---
okf_version: "0.1"
---

# Radar — Rota Nacional

* [Ciência autônoma limitada pela validação física, segundo novo artigo no arXiv](https://ai.exponencialadm.net/okf/pt/radar/ciencia-autonoma-limitada-pela-validacao-fisica-b1d23a.md) - Um artigo recente no arXiv argumenta que a ciência autônoma depende da capacidade de validação física e propõe mercados e instituições para alocar esse trabalho escasso.
* [Intel GPU D-Series: placa de inferência com 480GB LPDDR5X já em amostragem](https://ai.exponencialadm.net/okf/pt/radar/intel-gpu-d-series-placa-de-504953.md) - A Intel apresenta a GPU D-Series (antiga Crescent Island), com até 480GB de LPDDR5X a 1,5TB/s, já em amostragem. Registro Radar com as especificações anunciadas na fonte.
* [μLattice: alternativa de escalonamento de memória à atenção, segundo o autor](https://ai.exponencialadm.net/okf/pt/radar/lattice-alternativa-de-escalonamento-de-memoria-d52015.md) - Projeto de código aberto e artigo que descrevem o μLattice, um design de memória que cresce com a entrada sem custo quadrático. O autor afirma menos operações que a attention e recall perfeito de milhares de associações.
* [QwenGyre: framework de RL elástico para treino de agentes de horizonte xLong](https://ai.exponencialadm.net/okf/pt/radar/qwengyre-framework-de-rl-elastico-para-04ec16.md) - Radar: o framework QwenGyre, descrito pela equipe Qwen da Alibaba, realoca GPUs entre rollout e treinamento e agrupa trajetórias ramificadas de agentes, com speedup relatado de até 1,85× sobre Colocate e cerca de 44% menos tempo de treino.
* [Avalie o agente com menos contexto e critérios claros](https://ai.exponencialadm.net/okf/pt/radar/avalie-o-agente-com-menos-contexto-cd0404.md) - Um fluxo mais elaborado nem sempre melhora o resultado. Compare componentes pela tarefa, pelo consumo e pela exposição de dados.
* [HERMES: harness em nível de componente com LLMs para tarefas de software](https://ai.exponencialadm.net/okf/pt/radar/hermes-harness-em-nivel-de-componente-ed1773.md) - Artigo no arXiv propõe o HERMES, um harness de agentes de código em que cada componente do repositório tem um LLM residente. Os autores relatam ganhos em migração e em quatro benchmarks de engenharia de software frente a harnesses de baseline equivalentes.
* [HeyGen Voice lidera ranking de síntese de voz da Artificial Analysis](https://ai.exponencialadm.net/okf/pt/radar/heygen-voice-lidera-ranking-de-sintese-15c25d.md) - Segundo a Artificial Analysis, um serviço de voz comercial ficou em primeiro no Controlled Voice TTS Arena, com Elo de 1.201 em oito vozes clonadas em inglês dos EUA e do Reino Unido.
* [Modelo open-source de clonagem de voz Qwen3-TTS 1.7B CustomVoice](https://ai.exponencialadm.net/okf/pt/radar/modelo-open-source-de-clonagem-de-3d31d6.md) - Post apresenta um modelo open-source de texto para fala de 1,7B com clonagem de voz e controles de emoção, idade, tom, sotaque e suporte multilíngue. As alegações de realismo e latência não foram verificadas.
* [Whistle: modelo de speech-to-text on-device de 16,9 MB em plataforma pública de modelos](https://ai.exponencialadm.net/okf/pt/radar/whistle-modelo-de-speech-to-text-869c9e.md) - A Cactus-Compute publicou o Whistle, um modelo de speech-to-text de 16,9 MB para uso on-device. Segundo o autor, ele rivaliza com o Whisper base em esse tipo de uso.
* [DeLM: agentes de código descentralizados com contexto compartilhado](https://ai.exponencialadm.net/okf/pt/radar/delm-agentes-de-codigo-descentralizados-com-e1bdac.md) - Artigo de Stanford sobre o DeLM, que substitui o coordenador central por contexto compartilhado e uma fila de tarefas em agentes de código de longo prazo. Segundo o autor, é até 2,49× mais rápido e mais preciso que as linhas de base citadas.
* [LayerRoPE: pesos de normalização com profundidade codificada para Transformers](https://ai.exponencialadm.net/okf/pt/radar/layerrope-pesos-de-normalizacao-com-profundidade-28aed1.md) - Pesquisa propõe o LayerRoPE, que codifica a profundidade nos pesos de normalização para lidar com o crescimento da norma dos estados ocultos entre camadas em Transformers muito profundos.
* [LittleBit, método da Samsung para comprimir LLMs de 13B abaixo de 1 GB](https://ai.exponencialadm.net/okf/pt/radar/littlebit-metodo-da-samsung-para-comprimir-e16e43.md) - Segundo o relato, a Samsung abriu o código do LittleBit, método que usa fatoração latente para reduzir pesos de modelos de 13 bilhões de parâmetros para menos de 1 GB, com níveis abaixo de 1 bit e XOR no lugar da multiplicação.
* [RoboJEPA: escalando modelos de mundo JEPA para robótica](https://ai.exponencialadm.net/okf/pt/radar/robojepa-escalando-modelos-de-mundo-jepa-e641b8.md) - A Meta apresenta o RoboJEPA, um modelo de mundo latente baseado em JEPA, escalado de 22M para 8B de parâmetros e treinado com dados de 12 embodiments robóticos. O artigo estuda se o erro de predição latente prevê o desempenho de planejamento posterior.
* [RoboJEPA: leis de escala para modelos de mundo robóticos, segundo post](https://ai.exponencialadm.net/okf/pt/radar/robojepa-leis-de-escala-para-modelos-61969e.md) - Um post em rede social descreve o RoboJEPA, modelo de mundo JEPA de 8B parâmetros treinado com 15.022 horas de vídeo robótico, e relata ajustes de leis de escala que preveem resultados das variantes de 4B e 8B.
* [Benchmark multilíngue de speech-to-text para modelos do transcribe.cpp em notebook](https://ai.exponencialadm.net/okf/pt/radar/benchmark-multilingue-de-speech-to-text-344d73.md) - Site que compara precisão e velocidade de modelos de speech-to-text suportados pelo transcribe.cpp, medidos por idioma no conjunto FLEURS, com dados de testes em um notebook 4750U.
* [Clones de voz de falantes não nativos de inglês são avaliados como mais humanos](https://ai.exponencialadm.net/okf/pt/radar/clones-de-voz-de-falantes-nao-a612f7.md) - Um artigo do NeurIPS 2026 clonou vozes de 86 falantes não nativos de inglês. Em 4.000 avaliações humanas, os clones foram considerados mais calorosos, autoritativos e humanos.
* [H-JEPA: modelos de mundo hierárquicos para planejamento visual de longo prazo](https://ai.exponencialadm.net/okf/pt/radar/h-jepa-modelos-de-mundo-hierarquicos-b23a6e.md) - Radar: artigo orientado por Yann LeCun propõe o H-JEPA, que empilha modelos de mundo JEPA em múltiplas escalas de tempo para planejamento visual de longo prazo.
* [LiFT: transformers de loop para geração de imagens com flow matching](https://ai.exponencialadm.net/okf/pt/radar/lift-transformers-de-loop-para-geracao-b3010f.md) - Radar: o LiFT treina um gerador de imagens com flow matching e um núcleo transformer compartilhado, em que cada loop refina progressivamente a estimativa de velocidade. Segundo o autor, um modelo com 2 loops melhora com até 16 loops na inferência.
* [Modelo TTS de voz única destilado do Kokoro-82M com 9MB](https://ai.exponencialadm.net/okf/pt/radar/modelo-tts-de-voz-unica-destilado-f087a0.md) - Post relata modelo de text-to-speech de voz e idioma únicos, com cerca de 9MB de pesos, destilado do Kokoro-82M, de 8M de parâmetros. O autor afirma execução em qualquer lugar e alta velocidade, sem verificação independente.
* [Roteamento de Experts com Eficiência de Memória para Treinamento de MoE](https://ai.exponencialadm.net/okf/pt/radar/roteamento-de-experts-com-eficiencia-de-6b779e.md) - Artigo no arXiv, datado de 7 de outubro de 2026, que propõe métodos para reduzir o pico de memória no treinamento distribuído de Mixture-of-Experts, com foco no dispatcher all-to-all.
* [Destilação on-policy com múltiplos professores para combinar especialistas](https://ai.exponencialadm.net/okf/pt/radar/destilacao-on-policy-com-multiplos-professores-a2c112.md) - Radar: o post descreve o MOPD, método em que um modelo aluno aprende com rollouts gerados por ele próprio e recebe supervisão de professores especializados por domínio, para reunir capacidades de especialistas treinados separadamente.
* [EmbeddingGemma 2 e retrieval multimodal em um espaço vetorial compartilhado](https://ai.exponencialadm.net/okf/pt/radar/embeddinggemma-2-e-retrieval-multimodal-em-29008d.md) - Radar: post afirma que o EmbeddingGemma 2, do Google, mapeia texto, código, imagens, vídeo e áudio em um único espaço vetorial e usa licença Apache 2.0. A fonte não traz métricas nem documentação técnica.
