Radar: IA e dev — 2026-09-02
Part of: Radar
Primeira edição de um resumo semanal. Os candidatos são coletados
automaticamente das fontes em scripts/news/sources.json e resumidos por um
modelo local; cada linha abaixo foi conferida à mão contra o original — e foi aí
que o tema da semana apareceu: o intervalo entre descobrir um bug e explorá-lo
desabou, e a nossa capacidade de ver o modelo pensar desabou junto.
Só o boato de um bug já basta para achar um exploit hoje em dia
Anil Madhavapeddy, mantenedor do compilador OCaml, viu sondagens por sequências de traversal percent-encoded cerca de dez minutos depois de um patch ser publicado para discussão — vigias automatizados lendo repositórios públicos, com agentes capazes de transformar uma pista em exploit funcional. O mantenedor do rclone confirma o mesmo formato: cerca de 20 disclosures de segurança nos primeiros dez anos do projeto, e mais de 40 só no último mês. A conclusão desconfortável não é sobre um bug específico: a prática de embargo em open source pressupõe dias, e agora tem minutos. Se você mantém algo público, seu processo de disclosure já está desatualizado.
Simon Willison · 2026-08-28Pesquisadores temem desastre de segurança antes do lançamento do Astra, da OpenAI
O Astra usaria um transformer de profundidade recorrente (looped), ciclando informação por camadas internas em vez de emitir um chain of thought legível. Isso pode melhorar desempenho, mas move o raciocínio para um lugar que ninguém — pesquisador ou sistema automatizado de segurança — consegue inspecionar. O ângulo prático para quem constrói em cima de modelos: monitorar chain of thought é uma técnica de segurança com dependência arquitetural, e ela para de funcionar quando a arquitetura muda por baixo.
The Verge · 2026-09-02O novo system prompt do Claude realmente não quer reproduzir letra de música
A Anthropic publica os system prompts dos apps de consumo — Claude.ai e os apps
mobile, mas não o Claude Code nem o Cowork — incluindo as versões históricas.
Agora estão separados em uma página por modelo, e acrescentar .md a qualquer
página do platform.claude.com/docs devolve Markdown. Esse último detalhe é o
que interessa: dá para diffar os prompts, então uma mudança de comportamento
pode ser rastreada até uma mudança de texto em vez de ser adivinhada.
Claude Fable 5.1 me fez um pelicano animado bem bonito
O Fable 5.1 marca 52,6% no Terminal-Bench-Science 0.1, bem acima da faixa de 20-30% ao redor. A observação do próprio Willison é a parte mais interessante: ele já tinha escrito sobre estar perdendo a fé no seu benchmark do pelicano, então o post é tanto sobre um benchmark perdendo a utilidade quanto sobre o modelo que o venceu. Vale a leitura para quem mantém alguma eval própria.
Simon Willison · 2026-09-01Claude Fable 5.1 disponível para todos no GitHub Copilot
Voltado a codificação autônoma de horizonte longo: pesquisa profunda em codebase, desenvolvimento de features, fluxos agênticos complexos. A linha para ler antes de habilitar é justamente a fácil de pular — diferente dos outros modelos Claude no Copilot, este exige retenção de dados. Isso é decisão de política da sua organização, não preferência de modelo.
GitHub Changelog · 2026-09-01Fragments: 1º de setembro
Fowler aponta para o LLM cliché highlighter, do Simon Willison: cole um texto ou uma URL e ele marca os padrões comuns na prosa de LLM, referenciando a página da Wikipédia sobre sinais de escrita gerada por IA. Útil, com a ressalva que a própria página faz — humanos também escrevem clichê, então um acerto é um convite a olhar, não um veredito.
Martin Fowler · 2026-09-01Precisão enterprise para inferência de embedding multimodal de contexto longo em Cloud TPU
vLLM em TPU com GKE para cargas de embedding, com exemplo executável do Qwen3-Embedding-8B e as correções de pooling state necessárias para requisições sobreviverem a preempção. Relevante se você está escalando um pipeline de embedding além do tamanho de protótipo; ignorável fora disso.
Google Developers Blog · 2026-08-26Sobre a precisão deste próprio resumo. Revisar oito resumos escritos por máquina contra as fontes mudou cinco deles e removeu um inteiro. O removido tinha um mês e entrou porque a fonte dele não publica data nenhuma, então nada conseguia envelhecê-lo — buraco agora fechado no gerador. As falhas do modelo local não foram fatos inventados, e sim vagueza confiante: “traz insights valiosos sobre como modelos de linguagem aprendem” no lugar de um post sobre diffar prompts publicados. Os números que ele citou conferiam.
Achou algo que deveria estar aqui? Indique na página de recomendações.