Large Language Models

Principais notícias

1. 1

   Cisco vai dar agente de IA próprio aos seus 90 mil funcionários

   A Cisco anunciou que cada um de seus 90 mil colaboradores terá seu próprio agente de IA — um software autônomo capaz de tomar decisões e executar tarefas — como parte de sua estratégia de transformação digital interna. A medida reflete como grandes empresas estão apostando em IA generativa não apenas para produtos externos, mas para reorganizar processos internos e amplificar a produtividade de suas operações. Para a Cisco, trata-se de demonstrar confiança em suas próprias tecnologias de IA e rede.

   O programa está em fase de implementação, com a empresa começando a distribuir esses agentes de IA entre seus funcionários para otimizar fluxos de trabalho e tarefas administrativas.

2. 2

   OTAsが旅行者の信頼獲得に注力、一方でAIエージェントの信頼争奪も加速

   オンライン旅行代理店（OTA）各社が、旅行者からの信頼維持に注力する一方で、AI技術を使って自分で判断して予約などの作業を進めるAIエージェント（エージェント型AI）からの信頼獲得を巡る競争も始まっています。 旅行予約の仲介方法が人間からAIへとシフトしていく可能性があります。OTA各社にとって、新たな顧客層としてエージェント型AIの信頼を勝ち取ることが、今後のビジネス成長に影響を与える可能性があります。

   この記事は、旅行業界がデジタル化とAI統合の分岐点に立っていることを示唆しています。OTA各社がどのようにこの二つの課題のバランスを取るかが、今後の競争力を左右する見込みです。

3. 3

   DeepSeek R1、推論能力で2位のオープンモデルに到達

   DeepSeek R1が、オープンウェイトの推論モデルの中で第2位のランキングに達しました。このモデルは1M トークンのコンテキストウィンドウ（一度に処理できる情報量）を備えており、V3.2の128Kから拡張されています。 オープンソースの推論モデルが高い性能に到達することは、企業や開発者がより多くの選択肢を持つことを意味します。高性能なモデルがより広く利用可能になれば、AI導入の柔軟性が増す可能性があります。

   R1はコンテキストウィンドウが1M トークンに拡張されたほか、より大規模な情報処理が必要なタスク（長文の分析、複雑な推論）での活用に対応する可能性があります。

4. 4

   【Relatório de Malware de Maio de 2026】O mecanismo e contramedidas do LLMShare que abusa de links de compartilhamento de IA generativa legítima | Agência de Informações de Segurança Cibernética

   【Relatório de Malware de Maio de 2026】O mecanismo e contramedidas do LLMShare que abusa de links de compartilhamento de IA generativa legítima | Agência de Informações de Segurança Cibernética

5. 5

   Apple propõe modelo de IA com decodificação mais eficiente

   O que aconteceu: A Apple apresentou Residual Context Diffusion (RCD), uma abordagem para modelos de linguagem que melhora a eficiência ao reutilizar informações descartadas durante a geração de texto. Ao contrário dos modelos autogressivos puros, os modelos de difusão conseguem decodificar múltiplos tokens em paralelo, mas os atuais desperdiçam computação ao descartar tokens menos confiantes. Por que é importante: A proposta aborda um problema real de desperdício computacional nos modelos de difusão atuais. Ao reciclar tokens descartados que retêm informação contextual útil, a técnica pode tornar a geração de texto mais eficiente, reduzindo o custo computacional sem sacrificar a qualidade — uma vantagem significativa para empresas que operam modelos de IA em larga escala.

   Pontos de atenção: A pesquisa foi publicada pela equipe de machine learning da Apple, sinalizando continuidade no desenvolvimento interno de técnicas de IA. A abordagem representa um caminho alternativo aos modelos puramente autogressivos dominantes, oferecendo potencial para tornar a inferência (o processo de gerar respostas) mais rápida e econômica.

6. 6

   Apple Research: Modelos de Difusão em Linguagem Aprendem Estratégias Melhores de Desmascaramento

   Pesquisadores da Apple publicaram pesquisa sobre como os Diffusion Language Models (dLLMs) podem aprender estratégias melhores para selecionar quais tokens desmascarar em cada passo da difusão, em vez de depender de heurísticas manuais como limiar de confiança. Os dLLMs já igualam o desempenho dos modelos autogressivos em muitas tarefas e prometem ser mais eficientes durante a inferência (quando o modelo gera respostas). Heurísticas atuais exigem ajuste manual e têm limitações; estratégias aprendidas automaticamente podem melhorar tanto a qualidade quanto a vazão de tokens.

   A pesquisa está disponível no site de machine learning da Apple (machinelearning.apple.com/research/unmasking), oferecendo uma alternativa aos métodos manuais atuais que dominam o design de dLLMs.