* [JEPA-Anything aplica aprendizado preditivo a sete domínios](https://ai.exponencialadm.net/okf/pt/radar/jepa-anything-aplica-aprendizado-preditivo-a-7a3e0b.md) - Radar: o post apresenta o JEPA-Anything, um framework agnóstico a domínio para world modeling baseado em fatoração preditiva ortogonal, que explora aprendizado de representações preditivas em sete domínios, da biologia ao clima.
* [LiFT: núcleo DiT compartilhado para inferência iterativa de imagens](https://ai.exponencialadm.net/okf/pt/radar/lift-nucleo-dit-compartilhado-para-inferencia-e5484d.md) - Item do Radar: o LiFT reaplica um núcleo Diffusion Transformer compartilhado e, segundo a publicação, supera um DiT denso no ImageNet 256×256 com cerca de 60% menos parâmetros.
* [Quantização de 10M de vetores EmbeddingGemma para 1 bit com MRL reduz RAM](https://ai.exponencialadm.net/okf/pt/radar/quantizacao-de-10m-de-vetores-embeddinggemma-76a60a.md) - Radar: relato de que 10 milhões de vetores EmbeddingGemma 2, quantizados para 1 bit e reduzidos a 256 dimensões com MRL, caíram de cerca de 30 GB para 0,4 GB de RAM, com perda de qualidade declarada de cerca de 5%.
* [Artigo apresenta Native Hybrid Attention (NHA) para attention em contextos longos](https://ai.exponencialadm.net/okf/pt/radar/artigo-apresenta-native-hybrid-attention-nha-8a32d4.md) - Briefing sobre um artigo que apresenta Native Hybrid Attention, abordagem que busca equilibrar a velocidade dos Transformers em contextos longos com a retenção de detalhes precisos da linear attention.
* [Astral GPU Indexes adicionam suporte ao PyTorch 2.13–2.14 e Python 3.15](https://ai.exponencialadm.net/okf/pt/radar/astral-gpu-indexes-adicionam-suporte-ao-9d4dfe.md) - Radar registra que o Astral GPU Indexes passou a oferecer suporte ao PyTorch 2.13 e 2.14 e ao Python 3.15, com wheels pré-compilados com suporte a GPU para FlashAttention, FlashAttention 3, causal-conv1d e DeepSpeed.
* [Como attention sinks e residual sinks reescalam componentes de transformers](https://ai.exponencialadm.net/okf/pt/radar/como-attention-sinks-e-residual-sinks-4a2fc6.md) - Resumo de artigo que investiga attention sinks e residual sinks em grandes modelos de linguagem e propõe que esses outliers, com softmax attention e RMSNorm, reescalam outros componentes da arquitetura.
* [Dust: treino de transformers sem gradientes por meio de perturbações de ativação](https://ai.exponencialadm.net/okf/pt/radar/dust-treino-de-transformers-sem-gradientes-2555c8.md) - Radar: a publicação descreve Dust, um método de otimização zeroth-order que usa perturbações paralelas de ativações como população virtual para pré-treinar transformers, com experimentos de escala e comparações com backpropagation e estratégias evolutivas.
* [Memória Compartilhada Reduz o Uso de Memória em Transformers Recorrentes](https://ai.exponencialadm.net/okf/pt/radar/memoria-compartilhada-reduz-o-uso-de-4b1438.md) - Radar: artigo sobre compartilhamento de memória entre recursões em Transformers recorrentes, com relato de redução de 76–79% na memória de contexto em modelos de 150M a 1B de parâmetros, em comparação com Transformers padrão.
* [Pré-treinamento de um MoE 30B-A3B escalado de 16 para 512 GPUs B200](https://ai.exponencialadm.net/okf/pt/radar/pre-treinamento-de-um-moe-30b-00eb13.md) - Relato de escalonamento com escalabilidade quase linear e MFU de 35,3%, usando testes em pequena escala para reduzir o espaço de busca antes de alocar mais GPUs.
* [Switching Linear Attention alterna entre múltiplos mapas lineares](https://ai.exponencialadm.net/okf/pt/radar/switching-linear-attention-alterna-entre-multiplos-814659.md) - Radar: o paper SwiLA, da COLM 2026, propõe alternar entre múltiplos mapas lineares e discute o trade-off entre expressividade da atenção e custo de memória do KV cache.
* [Symmetric memory para comunicação NCCL em GPU](https://ai.exponencialadm.net/okf/pt/radar/symmetric-memory-para-comunicacao-nccl-em-8c9d61.md) - Briefing sobre a seção do Machine Learning Engineering Open Book que descreve symmetric memory no NCCL e no PyTorch para payloads pequenos e médios e para a sobreposição entre comunicação e computação.
* [Google lança modelo Gemma de 4B para diarização de falantes](https://ai.exponencialadm.net/okf/pt/radar/google-lanca-modelo-gemma-de-4b-580379.md) - Radar: segundo nota de 4 de outubro de 2026, o Google lançou um modelo Gemma de 4B, ajustado para corrigir rótulos de falantes e reduzir erros de diarização por palavra em quatro benchmarks.
* [Gradientes BF16 no FlashAttention-3 podem crescer no fim do treinamento](https://ai.exponencialadm.net/okf/pt/radar/gradientes-bf16-no-flashattention-3-podem-25485c.md) - Relato sobre um transformer de 450 milhões de parâmetros treinado com FlashAttention-3 em BF16: a norma do gradiente subiu 1.000× após 25 bilhões de tokens, com loss maior que na atenção em FP32 e sem NaNs.
* [Projection sampling para reescrever dados de SFT](https://ai.exponencialadm.net/okf/pt/radar/projection-sampling-para-reescrever-dados-de-f75426.md) - Paper propõe reescrever demonstrações de especialistas como trajetórias corretas e prováveis sob o modelo-alvo, antes de usá-las em supervised fine-tuning padrão.
* [Setup de RL para probabilidades calibradas em decisões](https://ai.exponencialadm.net/okf/pt/radar/setup-de-rl-para-probabilidades-calibradas-a1d0dd.md) - Briefing do Radar sobre um setup de aprendizado por reforço para modelos de decisão que retornam probabilidades calibradas, em vez de texto gerado. Data da publicação: 4 de outubro de 2026.
* [VeriHarness verifica rollouts de agentes em tarefas de longo prazo](https://ai.exponencialadm.net/okf/pt/radar/veriharness-verifica-rollouts-de-agentes-em-90a604.md) - O paper apresenta o VeriHarness, que verifica afirmações de agentes em tarefas longas usando um modelo-base fixo, sem respostas de referência ou rubricas durante o teste.
* [Estudo sobre distilação: a direção do KL por token importa mais que o rollout](https://ai.exponencialadm.net/okf/pt/radar/estudo-sobre-distilacao-a-direcao-do-3a2a09.md) - Estudo sistemático relata que a direção do KL por token pesa mais que a política de rollout na distilação on-policy versus off-policy, questionando a ideia de que rollouts on-policy são inerentemente melhores.
* [GOAT adiciona priors treináveis à attention](https://ai.exponencialadm.net/okf/pt/radar/goat-adiciona-priors-treinaveis-a-attention-4eff20.md) - Radar: artigo que interpreta a attention padrão como Entropic Optimal Transport com prior uniforme implícito e propõe o GOAT, com prior contínuo e treinável compatível com kernels otimizados como FlashAttention.
* [KohakuFA mira problemas de precisão no backward](https://ai.exponencialadm.net/okf/pt/radar/kohakufa-mira-problemas-de-precisao-no-c162eb.md) - Publicação afirma que cuDNN, FA4 e FlexAttention têm problemas de precisão nos backward passes e apresenta o KohakuFA como kernel alternativo, com repositório público no GitHub para inspeção.
* [Looped Diffusion Transformer reutiliza blocos durante a denoising na geração de imagens](https://ai.exponencialadm.net/okf/pt/radar/looped-diffusion-transformer-reutiliza-blocos-durante-017aac.md) - Radar de 3 de outubro de 2026 sobre um modelo de geração de imagens a partir de texto que reutiliza blocos do Transformer em cada etapa de denoising, com a afirmação de desempenho do post original.
* [LoopCD: contrastive decoding sem treinamento para Looped Transformers](https://ai.exponencialadm.net/okf/pt/radar/loopcd-contrastive-decoding-sem-treinamento-para-d54367.md) - Radar: o artigo apresenta o LoopCD, um método de contrastive decoding sem treinamento adicional para Transformers recorrentes, que usa representações de loops anteriores como previsões mais fracas para selecionar tokens.
* [LoopCD melhora a decodificação em Transformers com loops](https://ai.exponencialadm.net/okf/pt/radar/loopcd-melhora-a-decodificacao-em-transformers-3d015a.md) - Radar: o LoopCD refina a decodificação de Transformers com loops usando a diferença entre previsões de estados recorrentes iniciais e finais, sem treinamento adicional, e reporta ganhos de acurácia no AIME 2024 com o modelo Ouro-2.6B-Thinking.
