26 de junho

O time da Alibaba Qwen publicou hoje o AgentWorld, um modelo open-source que simula sete ambientes de execução — MCP, Search, Terminal, SWE, Web, OS e Android — para treinar agentes IA sem precisar rodar em produção. Em testes de busca ao vivo, os agentes treinados no AgentWorld alcançaram 50,3% de F1, contra 45,6% dos agentes treinados com RL real. O repositório e os pesos estão disponíveis no Hugging Face.

Treinar agentes em produção é caro e arriscado: cada erro tem custo real. O AgentWorld cria um "mundo digital" onde o agente erra e aprende sem consequência. O resultado superou inclusive o treino em ambiente real — o que virou a lógica de quem desenvolve agentes de cabeça pra baixo.

A API Interactions do Google chegou à disponibilidade geral e agora é a interface oficial para tudo do Gemini. Com ela, um único endpoint acessa modelos, roda agentes (com sandbox Linux remoto via Managed Agents), executa tarefas em background (background=True), gera música com o Lyria 3 e aciona o Deep Research com suporte a imagens, PDFs e áudio. O tier Flex oferece 50% de desconto versus Priority. O antigo generateContent continua funcionando, mas novidades de agentes vão para a Interactions API primeiro.

Unificar modelos e agentes em uma API significa que o Google está apostando tudo na arquitetura agêntica. Developers que aprendem a Interactions API agora ganham acesso antecipado a qualquer inovação futura do Gemini — as próximas funcionalidades vão chegar só aqui.

A NVIDIA lançou o Agent Toolkit, um conjunto de modelos open-weights, ferramentas e runtime seguro para construir agentes IA verticais em setores regulados. O toolkit cobre três frentes hoje: ciências da vida (análise genômica e biológica), saúde (triagem e gestão clínica) e cybersegurança (detecção e resposta). Os modelos são customizáveis e o runtime inclui controles de segurança integrados — pensado para empresas que não podem colocar dados sensíveis em APIs externas.

Criar um agente especializado do zero num setor regulado levava meses e um time de ML. O toolkit da NVIDIA vira o ponto de partida — você parte de modelos pré-treinados em domínio e customiza para o seu caso. É a industrialização da construção de agentes verticais.

A Patronus AI, fundada por ex-pesquisadores da Meta, fechou uma rodada Série B de US$ 50 milhões (total acumulado: US$ 70 M) com Lightspeed, Greenfield Partners e Notable Capital. A empresa constrói ambientes digitais para stress-test de agentes IA — simulando cenários extremos de software engineering, finanças e operações antes de colocar o agente em produção. No último ano a receita cresceu 15 vezes, com demanda vindo principalmente de labs de IA.

Quanto mais empresas colocam agentes autônomos em produção, mais crítica vira a infraestrutura de teste. Patronus mostra que o negócio real não é construir o agente — é garantir que ele não vai errar quando a coisa ficar séria. E os labs de IA são os primeiros a pagar por isso.

Naveen Rao, ex-VP de IA da Databricks, fundou a Unconventional AI com uma aposta radical: substituir a arquitetura de transformers por um sistema baseado em osciladores, que processaria inferência com uma fração da energia atual. O primeiro demo, Un-0, é um sistema de geração de imagens com desempenho comparável ao Stable Diffusion — ainda rodando em simulação de software. O chip físico ainda não existe, mas a empresa afirma que a redução de consumo chegaria a 1.000×.

O maior gargalo para escalar IA hoje não é inteligência — é energia. Cada chamada de API tem um custo elétrico que as big techs estão contornando construindo usinas. Se uma arquitetura alternativa realmente conseguir 1.000× mais eficiência, muda o modelo de custo de toda a indústria.