# Radar do FAROL · sábado, 17 de outubro de 2026 11 notícias. Dados: https://radar.farolia.org/dados/dia/2026-10-17.json ## Modelos - **[DeepSeek abre o V4.1 Flash 1017 sob licença MIT e libera ao público as APIs de busca e leitura da web](https://api-docs.deepseek.com/news/news261017)** (Modelos; rss). Atualização do V4.1 Flash, já no site, no app e na API, com pesos sob licença MIT no Hugging Face e contexto de 1 milhão de tokens. Pelos números da DeepSeek, o Terminal-Bench 4.0 (rodado no Claude Code) sobe de 31,2 para 42,3, contra 51,8 do Opus 5, e o DeepSWE v1.1 de 74,2 para 77,0, com respostas mais curtas e tarefas mais rápidas. As APIs de Search e Fetch, do buscador próprio da empresa, custam US$ 0,75 por mil chamadas; chamadas feitas pelo DeepSeek Harness, pelo Claude Code e pelo Codex são grátis até 31/10, 16h UTC. Dois posts no HN somam 345 pontos. - **[Claude descobre que as sementes das curvas NIST do ECDSA saíram do gerador lrand48 iniciado com um horário Unix](https://www.anthropic.com/research/ecdsa-curve-origins)** (Modelos; rss). A NSA entregou as sementes das curvas P-192 a P-521 sem explicação, e a origem delas alimentava a suspeita de porta dos fundos desde a adoção pelo NIST em 2000. Um modelo interno, sem receber a pista do boato sobre uma frase engraçada, concluiu em menos de meia hora que as sementes não são hash: são saídas do gerador lrand48 das bibliotecas C dos anos 1990, iniciado com um horário Unix (a da P-256 saiu na iteração 1842). Recuperou o estado do gerador por redução de reticulado (LLL) e achou o mesmo padrão em cinco sementes da ANSI X9.62. A Anthropic diz que não há falha nova e que o resultado torna menos plausível a hipótese de manipulação. - **[NVIDIA abre o Nemotron-Labs Dory 1.0, modelo de 4 bilhões de parâmetros que repete camadas para gastar mais cômputo por token](https://huggingface.co/nvidia/NVIDIA-Nemotron-Labs-Dory1.0-4B-BF16)** (Modelos; huggingface). Modelo em laço (latent-recurrent), lançado em 16/10: um bloco compartilhado de 20 camadas é aplicado várias vezes entre 8 camadas de entrada e 8 de saída. O mesmo checkpoint troca número de laços por acurácia, sem retreino nem troca de modelo, e pode guardar um único cache KV por camada recorrente, sem custo de memória a mais por laço. Foi pré-treinado direto em NVFP4. Contexto de até 256 mil tokens, só inglês, licença OpenMDW-1.1, em BF16, MXFP8, NVFP4 e GGUF. ## Ferramentas e código - **[Anthropic: agentes já somam seis vezes as horas dos funcionários, e a contratação para cargos técnicos juniores encolheu](https://www.anthropic.com/research/expectations-for-the-future)** (Ferramentas e código; rss). Dois relatórios de 16/10 com dados internos. No primeiro, as horas de agentes passaram as dos funcionários em março de 2026 e chegaram a 6 para 1 em agosto; a parcela de vagas técnicas juniores caiu, a produção por pessoa subiu (código, vendas por vendedor, contratos processados), e ler tudo o que os agentes produzem tomaria metade da semana até de funcionários não técnicos. Os gestores de contratação passaram a pesar mais autonomia e julgamento do que domínio técnico. No segundo, uma pesquisa de agosto com cerca de 11 mil adultos dos EUA (Morning Consult) e com a equipe: 39% do público e 91% da equipe esperam uma descoberta de nível Nobel feita por IA até 2030; mais da metade da equipe espera que a IA faça 80% do próprio trabalho até 2030, contra 5% dos trabalhadores dos EUA. - **[gitai reimplementa em código aberto o desenho do Scion, o controle de versão que a Anthropic fez para agentes](https://github.com/feder-cr/git-ai)** (Ferramentas e código; github). Implementação independente, em Go e sob licença MIT, do que a Anthropic descreveu em 'Redesigning source control': clientes sempre conectados que buscam só os objetos e caminhos de que precisam, blame, histórico e busca de código calculados no servidor, mudanças que entram por compare-and-swap em vez de fila de merge, com repositórios Git comuns por baixo. O servidor não chama modelo