Large Language Models

Principais notícias

1. 1

   Honeywell mapeia seis fluxos de trabalho para otimização autônoma de ativos impulsionada por IA

   O que aconteceu: A Honeywell está utilizando fluxos de trabalho orientados por IA e automação baseada em agentes para ajudar fabricantes a enfrentar escassez de mão de obra, falta de trabalhadores especializados e complexidade de produtos. Na Conferência Americas Honeywell User Group 2026, realizada em Phoenix no mês passado, Omar Sayeed, líder de confiabilidade digital da Honeywell, apresentou seis fluxos de trabalho essenciais—vigilância de ativos, análise de causa raiz, recomendações prescritivas, estratégia dinâmica de manutenção baseada em risco, avaliação de trade-off entre confiabilidade de produção e suporte ao trabalhador de campo—que possibilitam a otimização autônoma de ativos. Por que é importante: Os fabricantes enfrentam mercados de trabalho em contração, problemas de força de trabalho, questões de cadeia de suprimentos e pressão para cumprir prazos. Fluxos de trabalho de manutenção conectados e habilitados por IA ajudam as empresas a automatizar e reduzir a intervenção humana, mantendo a confiabilidade e o desempenho dos ativos. As aquisições recentes da Honeywell do fabricante de turbomaquinaria Sundyne e da Compressor Controls Corp. sublinham o foco estratégico da empresa em expandir serviços de confiabilidade de ativos e posicionar agentes de IA como alavanca para que fabricantes operem em escala.

   O que observar: O sucesso requer uma base sólida de coleta de dados, infraestrutura de controle robusta e plataformas de análise. Sayeed enfatizou que a maior barreira para muitas instalações é a fragmentação ou baixa qualidade dos dados—a IA não pode ajudar sem isso. As organizações devem estabelecer processos de trabalho centralizados e padronizados e avançar progressivamente da previsão de falhas para a prescrição de ações, possibilitando eventualmente decisões de controle autônomo com envolvimento humano mínimo.

2. 2

   Google adia lançamento do Gemini após não atingir benchmarks internos

   O que aconteceu：Google adiou o lançamento de sua tecnologia de IA Gemini porque o sistema não atendeu às metas de desempenho interno estabelecidas pela empresa. Por que é importante：O atraso sinaliza que até mesmo os principais laboratórios de IA enfrentam obstáculos técnicos ao ampliar seus maiores modelos. Para empresas que planejam adotar IA avançada, sugere que os cronogramas de implementação no mundo real podem ultrapassar as expectativas públicas.

   O que acompanhar：Nenhuma data de lançamento específica foi anunciada ainda; a empresa está trabalhando para fechar a lacuna de desempenho antes de disponibilizar a tecnologia.

3. 3

   Gemini 3.5 Pro do Google é adiado por meses; desempenho em codificação fica aquém das expectativas

   O que aconteceu: O Gemini 3.5 Pro, modelo de IA de ponta do Google, está atrasado vários meses porque não atendeu às expectativas internas da empresa para capacidades de codificação. Por que importa: O atraso sinaliza uma potencial fraqueza no pipeline de desenvolvimento de IA do Google em um momento em que a empresa enfrenta competição intensa em IA generativa. Para empresas e desenvolvedores que dependem das ferramentas de IA do Google, isto sugere um adiamento no cronograma para acessar uma capacidade de próxima geração esperada.

   O que observar: O artigo não especifica quando o Gemini 3.5 Pro deve ser lançado nem a duração exata do atraso além de "meses."

4. 4

   Ações do Google caem com atraso no lançamento do Gemini 3.5 Pro

   O que aconteceu: O preço das ações do Google caiu após relatos de que a empresa está atrasada na entrega do Gemini 3.5 Pro, seu modelo de IA mais poderoso e emblemático. Por que importa: O atraso ocorre enquanto rivais de IA avançam com seus próprios modelos, criando pressão competitiva num mercado de alto risco para capacidades avançadas de IA. Para empresas que avaliam parceiros de IA, o timing e as diferenças de capacidade entre fornecedores são relevantes.

