoluídos. O trabalho também aponta redução de custos ao combinar modelos abertos com ferramentas mais caras, como o uso de NVIDIA Nemotron 3 Ultra junto ao ChatGPT-5.5, reduzindo em cerca de 13 vezes os custos de search-token; o método está em pré-print no arXiv e deve ser open sourced.
A Nvidia expandiu a família Nemotron com o Nemotron 3.5 Lightning, descrito como o modelo mais eficiente da categoria para cargas de trabalho agentic de longa duração. Com 30 bilhões de parâmetros e arquitetura mixture-of-experts, ele foi projetado para tarefas especializadas dentro de sistemas multiagentes e pode ser personalizado com dados e fluxos da organização.
Junto ao Lightning, a empresa lançou o NeMo Switchyard, uma biblioteca open source para roteamento inteligente em ferramentas de agentes. Ela direciona automaticamente cada solicitação ao modelo mais adequado para a etapa do fluxo, sem exigir que desenvolvedores reescrevam as aplicações, e pode operar em PCs, workstations, data centers e na nuvem.