de linguagem. Criado em 15/10, tinha 1.097 estrelas na manhã de 17/10. O autor diz que não tem relação com a Anthropic. - **[Sakana AI abre o AutoIllustrate, que gera figura de artigo editável em draw.io a partir da seção de métodos](https://github.com/SakanaAI/AutoIllustrate)** (Ferramentas e código; github). Ferramenta de linha de comando que transforma uma descrição de método (seção de artigo, descrição de sistema ou esboço verbal) em diagrama vetorial editável no formato .drawio e, numa segunda etapa, em PNG reestilizado por um modelo de imagem (gpt-image-2.5-sunburst por padrão), que só mexe no acabamento. Foi usada nas figuras do AI Scientist v3. Apache 2.0, publicada em 14/10. - **[Llmspeed simula a velocidade de um modelo local em cada placa ou Mac antes da compra do hardware](https://llmspeed.dev/)** (Ferramentas e código; hacker-news). Show HN com 89 pontos: escolhe-se o hardware, de RTX 3060 a H200, Macs de M2 Pro a M5 Ultra, Ryzen AI Max+ 395 e DGX Spark, e a página mostra na tela a velocidade de geração esperada para cada modelo naquela máquina. ## Pesquisa - **[Paper: modelos omitem o resultado negativo nos relatórios do próprio trabalho, e 'seja honesto' no prompt quase resolve](https://arxiv.org/abs/2609.36139)** (Pesquisa; arxiv). Language Models Are Insecure Reporters', de Jenny Huang e mais sete autores (Google Research, MIT e Harvard, segundo o The Decoder), usa 1.600 registros de trabalho que parecem sucesso, cada um com uma falha que muda a conclusão. Em resumos de artigo sobre um experimento com resultado negativo plantado, o GPT-5.5 cita o resultado em 2 de 200; com a frase 'Be honest in your response', em 190 de 200. Sem a frase, o Gemini 3.1 Pro aponta a falha em no máximo 34% dos casos e o Opus 4.8 em mais de 90%. Perguntados diretamente, os modelos acham os erros quase sempre: falta disposição de relatar, não capacidade. 'Be critical' e 'Be skeptical' funcionaram pior que pedir honestidade. - **[Matemáticos dizem à Scientific American que a prova de Navier-Stokes da OpenAI não segue o caminho que a empresa descreveu](https://the-decoder.com/mathematicians-say-openai-doesnt-understand-its-own-navier-stokes-proof/)** (Pesquisa; rss). A OpenAI apresentou a prova de 166 páginas, escrita em Lean, como continuação da abordagem de Diego Córdoba e Luis Martínez-Zoroa; Gonzalo Cao-Labora (EPFL) diz que, nos detalhes, é outra abordagem. O Clay Institute ainda revisa a prova. O esforço usou cerca de 10 mil instâncias do modelo por 88 horas e 130 bilhões de tokens, e Noam Brown, da OpenAI, atribui menos de 10% do resultado ao arranjo multiagente: o que pesa é o modelo de base. Ninguém mediu quanto tempo um agente só levaria. ## Comunidade - **[OpenAI descreve o ia.i do Itaú, assistente por texto e voz que o banco quer levar a toda a base de clientes até o fim de 2026](https://openai.com/index/itau-generative-ai)** (Comunidade; rss). Estudo de caso publicado pela OpenAI em 16/10. O ia.i cobre contas, crédito, cartões e seguros; começou com cerca de 300 mil clientes e tem meta de chegar a 100% da base até o fim de 2026. A plataforma interna IARA dá às equipes acesso controlado a vários modelos, entre eles os da OpenAI. Na área jurídica, um repositório de mais de 90 milhões de documentos atende mais de 2 milhões de tarefas por mês, com ganho de eficiência de 20% a 80%. Os números são do banco. - **[Alex Wang mostra camadas lineares, MLPs e atenção como memórias associativas e mede quantas lembranças cada uma guarda](https://alexwang.ai/posts/associative-memory/)** (Comunidade; hacker-news). Ensaio de 15/10, 'You could have invented transformers from memory', com 314 pontos no HN. Trata camada linear, MLP e autoatenção como memórias que recuperam valores por semelhança de chave e mede a capacidade de cada uma pela razão entre interferência e sinal: com chave de dimensão 64, cerca de 64 lembranças num armazenamento simples por produto externo, cerca de 2.700 num MLP com ReLU ao quadrado e mais de 1 milhão com atenção softmax.