Large Language Models

Principais notícias

1. 1

   NTT、独自LLM「tsuzumi 2」を発表

   NTT has announced tsuzumi 2, an upgraded version of its proprietary large language model (LLM — an AI system that understands and generates text). The development underscores NTT's effort to build in-house AI capabilities independent of external providers, which could reduce reliance on third-party models for its telecommunications and enterprise services.

   Specific details on tsuzumi 2's performance metrics, deployment timeline, and availability to NTT customers are not provided in the announcement.

2. 2

   Juiz dos EUA aprova acordo de indenização de US$ 1,5 bilhão (cerca de 2.400 bilhões de ienes) da Anthropic

   O que aconteceu: A juíza distrital dos EUA Araceli Martinez-Olguin aprovou, na segunda-feira, o acordo final de US$ 1,5 bilhão (cerca de 2.400 bilhões de ienes) da Anthropic para resolver uma ação coletiva movida por autores que alegavam que a empresa usou seus livros sem permissão para treinar o chatbot de IA Claude. Trata-se do maior acordo conhecido de um caso de direitos autorais nos EUA. Por que é importante: O acordo encerra o primeiro grande processo de direitos autorais nos EUA contra uma empresa de IA a chegar a uma resolução, após um julgamento estar marcado para começar em dezembro com potenciais indenizações chegando a centenas de bilhões de dólares. Autores e outros detentores de direitos autorais apresentaram reclamações cobrindo mais de 92% das mais de 480 mil obras incluídas no acordo, estabelecendo um precedente enquanto dezenas de casos semelhantes permanecem pendentes contra empresas de tecnologia por proprietários de direitos autorais, incluindo autores e meios de comunicação.

   Pontos a acompanhar: Alguns autores e editoras optaram por sair do acordo e apresentaram ações separadas contra a Anthropic que ainda estão em andamento. O acordo também enfrentou objeções de alguns autores que argumentaram que não é grande o suficiente ou exclui indevidamente certos detentores de direitos autorais.

3. 3

   OpenAI teme modelos abertos; EUA consideraram proibição de IA chinesa

   O que aconteceu: Dean W. Ball, chefe de futuros estratégicos da OpenAI, argumentou que o governo dos EUA deveria usar regulação para desestimular modelos de peso aberto, alegando que desestimulam gastos de capital dos laboratórios de fronteira. Após reações de figuras como Yann LeCun e Martin Casado, Ball retratou a afirmação de que o crackdown regulatório era a "melhor estratégia" da Casa Branca. Relatórios indicam que a administração Trump está considerando banir modelos chineses avançados como Kimi K3 da Moonshot, embora o Departamento de Comércio possa não agir em breve. Por que importa: Modelos de peso aberto rodando em infraestrutura independente oferecem IA mais barata do que serviços proprietários de empresas como OpenAI e Anthropic, ameaçando o retorno sobre seus massivos investimentos em treinamento. Porém, restringi-los poderia ceder liderança em inovação à China—programas de pós-graduação dos EUA já se baseiam principalmente em modelos chineses abertos, e metade dos artigos estudados por alunos vêm de instituições chinesas, segundo pesquisa citada no artigo. A verdadeira alavanca pode ser controles de exportação de chips em vez de banir software.

   O que acompanhar: O artigo aponta incerteza em torno da economia de IA: nem o modelo de negócios aberto nem o proprietário está ainda comprovado, e empresas chinesas de IA enfrentam as mesmas dificuldades de receita e computação que firmas dos EUA. Nvidia e outras estão explorando negócios de modelos abertos, sugerindo que o panorama pode mudar se múltiplas empresas conseguirem sustentar lançamentos abertos em vez de apenas laboratórios de fronteira perseguindo modelos fechados.

4. 4

   Novo chip de IA do Google impulsiona ações da Alphabet em 3%

   O que aconteceu: As ações da Alphabet subiram cerca de 3% na segunda-feira após reportagens indicarem que a empresa está desenvolvendo um chip de servidor de IA de próxima geração com nome em código "Frozen v2", projetado para entregar de seis a dez vezes mais tokens de IA consumindo a mesma quantidade de energia dos processadores tensor atuais. O lançamento está previsto para já em 2028. Por que importa: O processador personalizado visa reduzir as demandas energéticas e de custo no treinamento e operação de aplicações avançadas de IA, o que é crítico conforme a Alphabet expande seus modelos de IA Gemini. Um chip mais eficiente fortalece a capacidade de computação de IA interna da empresa e reduz a dependência de hardware de terceiros em um momento em que grandes empresas de tecnologia competem intensamente por sistemas de IA generativa.

   O que observar: O cronograma real de implantação do chip e se ele consegue alcançar o ganho de desempenho projetado de seis a dez vezes por unidade de energia. Este é um teste fundamental da estratégia da Alphabet de construir infraestrutura proprietária que sustente suas ambições de IA de longo prazo.

5. 5

   Modelos de código aberto aproximam-se da paridade com a fronteira enquanto laboratórios fechados mantêm liderança

   O que aconteceu: Modelos de IA de código aberto, incluindo DeepSeek R1, GLM-4.6, GLM-5.2, Kimi K3 e outros, atingiram equivalência com modelos de fronteira fechados, embora sistemas fechados como GPT-5.2 e Opus continuem a criar avanços de mudança gradual. Os lançamentos recentes incluem Kimi K3 (2.8T parâmetros, 16 de julho) da Moonshot, prévia de Qwen 3.8 (2.4T, 19 de julho) da Alibaba, e a formatura de meados de julho do DeepSeek V4 saindo da versão prévia. Por que importa: Modelos abertos custam aproximadamente 15% menos que GPT-5.2 com qualidade de fronteira mediana, sendo o DeepSeek V4 Flash aproximadamente 90% mais barato. Essa pressão nos preços está remodelando as margens da indústria—Anthropic está atingindo seu primeiro trimestre lucrativo—enquanto a concorrência levou OpenAI a reduzir custos de inferência em 50% e estimulou inovação arquitetônica como o novo mecanismo de atenção KDA do Kimi.

   O que acompanhar: A indústria está alternando entre modelos fechados se adiantando e modelos abertos alcançando-os, potencialmente criando pressão competitiva sustentada sobre preços e margens. A questão de se essa dinâmica desacelerará ou acelerará a inovação por meio da concorrência permanece central para determinar a velocidade do avanço da onda de IA.

6. 6

   Google projeta chip específico para Gemini com ganho de eficiência de 6–10×, implantação a partir de 2028

   O que aconteceu: Google está desenvolvendo um chip de servidor interno chamado Frozen v2 que incorpora a arquitetura do modelo Gemini diretamente no silício. O chip pode ser 6 a 10 vezes mais eficiente ao fornecer respostas de IA do que os chips TPU atuais do Google, e a empresa planeja implantá-lo a partir de 2028. Por que é importante: Na IA, a otimização dos custos de inferência determina cada vez mais as margens de lucro. Frozen v2 foi projetado para aliviar a pressão computacional interna do Google e poderia permitir que a empresa execute modelos poderosos com custo menor—uma possível vantagem competitiva contra OpenAI e Anthropic. Diferentemente da linha TPU do Google, que ela aluga para Meta e clientes externos de nuvem, Frozen v2 foi construído especificamente para Gemini e dificilmente se tornará um produto comercial.

   O que observar: Google ainda não decidiu quanto da arquitetura do Gemini será codificado no chip. O design—que incorpora a arquitetura do modelo em vez dos pesos—permite que novos pesos sejam carregados, tornando-o mais flexível do que uma abordagem anterior que teria prendido o chip a uma única versão do Gemini.