* [SFT com sampling para post-training: alegações de generalização e esquecimento](https://ai.exponencialadm.net/okf/pt/radar/sft-com-sampling-para-post-training-c736eb.md) - Post apresenta um método que adiciona sampling ao stack de post-training e afirma que o SFT pode competir com métodos atuais, com melhor generalização e menos esquecimento em alguns casos.
* [Treinamento de modelos de linguagem em vários agent harnesses](https://ai.exponencialadm.net/okf/pt/radar/treinamento-de-modelos-de-linguagem-em-23cd6f.md) - Um guia descreve um proxy que registra token IDs e logprobs para treinar modelos com RL em quatro agent harnesses, com melhorias relatadas e comparação com imitation learning.
* [Quando Transformers precisam de Chain of Thought](https://ai.exponencialadm.net/okf/pt/radar/chain-of-thought-e-tarefas-seriais-c6bc13.md) - Artigo investiga se a cadeia de pensamento faz trabalho computacional em tarefas seriais; segundo o post, removê-la reduz a precisão ao limite de circuitos rasos.
* [MOPD combina capacidades de modelos especialistas](https://ai.exponencialadm.net/okf/pt/radar/destilacao-on-policy-com-varios-professores-63e19b.md) - Publicado em 1º de outubro de 2026, o texto apresenta a destilação on-policy multi-teacher (MOPD): um método que treina um modelo student com suas próprias completions, usando log probabilities por token de modelos teacher e um objetivo de reverse KL.
* [Inferência local: avalie desempenho e exposição no mesmo teste](https://ai.exponencialadm.net/okf/pt/radar/inferencia-local-avalie-desempenho-e-exposicao-736e5e.md) - Rodar um modelo perto dos dados pode mudar a arquitetura. Não dispensa tratamento de entradas, controle de acesso ou avaliação real.
* [Jagged Flash Attention com TLX para NVIDIA Blackwell](https://ai.exponencialadm.net/okf/pt/radar/jagged-flash-attention-com-tlx-para-9f70ad.md) - Um blog do PyTorch descreve o Jagged Flash Attention, kernel de attention por trás do Generative Ads Model da Meta, desenvolvido com TLX para NVIDIA Blackwell. O post relata desempenho superior ao FlashAttention-4 nas formas jagged do GEM.
* [Looped-DiT reaproveita blocos Transformer na geração de imagens](https://ai.exponencialadm.net/okf/pt/radar/looped-dit-testa-reutilizacao-de-blocos-cf8b9d.md) - Publicado em 1º de outubro de 2026, o post relata que o Looped-DiT reutiliza blocos Transformer nas etapas de denoising e que um modelo de 260 milhões de parâmetros superou outro 6,5 vezes maior em benchmarks de texto para imagem, com 4,9 vezes menos computação na inferência.
* [Radar: técnicas de cache e atenção em LLMs](https://ai.exponencialadm.net/okf/pt/radar/otimizacao-de-kv-cache-e-atencao-5aa8eb.md) - Publicação datada de 1º de outubro de 2026 relata 890 bytes de KV cache global por token e um cache persistente oito vezes menor em um modelo de linguagem.
* [Radar: fatoração de attention e fluxo de gradientes](https://ai.exponencialadm.net/okf/pt/radar/attention-fatorada-e-fluxo-de-gradientes-465204.md) - Publicação de 30 de setembro de 2026 argumenta que fatorar S = WWᵀ muda o fluxo de gradientes em attention e remove um gargalo de expoente de informação que pode travar modelos não fatorados.
* [DeepEP-Ascend: comunicação para NPUs Huawei](https://ai.exponencialadm.net/okf/pt/radar/deepep-ascend-e-comunicacao-para-npus-702758.md) - Publicado em 30 de setembro de 2026, o material apresenta DeepEP-Ascend como uma biblioteca de comunicação de alto desempenho para treinamento e inferência de machine learning em NPUs Huawei Ascend.
* [Eficiência na inferência de Transformers](https://ai.exponencialadm.net/okf/pt/radar/eficiencia-na-inferencia-de-transformers-d269cb.md) - Um artigo de Reiner Pope e coautores aborda como escalar a inferência de Transformers com eficiência, tema relevante para engenheiros que avaliam formas de servir esses modelos.
* [ProRL Agent separa rollouts do treino de LLMs](https://ai.exponencialadm.net/okf/pt/radar/prorl-agent-separa-rollouts-do-treino-7fff19.md) - Publicado em 30 de setembro de 2026, o ProRL Agent é uma infraestrutura open source para rollouts de agentes multi-turn. Seu modelo rollout-as-a-service separa geração de trajetórias, orquestração de ambientes e avaliação da otimização de políticas.
* [BF16 no FlashAttention pode instabilizar gradientes](https://ai.exponencialadm.net/okf/pt/radar/bf16-no-flashattention-arredondamento-e-gradientes-fdeb02.md) - Relato de 29 de setembro de 2026 aponta que o arredondamento BF16 no FlashAttention pode quebrar uma simetria do gradiente do softmax e levar a gradientes explosivos no fim do treinamento. Os autores propõem o GProj como correção.
* [Estudo organiza alternativas de positional encoding](https://ai.exponencialadm.net/okf/pt/radar/como-comparar-positional-encodings-em-transformers-576fc4.md) - Artigo examina positional encodings para Transformers, aponta o viés do RoPE em favor de tokens próximos e organiza avaliações de alternativas feitas em configurações distintas.
* [DepthBench examina a profundidade computacional em Transformers](https://ai.exponencialadm.net/okf/pt/radar/depthbench-compara-metodos-para-transformers-mais-d8a634.md) - Prévia de 29 de setembro de 2026 apresenta um benchmark para comparar métodos de fluxo de informação e avaliar se camadas de Transformers mais profundos são usadas de forma eficaz.
* [Radar: destilação entre Transformers e Mamba](https://ai.exponencialadm.net/okf/pt/radar/destilacao-transfere-conhecimento-de-transformers-para-78af0c.md) - Publicado em 29 de setembro de 2026, o resumo descreve um estudo sobre transferir conhecimento de Transformers pré-treinados para modelos Mamba e destaca vantagens de memória e vazão dos SSMs.
* [KITE amplia Transformers com cálculo de KV invariável](https://ai.exponencialadm.net/okf/pt/radar/kite-amplia-transformers-com-calculo-de-d828c4.md) - Publicado em 29 de setembro de 2026, o registro descreve KITE, um paradigma de scaling que combina scaling com upcycling e expande componentes do decoder que reutilizam um KV cache gerado por um prefiller menor.
* [Memória de agentes: guarde contexto sem acumular dados pessoais](https://ai.exponencialadm.net/okf/pt/radar/memoria-de-agentes-guarde-contexto-sem-576d18.md) - Contexto longo também prolonga a exposição. Separe o que um agente precisa lembrar da identidade de quem aparece na conversa.
* [Explorer de ambientes de RL MiMo](https://ai.exponencialadm.net/okf/pt/radar/mimo-rl-environment-explorer-explore-ambientes-69584b.md) - Publicado em 29 de setembro de 2026, o MiMo RL Environment Explorer é apresentado como um espaço interativo para inspecionar ambientes de aprendizado por reforço do MiMo-V2.6 e executar rollouts.
* [Modelo 7B aprende continuamente com mercados de previsão](https://ai.exponencialadm.net/okf/pt/radar/modelo-7b-aprende-continuamente-com-mercados-95ed8a.md) - Publicação de 29 de setembro de 2026 descreve um modelo 7B que atualizou continuamente seus pesos com dados de mercados de previsão e passou por backtests ao longo de 390 dias. Segundo o trabalho, ele superou vários modelos maiores no mesmo ambiente de teste.
* [OPAL treina linear attention com as próprias saídas](https://ai.exponencialadm.net/okf/pt/radar/opal-treina-linear-attention-com-as-2e0d7b.md) - A abordagem destila modelos de linear attention em contextos longos e, segundo o relato, recupera o retrieval de full attention e alcança 83–93% do desempenho em raciocínio matemático com 3 bilhões de tokens.
* [OPD é testado com um único exemplo de treino](https://ai.exponencialadm.net/okf/pt/radar/opd-em-um-exemplo-destilacao-com-9e3c59.md) - Artigo publicado em 29 de setembro de 2026 testa destilação on-policy com uma única query em matemática, código, seguimento de instruções e uso agentic de ferramentas.
* [PTXBench mede kernels de GPU escritos por IA](https://ai.exponencialadm.net/okf/pt/radar/ptxbench-mede-kernels-de-gpu-escritos-723413.md) - Publicado em 29 de setembro de 2026, o PTXBench avalia kernels de multiplicação de matrizes e attention gerados por modelos em PTX específico para H100 e B200.
* [RESA busca recuperar contexto perdido na sparse attention](https://ai.exponencialadm.net/okf/pt/radar/resa-recupera-contexto-ignorado-pela-atencao-f65358.md) - Publicado em 29 de setembro de 2026, o registro descreve o RESA, uma proposta de residual estimation para recuperar contexto ignorado quando a sparse attention seleciona apenas parte do KV cache. O post afirma que a técnica não acrescenta custo computacional.
