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.
A Cohere anunciou o North Small Translate, um modelo de tradução automática de código aberto com arquitetura mixture-of-experts (MOE) que opera em 50 idiomas. Os desenvolvedores podem baixar os pesos para uso não comercial sob a licença CC BY-NC 4.0 e, para implantação comercial, a empresa oferece o Model Vault, um ambiente de inferência gerenciado pela Cohere.
A companhia afirma que o modelo é “non-reasoning”, usando padrões aprendidos sem lógica passo a passo, o que reduz o uso de tokens. Em testes com o WMT26, a Cohere cita pontuação 83,60 no benchmark All Languages e destaca recursos para fluxos corporativos, como traduções estruturadas (Markdown ou JSON), instruções de tom e formato e guias de terminologia, além de um workflow multi-pass com revisão e correção do próprio output.
O projeto FreeToken, open-source, foi apresentado por pesquisadores da UC Berkeley e do MIT como uma engine de inferência para aproximar modelos MoE de ponta do uso em hardware consumidor. A proposta trata o PC do usuário como uma “fábrica” de computação elástica e heterogênea, em vez de apenas um nó de datacenter com limitações.
Para reduzir gargalos de decodificação em MoE, o FreeToken substitui o offloading estático por uma política dinâmica (q*) que divide a computação entre CPU e GPU conforme a taxa de interconexão. O sistema usa um formato de pesos (FTW) e double buffering para sobrepor streaming via PCIe com camadas ativas, além de gerenciar VRAM em tempo de execução sem recarregar o modelo, com ganhos reportados como ~39 tokens/s no Qwen3.6-35B em um RTX 4060 de 8GB.
A Alibaba lançou o Qwen3.8-Max, um modelo multimodal com 2,4 trilhões de parâmetros, disponível via QwenCloud e Alibaba Cloud Model Studio. A empresa afirma que o modelo usa uma arquitetura sparse Mixture-of-Experts, ativando cerca de 95 bilhões de parâmetros por token, e que os preços ficam em US$ 2 por 1 milhão de tokens de entrada e US$ 6 por 1 milhão de tokens de saída. Em um dos testes mais chamativos, a IA teria construído sozinha um app de linha de comando por 16 dias, gerando 265 commits e abrindo 127 pull requests em um repositório público no GitHub (qwen-code-dev-bot/oh-my-cli).
O ponto que muda para devs é que a Alibaba está tentando viabilizar “coding agents” com trilha auditável e integração com ferramentas existentes, incluindo suporte a formatos de API compatíveis com OpenAI e Anthropic no Model Studio. Ao mesmo tempo, a própria matéria ressalta que rodar o modelo localmente é pesado por causa da necessidade de armazenar e distribuir os pesos em GPUs de alta memória, o que tende a favorecer empresas grandes e provedores de inferência.
A Alibaba anunciou o Qwen3.8-Max, seu maior modelo até agora, com 2,4 trilhões de parâmetros e foco em multimodalidade (texto, imagens e vídeos). O modelo consegue analisar até 1 milhão de tokens por vez e usa arquitetura mixture-of-experts, ativando apenas parte do sistema por tarefa — com uso simultâneo de 95 bilhões de parâmetros. Já a DeepSeek chamou atenção com o V4-Flash, destacado como o mais barato para operar em testes, com custo de US$ 0,14 por milhão de tokens de entrada e US$ 0,28 por milhão de tokens de saída.
A disputa deixa de ser só “quem tem o modelo maior” e passa a mirar eficiência e acessibilidade para empresas e desenvolvedores. Na prática, a tendência é acelerar adoção de IA em fluxos corporativos, inclusive com modelos de pesos abertos que permitem baixar e adaptar os parâmetros, enquanto concorrentes ocidentais seguem mais focados em soluções fechadas.
