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 Anthropic anunciou que futuros modelos Claude vão embutir um watermark invisível na saída, baseado no SynthID-Text da Google DeepMind. A discussão ganha peso regulatório com a exigência do Artigo 50(2) do EU AI Act, que pede marcação em formato legível por máquina para texto sintético, com soluções detectáveis e robustas.
O watermark, porém, pode mudar o comportamento do modelo e do agente: ao alterar a seleção de tokens durante a geração, ele pode afetar recusas a pedidos nocivos e também a forma como o agente escolhe ferramentas e argumentos sob prompt injection. Pesquisadores relatam que esse efeito aparece em testes de recusa e tool calling, variando conforme o modelo e a chave do watermark, e que a avaliação precisa comparar execuções pareadas para não mascarar mudanças em direções opostas.
A Meta colocou o modelo Muse Glimmer em circulação com foco em uso local, agente e multimodal, trazendo suporte “day-0” para integrações em bibliotecas como transformers, llama.cpp e vLLM. O Muse Glimmer é um modelo denso de 30B parâmetros, com encoder de visão estilo ViT de 2B para percepção e um decoder de texto com 28B.
Além do modelo principal, há um módulo opcional de speculative decoding implementado no DFlash, que pode acelerar a geração com custo adicional de memória, especialmente em conteúdo estruturado como código. O lançamento também inclui instruções para carregar o modelo via AutoModelForMultimodalLM e AutoProcessor, com exemplos de inferência apenas por texto, entrada de imagens e tool calling multimodal.
Por anos, GPUs dominaram a inferência de grandes modelos de linguagem, enquanto CPUs ficavam com tarefas de coordenação. Agora, a dinâmica está mudando: a Intel aponta que a razão CPU:GPU saiu de cerca de 1:8 no treinamento para algo próximo de 1:1, e em alguns cenários de agentes pode chegar a 4:1. O motivo é que a inferência deixou de ser “um prompt, uma resposta” e passou a incluir tool calls, raciocínio em múltiplas etapas e orquestração entre modelos menores.
Com agentes, o trabalho de lógica — como parsing, execução de código, chamadas a APIs, controle do loop e checagens de segurança — tende a pesar mais para a CPU, enquanto a GPU continua sendo a “força bruta” das matrizes do modelo. Para times que servem LLMs, isso pode alterar o dimensionamento de infraestrutura e o desenho do pipeline, reduzindo gargalos e melhorando custo/latência em produção.
A AWS lançou o Dogwood, uma linguagem open source de políticas e um interpretador de referência para governar sequências de chamadas de ferramentas feitas por agentes de IA. A proposta é sair do modelo “uma ação por vez” e permitir regras que consideram eventos anteriores, como aprovações já registradas, limites por janela de tempo e condições dependentes do histórico. O Dogwood foi disponibilizado sob licença Apache 2.0 e recebeu integração com o Amazon Bedrock AgentCore Policy, serviço gerenciado que define quais tools um agente pode chamar e em quais condições.
Na prática, o Dogwood estende o Cedar (base do AgentCore Policy) para incluir condições temporais e dependentes do fluxo, ajudando a evitar falhas em controles baseados apenas no estado do momento. Para devs, isso significa políticas mais seguras para workflows longos e para cenários com chamadas concorrentes, além de reduzir brechas onde limites poderiam ser ultrapassados antes do retorno de resultados. A AWS também ressalta que o interpretador de referência é voltado a testes e exploração, e que a adoção exige histórico de eventos confiável e bem gerenciado.
A Webflow compartilhou aprendizados ao desenhar APIs para agentes via MCP. A equipe percebeu que APIs feitas para humanos (muitos endpoints, estado implícito e navegação manual) geram falhas sutis e tarefas ineficientes quando usadas por LLMs. O caminho foi migrar para ferramentas orientadas a intenção, reduzir chamadas dependentes e melhorar schemas e mensagens de erro para o agente decidir melhor. Também foram adotadas arquiteturas em camadas e abstrações de projeto para tornar a execução mais confiável em escala.