* [TIRx Harness explora otimização de kernels GPU](https://ai.exponencialadm.net/okf/pt/radar/tirx-harness-kernels-gpu-otimizados-por-f77183.md) - Anunciado em 29 de setembro de 2026, o TIRx Harness é um harness de compilador aberto para agentes explorarem, depurarem e otimizarem kernels GPU, com análise de compilador, catálogo, especificações de hardware e avaliação remota.
* [Vx usa MLIR inline para zeros à esquerda](https://ai.exponencialadm.net/okf/pt/radar/vx-faz-lowering-inline-de-mlir-4eac70.md) - Publicado em 29 de setembro de 2026, o registro descreve o uso da macro `mlir!` em Vx para converter MLIR diretamente em instruções de contagem de zeros à esquerda, sem rotinas manuais específicas para cada hardware.
* [Agentes autônomos: limite ferramentas e trate os dados de entrada](https://ai.exponencialadm.net/okf/pt/radar/agentes-autonomos-limite-ferramentas-e-trate-d8b689.md) - Um ambiente isolado controla o que o agente pode fazer. A privacidade exige controlar também o conteúdo que ele envia à IA.
* [Agentes otimizam kernels para Kimi Delta Attention](https://ai.exponencialadm.net/okf/pt/radar/agentes-otimizam-kernels-para-kimi-delta-d44ba5.md) - Publicado em 28 de setembro de 2026, o texto relata que agentes de design de kernels geraram e otimizaram implementações de Kimi Delta Attention, com desempenho de até 2,96× o do FlashKDA em B300 e um décimo do erro de estado.
* [Seleção log-linear de blocos em atenção esparsa](https://ai.exponencialadm.net/okf/pt/radar/atencao-esparsa-reduz-selecao-de-blocos-2437d8.md) - Publicado em 28 de setembro de 2026, o artigo descreve um método hierárquico de seleção de blocos para atenção esparsa em contextos longos, reduzindo o custo de O(N²) para O(N log N).
* [Áudio e IA: a transcrição também precisa de uma política de dados](https://ai.exponencialadm.net/okf/pt/radar/audio-e-ia-a-transcricao-tambem-768193.md) - Transformar voz em texto muda o formato, não a sensibilidade. Avalie cada etapa antes de incorporar áudio ao seu processo.
* [FrontierSmith reúne 200 problemas abertos de RL](https://ai.exponencialadm.net/okf/pt/radar/frontiersmith-reune-200-problemas-abertos-de-ee313e.md) - Publicado em 28 de setembro de 2026, o conjunto apresenta 200 ambientes para estudar aprendizado por reforço em tarefas desafiadoras, abertas e de longo horizonte.
* [IFM-AI abre ferramentas para treino e serving de LLMs](https://ai.exponencialadm.net/okf/pt/radar/ifm-ai-abre-ferramentas-para-treino-3aefda.md) - Anúncio de 28 de setembro de 2026 apresenta código aberto para pré-treinamento, atenção, conversão de checkpoints e serving de modelos de linguagem.
* [Inferência local: avalie desempenho e exposição no mesmo teste](https://ai.exponencialadm.net/okf/pt/radar/inferencia-local-avalie-desempenho-e-exposicao-1670ee.md) - Rodar um modelo perto dos dados pode mudar a arquitetura. Não dispensa tratamento de entradas, controle de acesso ou avaliação real.
* [Matryoshka Attribution classifica componentes](https://ai.exponencialadm.net/okf/pt/radar/matryoshka-attribution-mapeia-influencias-no-comportamento-9847c4.md) - Publicado em 28 de setembro de 2026, o relato descreve uma técnica que ordena representações neurais ou mudanças de pesos de fine-tuning pela influência sobre o comportamento preservado sob intervenções suaves.
* [Vx modela memória heterogênea para verificações do compilador](https://ai.exponencialadm.net/okf/pt/radar/memoria-heterogenea-verificacoes-de-compilador-com-cd0632.md) - Publicado em 28 de setembro de 2026, o texto apresenta o modelo Vx, que descreve capacidade, conexões e visibilidade da memória para verificar programas. O post relata dois erros de capacidade encontrados em um laptop sem GPU.
* [Self-distillation on-policy para raciocínio em LLMs](https://ai.exponencialadm.net/okf/pt/radar/self-distillation-on-policy-para-raciocinio-b6f808.md) - Publicado em 28 de setembro de 2026, o material apresenta o Self-Distilled Reasoner, uma abordagem de self-distillation on-policy para modelos de linguagem. A prévia descreve trajetórias amostradas pelo student e supervisão densa do teacher em nível de token.
* [SIGReg e repulsão no treino de JEPA](https://ai.exponencialadm.net/okf/pt/radar/sigreg-e-a-repulsao-entre-pares-abb5f9.md) - Publicação de 28 de setembro de 2026 descreve como SIGReg, usado por LeJEPA e LeWM, aproxima um sliced MMD cuja expansão revela repulsão entre pares de amostras no batch.
* [HySparse2 propõe KV compartilhado em dois níveis](https://ai.exponencialadm.net/okf/pt/radar/hysparse2-combina-compartilhamento-de-kv-em-a2b8f5.md) - Publicado em 27 de setembro de 2026, o HySparse2 é descrito como um método híbrido de atenção esparsa com compartilhamento de KV em dois níveis, voltado a prefill eficiente e armazenamento compacto de KV cache em agentes com contextos longos e múltiplas interações.
* [Inferência eficiente em Transformers probabilísticos](https://ai.exponencialadm.net/okf/pt/radar/inferencia-autorregressiva-em-transformers-probabilisticos-b10a16.md) - Um artigo da ICLR 2026 trata da inferência autorregressiva eficiente para modelos probabilísticos Transformer e, segundo o post, aborda um gargalo na decodificação.
* [LENS combina raciocínio e segmentação de imagens por texto](https://ai.exponencialadm.net/okf/pt/radar/lens-combina-raciocinio-e-segmentacao-de-ecab88.md) - Publicado em 27 de setembro de 2026, o registro descreve o LENS, um framework de aprendizado por reforço que otimiza raciocínio e segmentação de imagens por texto conjuntamente.
* [Memory Attention reutiliza keys em V=K+M](https://ai.exponencialadm.net/okf/pt/radar/memory-attention-testa-reutilizar-keys-em-1a1980.md) - Publicação de 27 de setembro de 2026 relata ablações preliminares que apontam V=K+M como escolha arquitetural eficaz; o resultado ainda precisa de validação em escalas maiores.
* [Post alega descriptografia de IPA sem iPhone físico](https://ai.exponencialadm.net/okf/pt/radar/post-alega-descriptografia-de-ipa-sem-7d6bfc.md) - Um relato afirma que IPAs do iOS protegidos pelo FairPlay podem ser descriptografados sem iPhone físico ou jailbreak. A alegação pode interessar a quem estuda proteção de apps, mas não é verificada pelo briefing.
* [Xtrace: tracing intra-kernel de GPU](https://ai.exponencialadm.net/okf/pt/radar/xtrace-tracing-de-kernels-gpu-por-a91528.md) - Trabalho sobre tracing intra-kernel de GPU por splicing de instruções em nível binário; a prévia destaca probes inseridos nos kernels para registrar dados de execução.
* [Atenção esparsa nativa para contextos longos](https://ai.exponencialadm.net/okf/pt/radar/atencao-esparsa-nativa-para-contextos-longos-84a8d3.md) - Um artigo apresenta a NSA, mecanismo de atenção esparsa treinável que combina escolhas algorítmicas e otimizações alinhadas ao hardware para modelar contextos longos com mais eficiência.
* [Avalie o agente com menos contexto e critérios claros](https://ai.exponencialadm.net/okf/pt/radar/avalie-o-agente-com-menos-contexto-a12bae.md) - Um fluxo mais elaborado nem sempre melhora o resultado. Compare componentes pela tarefa, pelo consumo e pela exposição de dados.
* [Camadas esparsas e looping em modelos de linguagem](https://ai.exponencialadm.net/okf/pt/radar/camadas-esparsas-e-looping-na-escala-93c18c.md) - Publicado em 26 de setembro de 2026, o artigo compara Transformers padrão e Mixture-of-Experts, com e sem looping. Segundo os autores, Looped-MoE escala melhor que a baseline padrão; modelos com looping denso, não.
* [Como o vLLM agenda requisições e gerencia o KV cache](https://ai.exponencialadm.net/okf/pt/radar/como-o-vllm-agenda-requisicoes-e-370456.md) - Artigo publicado em 26 de setembro de 2026 acompanha uma requisição no vLLM, da fila à decodificação, e explica o agendamento por iteração e a alocação de blocos de KV cache.
* [Compartilhar contexto entre modelos também compartilha risco](https://ai.exponencialadm.net/okf/pt/radar/compartilhar-contexto-entre-modelos-tambem-compartilha-648b8e.md) - Trocar representações internas não torna a informação anônima. Defina a fronteira de dados antes de ligar vários modelos.