   O que acompanhar: O artigo não especifica quando o Gemini 3.5 Pro deve ser lançado agora ou quando o atraso será resolvido.

5. 5

   Agentes Precisam de Melhor Busca na Web—Documentos Completos, Não Trechos

   O que aconteceu: Uma análise de como agentes de IA buscam na web mostra que APIs de busca tradicionais que retornam apenas trechos e links forçam agentes a buscar e limpar HTML bruto em cada consulta. Executar a mesma pergunta através de três métodos de recuperação—resultados de busca simples, busca neural e um serviço web pré-indexado—revelou que percorrer trechos custa aproximadamente 4× mais tokens do que acessar documentos pré-processados completos. Para uma tarefa de pesquisa que exige múltiplas buscas, agentes repetem continuamente uma "taxa de recuperação" em conteúdo que já viram. Por que importa: Conforme agentes de codificação e sistemas alimentados por LLM migram para produção, a validação passa de testes offline para telemetria ao vivo—significando que agentes devem lidar com consultas do mundo real para as quais nunca foram treinados. Busca na web é como agentes se mantêm atualizados com mercados, notícias e mudanças organizacionais, mas as APIs de busca atuais desperdiçam tokens em overhead em vez de raciocínio. Para equipes construindo loops de agentes (pipelines de pesquisa, briefings de GTM, monitoramento de mercado), a escolha da ferramenta de busca controla diretamente custo e velocidade—não o modelo ou prompt.

   O que observar: Seltz, um índice web propositalmente construído para agentes, retorna documentos estruturados completos (perfis de pessoas, texto de artigo completo, entradas da Wikipedia) em uma única chamada em vez de forçar agentes a reconstruir conteúdo a partir de trechos. Funciona melhor para buscas aprofundadas após a descoberta estar concluída; encadear consultas de descoberta (busca web aberta) com consultas aprofundadas (documentos completos indexados) permite que cada iteração de loop use o método de recuperação certo para o que realmente está tentando fazer.

6. 6

   Modelo aberto Kimi K3 rivaliza com GPT-5.6 Sol e Claude Fable 5 em benchmarks; preços de IA na China aumentam

   O que aconteceu: A Kimi lançou K3, um modelo aberto com 2,8 trilhões de parâmetros e janela de contexto de um milhão de tokens. Nos benchmarks da Kimi, K3 fica atrás apenas de Claude Fable 5 e GPT-5.6 Sol, mas supera todos os outros sistemas testados, incluindo Claude Opus e o rival chinês GLM-5.2. Testes independentes da Artificial Analysis classificam K3 em 57 no Índice de Inteligência Artificial da Artificial Analysis, colocando-o em quarto lugar atrás de Fable 5 (60), GPT-5.6 Sol (59) e Opus 4.8 (56). Os pesos completos do modelo estão programados para lançamento até 27 de julho. Por que é importante: K3 marca o fim da IA ultracbarata na China. Os preços da Kimi—$0,30 por milhão de tokens de entrada (com acerto de cache) e $15,00 para saída—são quase 19 vezes mais altos que seu antecessor K2.6 ($0,16 entrada, $4,00 saída). Os provedores chineses em geral estão aumentando preços para modelos de fronteira. A $0,94 por tarefa, K3 se situa na mesma faixa do GPT-5.6 Sol ($1,04), mas custa aproximadamente metade de Claude Opus 4.8 ($1,80), posicionando-se como uma opção competitiva de faixa média em vez de líder de preço.

   O que observar: K3 apresenta alucinação mais alta (51 por cento) do que sua melhoria de precisão (46 por cento, acima de 33 por cento no Índice AA-Onisciência), e usa uma arquitetura de mistura de especialistas ativando apenas 16 de 896 especialistas. O modelo está disponível agora via Kimi.com, aplicativos móveis e Kimi Code; uma plataforma planejada de Kimi Hosted Agent com ambientes isolados para tarefas de longa duração está em inscrição de lista de espera.