O Google DeepMind apresentou o SynthID Bio, uma tecnologia de prova de conceito que embute marcas d'água imperceptíveis diretamente no código biológico de proteínas e estruturas projetadas por IA. Essa abordagem garante que a assinatura seja verificável na própria proteína física sintetizada, ao mesmo tempo em que preserva sua função biológica.
A Microsoft Research publicou e disponibilizou como código aberto o RetroChimera, um novo framework para previsão de retrosíntese que combina dois modelos complementares para propor rotas de síntese de alta qualidade. O sistema integra R-SMILES 2, um modelo de-novo baseado em Transformer, com NeuralLoc, um modelo baseado em rede neural gráfica (GNN), utilizando uma estratégia de ensembling aprendida para classificar as previsões.
O Google DeepMind lançou o Atlas AlphaGenome, uma plataforma que contém previsões sobre os efeitos de 9 bilhões de variantes de nucleotídeo único em todo o genoma humano. Este recurso visa acelerar a compreensão biológica ao fornecer um mapa abrangente de como as mutações genéticas afetam a biologia molecular.
O Google relata que suas tecnologias agora suportam mais de 300 idiomas para mais de 7 bilhões de pessoas, introduzindo novas ferramentas para melhorar a compreensão de fala, a coleta de dados para idiomas sub-representados e a acessibilidade.
A NVIDIA lançou o Kumo Tabular, um modelo base aberto para classificação e regressão tabular que opera por meio de aprendizado em contexto, sem exigir treinamento ou engenharia de recursos. Pré-treinado exclusivamente em dados artificiais gerados por Modelos Causais Estruturais, o modelo está disponível em três tamanhos, variando de 28M a 215M parâmetros.
O Holo4 é uma nova série de modelos agênicos da H Company, disponível nos tamanhos 27B denso e 35B-A3B Mixture of Experts. Esses modelos interagem com software por meio de qualquer interface — GUIs, código, MCP ou APIs — e rodam em desktops, web, Android e sandboxes usando o mesmo modelo.
A DeepSeek lançou o V4.1-Flash, um novo modelo principal de pesos abertos projetado para extrema eficiência de inferência e baixo custo. O modelo utiliza uma arquitetura de codificador-decodificador causal para reduzir significativamente os custos de computação ativa e de KV/cache.
A DeepSeek lançou o DeepSeek v4.1-Flash, um novo modelo principal de pesos abertos que apresenta uma nova arquitetura causal codificador-decodificador projetada para maximizar a eficiência da inferência e reduzir custos.
A DeepSeek AI lançou o DeepSeek-V4.1-Flash, um modelo Mixture-of-Experts multimodal que possui uma janela de contexto de 1 milhão de tokens e um cache KV FP4 que reduz a pegada global do cache para 890 bytes por token. O modelo utiliza uma arquitetura de codificador-decodificador causal e Compressed Sparse Attention 2 (CSA2) para reduzir significativamente os requisitos de memória enquanto mantém o desempenho.
A H Company lançou o Holo4, uma família de modelos de visão e linguagem generalistas para uso de computador, projetados para clicar, digitar, escrever código e chamar ferramentas em ambientes de desktop, web, Android e API. O lançamento inclui dois tamanhos de modelo: Holo4 27B (denso) e Holo4 35B-A3B (Mixture of Experts com 3B parâmetros ativos), ambos suportando uma janela de contexto de 256K.
A Google Cloud AI Research, em colaboração com UNC-Chapel Hill, Stanford e Washington University in St. Louis, tornou open-source o RRSI (Regularized Recursive Self-Improvement). Este framework permite que um agente LLM reescreva seu próprio harness — incluindo prompts, ferramentas, memória, fluxo de controle e sub-agentes — sem alterar os pesos do modelo.
A IQuest lançou o IQuest-Q1, um modelo Mixture-of-Experts (MoE) projetado para codificação agêntica, raciocínio e uso de ferramentas em múltiplos passos. O modelo compreende aproximadamente 320 bilhões de parámetros totais, com cerca de 15 bilhões de parámetros ativados por token. Está disponível no Hugging Face.
O Laboratório de Algoritmos Profundos e Sistemas da ISTA lançou versões GGUF quantizadas do modelo mistura esparsa de especialistas Qwen3.8-Flash-Next, juntamente com uma compilação experimental voltada a capacidades específicas, com metade de seus especialistas removidos.
A NVIDIA lançou o modelo Nemotron-Labs-3-Competitive-Coding, um especialista em programação competitiva ajustado a partir do NVIDIA-Nemotron-3-Ultra-550B-A55B. O modelo foi treinado em rastros de raciocínio sintéticos destilados do GLM-5.2 e avaliado ao vivo no conjunto de problemas da IOI 2026.
A NewTypeCola publicou o VOKU Archive no Hugging Face, uma coleção de 66.010 páginas digitalizadas de cue sheets (folhas de indicações) de rádios universitárias estudantis na Coreia do Sul. Os documentos abrangem de 1988 a 2019 e incluem texto OCR, anotações de pseudônimos como tokens e metadados.
A ZYK Labs lançou o AI Beacon, um pequeno experimento de código aberto projetado para facilitar a comunicação com agentes de IA. O sistema permite que agentes autorizados iniciem conversas quando encontram convites públicos durante suas tarefas.
A Black Forest Labs lançou o FLUX 3 Action, um Modelo de Ação Mundial (WAM) de pesos abertos com 7B de parâmetros para controle de robôs, que ocupa a primeira posição no ranking RoboLab-120 com uma taxa de sucesso de tarefa de 42,92%.
O Laboratório de Robótica SIGS da Universidade Tsinghua lançou o VeriLoop E2, um modelo pós-treinado de 27B construído sobre o Qwen3.8-27B para código verificável, matemática e raciocínio científico. O lançamento introduz a Recorrência Governada por VeriLoop (VGR), que separa a geração da verificação externa para garantir que as transições de estado melhorem estritamente as dimensões de evidência.
A NVIDIA lançou o Nemotron 3 Diarization, um modelo de diarização de falantes com pesos abertos disponível no Hugging Face sob a Licença OpenMDW 1.1. O modelo de 100M parâmetros rastreia até 8 falantes sobrepostos em tempo real ou em modo offline usando um único checkpoint.
A Apple lançou o LensVLM-9B, um Modelo de Linguagem Visual com 9 bilhões de parâmetros projetado para processar imagens de texto comprimidas de forma mais eficiente. O modelo escaneia essas entradas comprimidas e usa ferramentas aprendidas para expandir seletivamente apenas as páginas relevantes para sua forma não comprimida.