* [Guia de GRPO da Unsloth para reinforcement learning](https://ai.exponencialadm.net/okf/pt/radar/guia-de-grpo-da-unsloth-do-5e4fcd.md) - Publicado em 26 de setembro de 2026, o guia da Unsloth vai do nível iniciante ao avançado e apresenta o uso de GRPO no treinamento de modelos de raciocínio.
* [JAZ explora agentes recursivos minimalistas](https://ai.exponencialadm.net/okf/pt/radar/jaz-explora-loops-recursivos-para-agentes-df21a8.md) - Publicada em 26 de setembro de 2026, a nota apresenta o JAZ, um framework que usa uma única primitiva recursiva de código para loops de agentes, e relata uma alegação de menor custo e desempenho superior a duas alternativas.
* [Loops de agentes: simplifique o fluxo sem ampliar permissões](https://ai.exponencialadm.net/okf/pt/radar/loops-de-agentes-simplifique-o-fluxo-f98b08.md) - Menos componentes podem facilitar a manutenção. O limite de dados e ações precisa continuar explícito em cada etapa.
* [PolaFormer++ propõe features com consciência de polaridade](https://ai.exponencialadm.net/okf/pt/radar/polaformer-propoe-features-com-consciencia-de-0867b4.md) - Publicado em 26 de setembro de 2026, o trabalho apresenta um critério teórico para a spikiness de feature maps e um feature map com consciência de polaridade por canal. A avaliação considera seis famílias de tarefas visuais.
* [Self-play testa pré-treinamento sem dados naturais](https://ai.exponencialadm.net/okf/pt/radar/self-play-testa-pre-treinamento-sem-776002.md) - Um estudo usa sequências de bytes geradas por programas e um gerador adaptativo para investigar se sistemas podem aprender estruturas transferíveis sem treinar com dados naturais.
* [SVD-LLM propõe compressão de modelos com atenção ao truncamento](https://ai.exponencialadm.net/okf/pt/radar/svd-llm-propoe-compressao-de-modelos-b49995.md) - Publicado em 26 de setembro de 2026, o artigo apresenta um método de compressão de LLMs com decomposição em valores singulares (SVD) que atualiza os pesos comprimidos após o truncamento.
* [Loops em Transformers: menos redundância](https://ai.exponencialadm.net/okf/pt/radar/transformers-com-loops-menos-redundancia-menos-756f0f.md) - Artigo relata três formas de redundância computacional entre loops em Transformers com loops. Segundo os autores, explorá-las reduz a latência em 1,65× e o uso de memória em 6×.
* [TWT reduz o compute em Vision Transformers](https://ai.exponencialadm.net/okf/pt/radar/twt-reduz-o-custo-de-vision-66553a.md) - Publicado em 26 de setembro de 2026, o resumo relata que o Transformer-Within-Transformer substitui grupos contíguos de camadas semelhantes por camadas substitutas com attention. Em DINOv2, a abordagem teria usado cerca de metade do compute, com pequena queda de acurácia.
* [Xiaomi MiMo publica ambientes de RL e código](https://ai.exponencialadm.net/okf/pt/radar/xiaomi-mimo-publica-recursos-para-pesquisa-8e1aaa.md) - Em 26 de setembro de 2026, uma publicação da Xiaomi MiMo apontou para ambientes de aprendizado por reforço, código de treinamento e um dataset MiMo-V2.6 RL para explorar fluxos de trabalho com modelos de linguagem.
* [Memory Attention propõe memória de tokens](https://ai.exponencialadm.net/okf/pt/radar/memory-attention-propoe-memoria-de-tokens-3d202d.md) - Publicado em 25 de setembro de 2026, o post descreve uma alternativa à projeção de valores na atenção: memória indexada por tokens, específica de cada camada, combinada a keys contextuais.
* [Memory Attention adiciona memória indexada por token](https://ai.exponencialadm.net/okf/pt/radar/memory-attention-propoe-memoria-indexada-por-29b569.md) - Post publicado em 25 de setembro de 2026 descreve uma alteração na atenção do Transformer: substituir a projeção de valores aprendida pela soma de chaves contextuais e vetores de memória indexados por token, específicos de cada camada. A memória pode ficar na CPU.
* [NVIDIA Model Optimizer reúne técnicas de compressão de modelos](https://ai.exponencialadm.net/okf/pt/radar/nvidia-model-optimizer-reune-tecnicas-de-9e9041.md) - Biblioteca da NVIDIA com quantização, destilação, pruning, neural architecture search e speculative decoding, com checkpoints exportáveis para runtimes de inferência.
* [Self-play explora pré-treinamento sem dados reais](https://ai.exponencialadm.net/okf/pt/radar/self-play-explora-pre-treinamento-sem-8db569.md) - Um estudo investiga pré-treinamento escalável a partir de inicialização aleatória, usando um gerador de programas e um aprendiz, sem treinar com dados reais.
* [SmolDataEnvs reúne 5.000 tarefas verificáveis de RL](https://ai.exponencialadm.net/okf/pt/radar/smoldataenvs-reune-5-000-tarefas-verificaveis-bdc1c1.md) - Lançada em 25 de setembro de 2026, a coleção open source reúne tarefas, ambientes, avaliações e treinamento para otimizar modelos pequenos em programação e ciência de dados.
* [Cache de inferência: desempenho e isolamento precisam andar juntos](https://ai.exponencialadm.net/okf/pt/radar/cache-de-inferencia-desempenho-e-isolamento-9d30e4.md) - Memória eficiente melhora o serviço. O projeto também precisa impedir que contexto de uma sessão apareça na resposta de outra.
* [Camadas de test-time training para sequências](https://ai.exponencialadm.net/okf/pt/radar/camadas-de-test-time-training-para-e52f0f.md) - Artigo publicado em 24 de setembro de 2026 apresenta camadas de complexidade linear e estados ocultos expressivos, atualizados por aprendizado autossupervisionado.
* [Backup de secret keys de alto valor](https://ai.exponencialadm.net/okf/pt/radar/como-fazer-backup-de-secret-keys-32b77b.md) - Bookmark de 24 de setembro de 2026 aponta para um artigo sobre backup de secret keys valiosas. O registro destaca a preocupação de segurança, mas não informa métodos nem resultados específicos.
* [Differential Transformer subtrai mapas de atenção](https://ai.exponencialadm.net/okf/pt/radar/differential-transformer-subtrai-mapas-de-atencao-e7736b.md) - Uma publicação de 24 de setembro de 2026 descreve uma variante de atenção que subtrai dois mapas para reduzir ruído e destacar o sinal. O texto aponta interesse para engenheiros que estudam alternativas à atenção padrão.
* [Do REINFORCE ao GRPO: métodos de policy gradient para LLMs](https://ai.exponencialadm.net/okf/pt/radar/do-reinforce-ao-grpo-metodos-de-4da424.md) - Publicação de 24 de setembro de 2026 traça uma progressão de métodos de policy gradient usados no treinamento de LLMs, de vanilla policy gradient e REINFORCE até PPO, GRPO e variantes de GRPO.
* [Espectros de pesos sinalizam memorização em LLMs](https://ai.exponencialadm.net/okf/pt/radar/espectros-de-pesos-podem-sinalizar-memorizacao-90e49c.md) - Análise preliminar relata que o expoente α da matriz K de atenção acompanha a memorização de rótulos aleatórios durante o treinamento, com variações entre camadas.
* [FlashAttention-3 busca acelerar attention em GPUs Hopper](https://ai.exponencialadm.net/okf/pt/radar/flashattention-3-busca-acelerar-attention-em-fff924.md) - O trabalho apresenta técnicas para acelerar attention em GPUs Hopper, explorando execução assíncrona, baixa precisão, tráfego de memória e melhor utilização do hardware.
* [LoRA+ propõe taxas distintas para matrizes adapter](https://ai.exponencialadm.net/okf/pt/radar/lora-propoe-taxas-distintas-para-matrizes-1f2171.md) - Publicado em 24 de setembro de 2026, o resumo descreve uma análise sobre taxas de aprendizado iguais nas matrizes A e B do LoRA e uma proposta de usar taxas diferentes em modelos largos.
* [Mamba e Transformers sob a ótica da dualidade de espaço de estados](https://ai.exponencialadm.net/okf/pt/radar/mamba-e-transformers-a-conexao-pela-664b03.md) - Publicado em 24 de setembro de 2026, o artigo explora conexões teóricas entre modelos de espaço de estados, como Mamba, e variantes de attention, por meio de matrizes semisseparáveis estruturadas.
* [Megalodon explora sequências com contexto ilimitado](https://ai.exponencialadm.net/okf/pt/radar/megalodon-explora-sequencias-com-contexto-ilimitado-3a3bfe.md) - Uma arquitetura proposta para pré-treinamento e inferência eficientes em sequências longas busca contornar limitações dos Transformers.
* [Memory Attention propõe alternativa às projeções de valores](https://ai.exponencialadm.net/okf/pt/radar/memory-attention-troca-projecoes-de-valores-eb2117.md) - Publicado em 24 de setembro de 2026, o resumo apresenta Memory Attention, uma proposta que substitui a projeção de valores aprendida do Transformer e é examinada em várias variantes de attention.
