Large Language Models

Principais notícias

1. 1

   A tecnologia de armazenamento recebe uma promoção na era da IA agêntica

   A tecnologia de armazenamento recebe uma promoção na era da IA agêntica

2. 2

   Visa (V) está testando agentes de IA que podem realmente completar compras

   Visa (V) está testando agentes de IA que podem realmente completar compras

3. 3

   【Fujikura em queda acentuada, mas tudo bem?】Ação que explodiu 5 vezes e a verdade sobre Sumitomo Electric e Nidec｜"Verdadeiro favorito nas sombras" do AI OpenAI e Gemini?【5803】 Carol Vorderman (etDOCplIVa)

   【Fujikura em queda acentuada, mas tudo bem?】Ação que explodiu 5 vezes e a verdade sobre Sumitomo Electric e Nidec｜"Verdadeiro favorito nas sombras" do AI OpenAI e Gemini?【5803】 Carol Vorderman (etDOCplIVa)

4. 4

   ソフトバンク、全社AI展開向けに独自ゲートウェイ「Cloud Proxy」を内製

   ソフトバンクが、生成AIやAIエージェント（自分で判断して作業するAI）を全社で展開する際の共通基盤として「Cloud Proxy」を開発しました。セキュリティ、ガバナンス、性能といった課題に対応する入口となるシステムです。 企業が大規模にAIエージェントを導入する際、セキュリティやガバナンスの管理が複雑になりがちです。共通基盤を用意することで、「1人100エージェント」という構想の実現に向けた足掛かりになるとみられます。

   Cloud Proxyは複数のLLM（大規模言語モデル）に対応し、自動化による迅速なスケールアウトを実現する設計となっています。

5. 5

   Anthropic expande Claude para mobile e muda foco de narrativa

   A Anthropic está expandindo sua plataforma Claude Cowork, um sistema de IA agente (IA que realiza tarefas por conta própria), para dispositivos móveis. Ao mesmo tempo, a empresa está mudando sua narrativa: em vez de enfatizar a substituição de trabalhadores, agora destaca a eliminação de trabalho burocrático. A mudança de narrativa sugere uma estratégia de posicionamento diferente no mercado — focando em como a IA pode fazer pessoas mais produtivas, em vez de as substituir. Isso pode ajudar a empresa a navegar preocupações públicas sobre IA e emprego conforme busca expandir sua adoção.

   A expansão para dispositivos móveis amplia onde e como os usuários podem acessar a plataforma Claude Cowork, potencialmente abrindo novos casos de uso além do ambiente de desktop.

6. 6

   Pesquisador propõe defender modelos contra envenenamento de dados com adaptadores confiáveis

   Um pesquisador publicou um trabalho que explora uma nova abordagem para defender modelos de IA contra ataques por envenenamento de dados. Em vez de detectar dados maliciosos, a ideia é restringir o aprendizado durante o ajuste fino (fine-tuning) a um subespaço derivado de adaptadores LoRA confiáveis, tornando certos comportamentos maliciosos geometricamente inatingíveis. A maioria das defesas existentes tenta detectar dados maliciosos ou reduzir seu impacto — uma estratégia reativa. Este trabalho oferece uma abordagem preventiva: impossibilitar que o modelo aprenda certas atualizações nocivas. Isso importa porque empresas fazem ajustes em modelos com dados de usuários, fontes externas ou dados gerados, onde pequenas quantidades de dados envenenados poderiam introduzir comportamentos ocultos acionados por frases específicas.

   A abordagem é ilustrada com dois cenários práticos: o ajuste fino em larga escala por uma empresa em dados de terceiros, e assistentes locais ou em dispositivo que se adaptam continuamente ao usuário. O objetivo não é detectar todo possível envenenamento ou backdoor, mas restringir a adaptação a variações de comportamentos já representados por um conjunto confiável de adaptadores.