A OpenAI lançou dois novos modelos, GPT-6 Sol e GPT-6 Luna, que já estão disponíveis na API da OpenAI. Esses modelos ficam abaixo do anteriormente lançado GPT-6 Astra e visam levar seus avanços técnicos para camadas mais rápidas e acessíveis para codificação complexa e trabalho cotidiano de alto volume.
A Anthropic lançou o Claude Opus 5.5, o primeiro modelo de sua nova família Claude 5.5, posicionando-o como uma alternativa mais eficiente às gerações anteriores. O modelo é projetado para atingir o nível do Claude Fable 5.1 na maioria das tarefas, enquanto custa 40% menos para ser executado do que o Opus 5.
A Anthropic lançou o Claude Opus 5.5, o primeiro modelo de sua nova família Claude 5.5, que tem desempenho equivalente ao do Claude Fable 5.1 na maioria das tarefas, com custo de execução 40% menor que o do Opus 5.
O Instituto de Segurança de IA do Reino Unido (AISI) disponibilizou publicamente métodos de avaliação e achados por meio da plataforma Evaluation Cards do EvalEval, visando melhorar a reprodutibilidade dos benchmarks. Esta divulgação inclui resultados verificados, contexto e informações de configuração para cinco benchmarks específicos: HealthBench, FrontierMath, Humanity's Last Exam, SWE-Bench Pro e Terminal-Bench 2.0.
A SpaceXAI lançou o Grok 4.7, um novo modelo principal para codificação, tarefas agênticas e trabalho de conhecimento que utiliza um modelo base maior e uma execução de aprendizado por reforço estendida em comparação ao Grok 4.6. O modelo mantém a mesma estrutura de preços do seu antecessor, enquanto oferece capacidades aprimoradas de autoverificação, manipulação de contexto longo e segurança.
O autor apresenta um resumo sobre o estado dos modelos de peso aberto, observando que as empresas de IA chinesas se tornaram as claras líderes neste espaço desde aproximadamente abril de 2025. Essa mudança é evidenciada pelas métricas de download do Hugging Face e pelo desempenho em benchmarks de capacidade.
O Índice de Desperdício de Agentes avaliou 341.054 trajetórias de agentes de 11 conjuntos de dados públicos para identificar ineficiências como loops, tentativas cegas, saída de ferramentas excessiva e execuções abandonadas. A análise revela que comportamentos de loop e tentativa são prevalentes em modelos mais fracos como os agentes Llama, mas raros no Claude 3.7 Sonnet e Qwen3-Coder-480B.
Um relatório da Mozilla indica que os modelos de IA de peso aberto da China reduziram a lacuna de desenvolvimento para apenas quatro meses em relação às ofertas fronteira dos EUA. Apesar desse rápido progresso, os modelos ainda ficam para trás em certas avaliações de benchmarks.
O modelo Qwen3.8 Max (0902) alcançou uma pontuação de 45 no Índice de Inteligência da Artificial Analysis, retomando o primeiro lugar no ranking da China.
A Prior Labs lançou o TabPFN-3.5, um modelo fundamental para dados tabulares que realiza previsões em uma tabela em uma única passagem direta, sem necessidade de treinamento ou ajuste por conjunto de dados. O modelo obteve pontuação de 0.375 na lista privada do Challenge de Classificação de Produtos do Grupo Otto de 2015, superando a pontuação vencedora original de 0.382 alcançada por Gilberto Titericz e Stanislav Semenov.
Um relatório da Mozilla indica que a lacuna de capacidade entre os modelos de inteligência artificial chineses e americanos diminuiu significativamente, encolhendo para uma diferença de 4,4 meses.
A Nums AI lançou o Causilo, um modelo fundamental tabular pré-treinado para classificação e regressão que alcança a maior pontuação Elo entre modelos únicos no TabArena. O modelo utiliza uma abordagem de aprendizado em contexto onde as linhas de treinamento são armazenadas como contexto em vez de atualizar os pesos, e está disponível com código Apache-2.0 e pesos pré-treinados no Hugging Face.
O Stellar Colosseum é um harness agnóstico a modelos projetado para distribuir a inferência em pesquisas de longo prazo em matemática e ciência da computação teórica, abordando a falta de confiabilidade dos modelos de linguagem em problemas complexos. O sistema explora estratégias alternativas antes da construção da prova, utiliza um gate de prontidão para determinar quando uma rota está madura o suficiente para decomposição e representa o plano da prova como subproblemas interdependentes ao nível das seções.
Os autores apresentam o Coliseu Estelar, uma estrutura agnóstica a modelos projetada para distribuir a inferência ao longo de pesquisas de longo alcance em matemática e ciência da computação teórica. O sistema explora estratégias alternativas antes da construção da prova, utiliza um gate de prontidão para determinar quando uma rota está madura o suficiente para decomposição e representa o plano da prova como subproblemas interdependentes de nível de seção.
Charlie O'Neill da Base-10 discute por que os modelos Kimi e GLM são "quase objetivamente" superiores ao Opus 5 em um episódio recente com Dwarkesh Patel.
Um estudo que auditou seis benchmarks de física amplamente utilizados descobriu que as pontuações baixas relatadas para modelos de linguagem de fronteira devem-se principalmente a erros de benchmarking, e não a deficiências dos modelos. Especialistas revisaram os enunciados dos problemas, as soluções de referência e as respostas dos modelos, distinguindo erros genuínos de erros do avaliador, referências incorretas e perguntas ambíguas.
DeepSeek V4.1 Flash assumiu o primeiro lugar na nova benchmark Astra dentro da atualização do Índice de Inteligência Artificial Analysis v4.3.
A Cohere lançou o North Small Translate, seu primeiro modelo de tradução da família North, disponível para pesquisa e uso não comercial sob a licença CC BY-NC 4.0. Este modelo mixture-of-experts alcança uma pontuação de 83,6 no benchmark WMT26 All Languages, superando modelos proprietários como DeepL NextGen e Google Translate.
A Cognition lançou o SWE-2, seu modelo de codificação mais capaz até o momento, que foi pós-treinado com aprendizado por reforço a partir do modelo aberto de 2,8T parâmetros da Moonshot AI, o Kimi K3. O modelo obtém 50,0% no FrontierCode 1.1 Main, posicionando-se a um ponto de distância do Fable 5.1 enquanto opera com 64% menos custo.
Pesquisadores formalizaram ataques de negação de serviço no tempo de inferência (PI-DoS) que exploram o alto custo computacional do raciocínio explícito em múltiplos passos em Grandes Modelos de Raciocínio (LRMs). Eles apresentam o ReasoningBomb, um framework baseado em aprendizado por reforço que treina um atacante para gerar prompts naturais curtos que levam os modelos vítimas a traços de raciocínio patologicamente longos e frequentemente não terminantes.