* [RAG com documentos: trate os dados antes de montar a resposta](https://ai.exponencialadm.net/okf/pt/radar/rag-com-documentos-trate-os-dados-25a084.md) - Uma busca pode reunir informações de vários documentos. A privacidade precisa acompanhar recuperação, contexto e resposta.
* [RetNet combina treino paralelo e inferência recorrente](https://ai.exponencialadm.net/okf/pt/radar/retnet-une-treinamento-paralelo-e-inferencia-d7550d.md) - Publicado em 24 de setembro de 2026, o artigo apresenta a Retentive Network, uma arquitetura de modelos de linguagem que propõe combinar treinamento paralelo com paradigmas de inferência recorrente e recorrente por blocos.
* [Criptografia e privacidade: proteja o transporte e reduza o conteúdo](https://ai.exponencialadm.net/okf/pt/radar/criptografia-e-privacidade-proteja-o-transporte-69314f.md) - Uma conexão cifrada protege o trânsito. O destino ainda recebe o conteúdo enviado; a política precisa atuar antes dessa entrega.
* [HySparse2 explora compartilhamento de KV em contextos longos](https://ai.exponencialadm.net/okf/pt/radar/hysparse2-reduz-custos-em-inferencia-com-fff083.md) - Publicado em 23 de setembro de 2026, o relato descreve dois níveis de compartilhamento de KV para reduzir o custo de prefill e o tamanho do cache, além de melhorar o retrieval em contextos extensos.
* [NVIDIA lança o modelo Nemotron 3 Diarization](https://ai.exponencialadm.net/okf/pt/radar/nemotron-3-diarization-identifica-falas-sobrepostas-24ddfb.md) - Anunciado em 23 de setembro de 2026, o Nemotron 3 Diarization identifica quem falou e quando, inclusive em falas sobrepostas, e oferece suporte a até oito interlocutores.
* [DSec: sandboxes para treinar agentes em escala](https://ai.exponencialadm.net/okf/pt/radar/sandboxes-elasticos-para-treinar-agentes-em-bfcffa.md) - Em 23 de setembro de 2026, um artigo sobre DSec descreveu ambientes elásticos e com estado para treinamento e avaliação de agentes, além de defesas contra agentes que exploram os ambientes de treinamento.
* [Streaming de fala: proteja dados pessoais antes da transcrição](https://ai.exponencialadm.net/okf/pt/radar/streaming-de-fala-proteja-dados-pessoais-c9ffbd.md) - Modelos de ASR e tradução em tempo real podem processar fala com dados pessoais; a barreira da Rota Nacional aplica a política da organização antes de o modelo rodar.
* [Zlaya: inferência do Laya em CPU com Zig](https://ai.exponencialadm.net/okf/pt/radar/zlaya-inferencia-do-laya-em-cpu-59a46d.md) - Zlaya é um engine de inferência para CPU do Laya, implementado em Zig e descrito em seu repositório como rápido e compacto.
* [iSDFT explora aprendizagem contínua em LLMs](https://ai.exponencialadm.net/okf/pt/radar/isdft-propoe-self-distillation-para-continual-cae1e2.md) - Publicado em 22 de setembro de 2026, iSDFT descreve um método de aprendizagem contínua para LLMs baseado em autodestilação on-policy e proximidade informacional. O repositório reúne código de treinamento, checkpoints e resultados de avaliação.
* [mini-AGI explora aprendizado contínuo com 8 GB de VRAM](https://ai.exponencialadm.net/okf/pt/radar/mini-agi-explora-aprendizado-continuo-com-9f6881.md) - Publicado em 22 de setembro de 2026, o relato descreve um modelo treinado do zero em notebook com 8 GB de VRAM, batch 1, pesos paginados do disco e ajustes na taxa de aprendizado para reduzir o esquecimento.
* [Mixture-of-Depths distribui compute por token](https://ai.exponencialadm.net/okf/pt/radar/mixture-of-depths-distribui-compute-por-2d8121.md) - Artigo publicado em 22 de setembro de 2026 apresenta um método para Transformers alocarem compute a posições específicas da sequência, respeitando um orçamento por camada.
* [onPanda: anotação e inspeção de modelos](https://ai.exponencialadm.net/okf/pt/radar/onpanda-anotacao-por-token-e-inspecao-628905.md) - Publicado em 22 de setembro de 2026, o registro descreve uma ferramenta open source para anotar dados de LLMs e inspecionar modelos, incluindo correções por token e visualização de probabilidades e decodificação.
* [Quiet-STaR explora raciocínio antes da resposta](https://ai.exponencialadm.net/okf/pt/radar/quiet-star-explora-raciocinio-antes-da-d22cb0.md) - Publicado em 22 de setembro de 2026, o resumo descreve uma abordagem de treinamento que ensina modelos de linguagem a gerar raciocínio interno antes do texto visível.
* [Sandboxes em produção: escala relatada](https://ai.exponencialadm.net/okf/pt/radar/sandboxes-em-producao-escala-relatada-em-fe763f.md) - Uma publicação datada de 22 de setembro de 2026 cita um paper sobre infraestrutura de sandboxes e relata números de operação em escala de produção.
* [Xeno-interpretabilidade e representações nativas](https://ai.exponencialadm.net/okf/pt/radar/xeno-interpretabilidade-limites-das-representacoes-8ec464.md) - Um trabalho investiga se modelos de linguagem usam distinções internas para as quais não há conceitos humanos adequados. O estudo chama essas estruturas de xeno-representações e examina os limites de interpretá-las com conceitos familiares.
* [CodeMidas cria tarefas de RL a partir de código](https://ai.exponencialadm.net/okf/pt/radar/codemidas-cria-tarefas-de-rl-a-f7b248.md) - Publicado em 21 de setembro de 2026, o relato apresenta o CodeMidas, da Xiaomi: agentes extraem tarefas executáveis de bases de código open source. O sistema gerou 5.545 tarefas em 23 linguagens.
* [CodeMidas propõe tarefas de RL para programação](https://ai.exponencialadm.net/okf/pt/radar/codemidas-transforma-codigo-fonte-em-ambientes-cc05c8.md) - Publicado em 21 de setembro de 2026, o anúncio descreve um pipeline que converte funcionalidades de projetos de código aberto em ambientes executáveis de aprendizado por reforço.
* [MiMo Pro eleva resultado no benchmark DeepSWE](https://ai.exponencialadm.net/okf/pt/radar/rl-eleva-pontuacao-em-benchmark-de-a5bf5f.md) - Um post relata que a pontuação do MiMo Pro no DeepSWE passou de 58,41 para 72,57 após execuções de aprendizado por reforço, aproximando-se de resultados comparativos citados no texto.
* [TR-DPO acrescenta penalidade KL à loss do DPO](https://ai.exponencialadm.net/okf/pt/radar/tr-dpo-acrescenta-penalidade-kl-a-e55a42.md) - Publicação de 21 de setembro de 2026 descreve o Trust Region DPO (TR-DPO), que incorpora uma penalidade de divergência KL à loss do DPO para limitar o desvio em relação ao modelo de referência.
* [Voice of Reason responde a problemas matemáticos falados](https://ai.exponencialadm.net/okf/pt/radar/voz-nativa-para-resolver-problemas-matematicos-f31e33.md) - Em publicação de 21 de setembro de 2026, a Kyutai Labs afirma que seu modelo raciocina sobre problemas matemáticos falados e responde por voz, sem transcrição intermediária nem LLM de texto. O post relata 77,1% no GSM8K, ante 27,3% do GLM-4-Voice.
* [BITCOS reduz pesos ternários a 1,485 bits por peso](https://ai.exponencialadm.net/okf/pt/radar/bitcos-reduz-pesos-de-llms-ternarios-99d03b.md) - Publicado em 20 de setembro de 2026, o relato sobre o método BITCOS, da Intel, informa armazenamento exato de pesos ternários a 1,485 bits por peso e ganhos de throughput de decode de até 18% em CPU e 27% em GPU.
* [Gated Linear Attention combina gates e atenção linear](https://ai.exponencialadm.net/okf/pt/radar/gated-linear-attention-une-atencao-linear-9a5ec7.md) - Publicado em 20 de setembro de 2026, o resumo apresenta uma formulação de transformer com atenção linear, gates dependentes dos dados e uma representação equivalente como RNN com estados ocultos matriciais.
* [Jamba combina camadas Transformer e Mamba](https://ai.exponencialadm.net/okf/pt/radar/jamba-combina-transformer-mamba-e-especialistas-011a4e.md) - Publicado em 20 de setembro de 2026, o resumo descreve Jamba, um modelo de linguagem base com arquitetura híbrida Transformer-Mamba e mixture-of-experts.
* [On-Demand Attention seleciona quando usar contexto completo](https://ai.exponencialadm.net/okf/pt/radar/on-demand-attention-escolhe-quando-usar-f16c22.md) - Publicado em 20 de setembro de 2026, o post descreve uma técnica que usa uma head leve para acionar o contexto completo quando necessário, buscando acelerar a decodificação sem perder tanto desempenho quanto a atenção local.
* [QLoRA relata ajuste de modelo de 65 bilhões em GPU de 48 GB](https://ai.exponencialadm.net/okf/pt/radar/qlora-reduz-memoria-para-ajustar-modelos-ccc7c6.md) - Publicado em 20 de setembro de 2026, o resumo do artigo relata fine-tuning de um modelo de 65 bilhões de parâmetros em uma única GPU de 48 GB, com quantização de 4 bits e adapters LoRA.
* [RWKV combina treino paralelo e inferência recorrente](https://ai.exponencialadm.net/okf/pt/radar/rwkv-une-treino-paralelo-e-inferencia-4d10fc.md) - Publicado em 20 de setembro de 2026, o resumo do artigo apresenta uma arquitetura que combina treinamento paralelo no estilo Transformer com inferência recorrente no estilo RNN.
* [Speculative decoding pode acelerar a inferência](https://ai.exponencialadm.net/okf/pt/radar/speculative-decoding-pode-acelerar-a-inferencia-6cca8e.md) - A técnica combina propostas de um modelo eficiente com verificações paralelas de um modelo maior para reduzir etapas seriais de decoding sem alterar a distribuição de saída.
* [GEPA adapta modelo com prompts e exemplos rotulados](https://ai.exponencialadm.net/okf/pt/radar/como-adaptar-decisoes-de-um-modelo-3b4315.md) - A publicação, datada de 19 de setembro de 2026, descreve uma demonstração que usa GEPA para ajustar um modelo disponível no mercado a critérios específicos de decisão, com mudanças no prompt e exemplos rotulados.
* [CUDA C++: execução, memória e correção na GPU](https://ai.exponencialadm.net/okf/pt/radar/cuda-c-execucao-memoria-e-correcao-073ca9.md) - Um guia conciso sobre conceitos essenciais de programação CUDA: lançamento de kernels, organização de threads, memória, sincronização, inicialização do runtime, erros e validação dos resultados da GPU frente à CPU.
* [Radar: modelos de linguagem que se autoavaliam](https://ai.exponencialadm.net/okf/pt/radar/feedback-de-llm-as-a-judge-63a1a4.md) - Publicado em 19 de setembro de 2026, o paper estuda feedback de um modelo de linguagem com prompting de LLM-as-a-Judge durante o treinamento, em comparação com modelos de recompensa baseados em preferências humanas e mantidos congelados.
* [GuppyLM: modelo de linguagem com 9 milhões de parâmetros](https://ai.exponencialadm.net/okf/pt/radar/guppylm-experimento-de-linguagem-com-9-eb9a0d.md) - Um post apresenta o GuppyLM, modelo de linguagem com cerca de 9 milhões de parâmetros, e afirma que ele pode ser treinado do zero em cinco minutos. O projeto é descrito como uma experiência em pequena escala para engenheiros.
* [ORPO reúne SFT e otimização de preferências](https://ai.exponencialadm.net/okf/pt/radar/orpo-reune-ajuste-supervisionado-e-preferencias-ed6f8e.md) - Publicado em 19 de setembro de 2026, o paper apresenta o ORPO, método que combina alinhamento de preferências e supervised fine-tuning sem um modelo de referência.
* [Classificador open source de páginas fiscais relata 100% de acurácia](https://ai.exponencialadm.net/okf/pt/radar/classificador-open-source-de-paginas-fiscais-1365d4.md) - Projeto no GitHub descreve classificação de páginas de documentos fiscais e informa resultados em 261 formulários do IRS, com custo estimado de cerca de US$ 0,001 por página.
* [JEPA-Anything explora fatores ortogonais](https://ai.exponencialadm.net/okf/pt/radar/jepa-anything-explora-fatores-ortogonais-5b8cfb.md) - Framework agnóstico a domínios usa fatoração preditiva ortogonal para decompor alvos latentes em fatores complementares; autores dizem que código, checkpoints e relatório são abertos.
* [Never Give Up direciona RL a problemas difíceis](https://ai.exponencialadm.net/okf/pt/radar/never-give-up-direciona-compute-de-3812ca.md) - Nota datada de 18 de setembro de 2026 relata que o aprendizado por reforço (RL) tende a melhorar mais o desempenho de LLMs em problemas fáceis do que nos difíceis. O método Never Give Up usa amostragem adaptativa para direcionar computação aos casos mais difíceis.
* [Novos modelos de OCR e resultado em benchmark](https://ai.exponencialadm.net/okf/pt/radar/novos-modelos-de-ocr-ampliam-opcoes-e22f00.md) - Publicação de 18 de setembro de 2026 apresenta WeVisDoc 2B e 4B e jina-ocr-v1, com licenças distintas, e informa a pontuação do WeVisDoc-4B no OmniDocBench v1.6.
* [Qualcomm publica compilador IDL FastRPC para Hexagon](https://ai.exponencialadm.net/okf/pt/radar/qualcomm-abre-o-compilador-idl-fastrpc-f937f4.md) - Em 18 de setembro de 2026, a Qualcomm anunciou a disponibilização do código do compilador IDL FastRPC para Hexagon. Engenheiros podem consultar o código-fonte no repositório QAIC no GitHub.
* [Flow Models como modelos recorrentes para raciocínio](https://ai.exponencialadm.net/okf/pt/radar/flow-models-refinam-raciocinio-em-etapas-fc86bf.md) - Trabalho descrito em 17 de setembro de 2026 transforma um flow model em modelo recorrente para tarefas como Sudoku, refinando previsões iterativamente sem backpropagation through time.
* [Agora registra memória compartilhada de agentes no Git](https://ai.exponencialadm.net/okf/pt/radar/git-como-memoria-compartilhada-para-agentes-310468.md) - Em publicação de 17 de setembro de 2026, Agora descreve um DAG append-only no Git para registrar contribuições de agentes de pesquisa e facilitar a consulta a resultados e verificações.
* [GrainSpeech propõe síntese de fala com menos contexto](https://ai.exponencialadm.net/okf/pt/radar/grainspeech-explora-sintese-de-fala-com-722676.md) - Publicado em 17 de setembro de 2026, o projeto GrainSpeech é descrito como capaz de gerar mais detalhes na síntese de fala com menos contexto. A página do projeto aponta para um repositório oficial e um artigo técnico.
* [RULER transforma avaliações de agentes em recompensas GRPO](https://ai.exponencialadm.net/okf/pt/radar/ruler-transforma-comparacoes-de-agentes-em-0b6268.md) - Publicado em 17 de setembro de 2026, o relato descreve o RULER no OpenPipe ART: um LLM ranqueia trajetórias segundo critérios em inglês simples, e as comparações são convertidas em recompensas para treinamento GRPO.
* [Supersonic TTS: CPU e suporte a 31 idiomas](https://ai.exponencialadm.net/okf/pt/radar/supersonic-tts-roda-em-cpu-e-a42696.md) - Publicado em 17 de setembro de 2026: o autor afirma que o Supersonic TTS roda em CPU e oferece suporte a 31 idiomas. Ele planeja usá-lo para gerar dados sintéticos.
* [TinyLoRA testa ajuste com RL usando 13 parâmetros](https://ai.exponencialadm.net/okf/pt/radar/tinylora-testa-fine-tuning-com-rl-cf2520.md) - Publicação datada de 17 de setembro de 2026 descreve o TinyLoRA e relata ganhos em três benchmarks com treinamento por RL e 13 parâmetros.
* [Transformers em loop como computadores programáveis](https://ai.exponencialadm.net/okf/pt/radar/transformers-em-loop-como-computadores-programaveis-283446.md) - Publicado em 17 de setembro de 2026, o artigo descreve uma estrutura que usa pesos específicos e camadas Transformer recorrentes para emular operações computacionais, incluindo desvios condicionais e contadores de programa.
* [Transformers recorrentes em blocos processam sequências com complexidade linear](https://ai.exponencialadm.net/okf/pt/radar/transformers-recorrentes-em-blocos-processam-sequencias-2acad7.md) - Uma arquitetura aplica uma camada Transformer recorrentemente a blocos de tokens, combinando self-attention e cross-attention para processar sequências com complexidade linear em relação ao comprimento.
* [Universal Transformers reutilizam uma camada recorrentemente](https://ai.exponencialadm.net/okf/pt/radar/universal-transformers-reutilizam-uma-camada-recorrentemente-22cfd2.md) - Publicação de 17 de setembro de 2026 descreve uma arquitetura que aplica repetidamente a mesma camada Transformer, em vez de empilhar camadas distintas, e destaca questões de computação sequencial e paralela.
* [CocktailASR-1 transcreve um falante em áudio misto](https://ai.exponencialadm.net/okf/pt/radar/cocktailasr-1-transcreve-um-falante-em-b06eac.md) - Modelo da Xiaomi usa uma voz de referência para transcrever o falante selecionado em áudio sobreposto; a publicação informa suporte a inglês e chinês.
* [Crusoe relata desempenho de inferência em MI355X](https://ai.exponencialadm.net/okf/pt/radar/crusoe-relata-desempenho-de-inferencia-em-7dfbbe.md) - Em resultados do MLPerf Inference v6.1, a Crusoe reportou 5,75 milhões de tokens por segundo em gpt-oss-120b usando 512 GPUs AMD Instinct MI355X.
* [GOAT propõe priors treináveis para attention](https://ai.exponencialadm.net/okf/pt/radar/goat-propoe-priors-treinaveis-para-attention-52074b.md) - Publicado em 16 de setembro de 2026, o artigo apresenta attention como Entropic Optimal Transport e propõe substituir o prior uniforme implícito por um prior contínuo e treinável.
* [KATA explora recall em linear attention](https://ai.exponencialadm.net/okf/pt/radar/kata-explora-spherical-packing-para-recall-e7a349.md) - Artigo de 16 de setembro de 2026 formula o associative recall em linear attention como um problema de spherical packing e apresenta as ativações KATA, derivadas de um cone homogêneo autodual.
* [SAS propõe seletor de contexto dentro do Softmax](https://ai.exponencialadm.net/okf/pt/radar/sas-filtra-contexto-dentro-do-softmax-a50ebd.md) - Em publicação de 16 de setembro de 2026, SAS descreve um seletor treinado dentro do Softmax para filtrar contexto na atenção voltada a hardware com recursos limitados.
* [Softmax Linear Attention busca eficiência sem perder competição](https://ai.exponencialadm.net/okf/pt/radar/softmax-linear-attention-busca-eficiencia-sem-a07dc8.md) - A Softmax Linear Attention propõe aplicar softmax no nível das heads para recuperar competição global na atenção linear, mantendo como objetivo a complexidade linear. A abordagem pode ser comparada à normalização softmax padrão.
* [Switch Attention alterna padrões de atenção](https://ai.exponencialadm.net/okf/pt/radar/switch-attention-combina-padroes-de-atencao-f20f90.md) - Paper apresenta uma abordagem dinâmica e granular para combinar atenção full e sliding window em transformers híbridos, mirando o custo da primeira e o campo receptivo mais estreito da segunda.
* [Thinking with Looped Flows aposta em denoising local](https://ai.exponencialadm.net/okf/pt/radar/thinking-with-looped-flows-testa-denoising-bb40dc.md) - Post publicado em 16 de setembro de 2026 relata que objetivos locais de denoising ajudaram modelos recorrentes Looped Flows em computação de várias etapas. O texto informa resultados superiores aos de modelos looped anteriores em seis benchmarks de raciocínio, incluindo 58,8% no ARC-AGI-1.
* [Tucker Attention unifica variantes de atenção](https://ai.exponencialadm.net/okf/pt/radar/tucker-attention-unifica-mha-gqa-e-19ed85.md) - Artigo apresenta Tucker Attention como uma abordagem de fatoração tensorial que enquadra MHA, GQA e MLA em uma perspectiva comum de atenção aproximada de baixo posto.
* [Atenção em Transformers de Contexto Longo](https://ai.exponencialadm.net/okf/pt/radar/atencao-em-transformers-de-contexto-longo-960766.md) - Publicado em 15 de setembro de 2026, o artigo examina o rank collapse à medida que o contexto cresce e analisa o reescalonamento dos scores de atenção.
* [auto-gpu-kernel 1.0 gera kernels e harnesses para GPU](https://ai.exponencialadm.net/okf/pt/radar/auto-gpu-kernel-1-0-gera-2dafcb.md) - A versão 1.0 apresenta um meta-harness autônomo que evolui tanto kernels de GPU quanto a camada de harness; o projeto venceu a categoria DSA de um concurso do MLSys 2026 FlashInfer.
* [Harness amplia opções de browser e computador](https://ai.exponencialadm.net/okf/pt/radar/harness-amplia-opcoes-experimentais-para-agentes-9deabb.md) - A versão v0.1.6-alpha.1 adiciona uma sidebar Web com terminais persistentes, múltiplas abas e suporte a recursos MCP. As opções experimentais incluem ferramentas para browser e drivers para computador.
* [Octop propõe agentes de IA multiusuário self-hosted](https://ai.exponencialadm.net/okf/pt/radar/octop-leva-agentes-de-ia-multiusuario-ef6bfc.md) - Publicado em 15 de setembro de 2026, o post descreve Octop como uma plataforma open source e self-hosted de assistentes de IA, com suporte a múltiplos usuários e agentes.
* [RoLA propõe atenção linear de baixo rank para Diffusion Transformers](https://ai.exponencialadm.net/okf/pt/radar/rola-propoe-atencao-linear-de-baixo-a82eab.md) - Publicado em 15 de setembro de 2026, o paper apresenta RoLA, um método de atenção linear de baixo rank com posição rotativa para Diffusion Transformers. A proposta trata do escalonamento quadrático da self-attention espaço-temporal densa e de um problema de compatibilidade entre RoPE e o ramo global
* [RVC WebUI para treinamento de conversão de voz](https://ai.exponencialadm.net/okf/pt/radar/rvc-webui-treinamento-de-modelos-de-63a99f.md) - Publicado em 15 de setembro de 2026, o registro descreve um projeto open source com interface Web para treinar modelos de conversão de voz usando até 10 minutos de dados de voz.
* [ASR tenta separar um locutor em fala sobreposta](https://ai.exponencialadm.net/okf/pt/radar/transcricao-de-um-locutor-em-fala-669961.md) - Publicado em 15 de setembro de 2026, o Xiaomi-CocktailASR-1 demonstra um fluxo de reconhecimento de fala condicionado por um locutor em áudio sobreposto.
* [Radar: escala de modelos byte e token](https://ai.exponencialadm.net/okf/pt/radar/escala-de-modelos-bytes-versus-tokens-dc63f8.md) - Paper compara modelos byte e token destilados em escalas de até 1 trilhão de bytes de treinamento e relata um teto de desempenho maior para modelos byte conforme cresce o compute.
* [PC-ALM treina MLPs residuais profundas com dinâmicas locais](https://ai.exponencialadm.net/okf/pt/radar/pc-alm-explora-aprendizado-local-em-3f39ad.md) - Publicado em 14 de setembro de 2026, o resumo apresenta o PC-ALM como alternativa local à backpropagation para treinar MLPs residuais de até 1.000 camadas, com desempenho descrito como quase equivalente.
* [Método treina seleção esparsa de blocos KV](https://ai.exponencialadm.net/okf/pt/radar/simple-attention-sparsification-otimiza-blocos-kv-8cd0e4.md) - Publicado em 14 de setembro de 2026, o Simple Attention Sparsification descreve como a loss de modelagem de linguagem pode otimizar quais blocos KV cada query atende.
* [Tencent apresenta o framework WeKnora para conhecimento com LLM](https://ai.exponencialadm.net/okf/pt/radar/weknora-propoe-uma-plataforma-de-conhecimento-005b43.md) - Publicado em 14 de setembro de 2026, o post apresenta o WeKnora, framework open source para compreensão de documentos, busca semântica e raciocínio autônomo.
* [GAD propõe destilação on-policy de LLMs black-box](https://ai.exponencialadm.net/okf/pt/radar/gad-destilacao-de-modelos-sem-acesso-656aaf.md) - Artigo de 13 de setembro de 2026 apresenta um método que aprende com saídas textuais de um modelo teacher proprietário, sem acesso a logits ou parâmetros.
* [Livro aberto reúne 12 capítulos sobre infraestrutura de IA](https://ai.exponencialadm.net/okf/pt/radar/livro-aberto-reune-fundamentos-de-infraestrutura-51ffe1.md) - Publicado em 13 de setembro de 2026, o livro cobre arquiteturas de modelos, aceleradores, otimização e inferência distribuída, treinamento e escalonamento de recursos.
* [Post relata queda alegada no KV cache](https://ai.exponencialadm.net/okf/pt/radar/post-relata-queda-alegada-no-uso-da8a4c.md) - Um post afirma que o uso de KV cache caiu de 389.000 bytes para 890 bytes por token em três anos. Alega que um artigo linkado explica a abordagem com diagramas.
* [Retenção de tokens pode reduzir uso do KV cache](https://ai.exponencialadm.net/okf/pt/radar/retencao-de-tokens-pode-reduzir-uso-509980.md) - Uma publicação relata que preservar quatro tokens iniciais e uma janela de 64 tokens, sem treinamento, igualou ou superou modelos de atenção linear destilados em quase todos os benchmarks.
* [RLT mantém estado recorrente entre tokens](https://ai.exponencialadm.net/okf/pt/radar/rlt-mantem-estado-recorrente-entre-tokens-cfb85a.md) - Publicado em 13 de setembro de 2026, o resumo descreve um Transformer com decoder recorrente que carrega estado entre tokens durante o prompt e a geração.
* [Estrutura para o autoaperfeiçoamento recursivo em IA](https://ai.exponencialadm.net/okf/pt/radar/uma-estrutura-para-pensar-o-autoaperfeicoamento-f7581b.md) - Artigo publicado em 13 de setembro de 2026 apresenta uma revisão e uma estrutura conceitual para ciclos em que sistemas de IA identificam limitações, validam mudanças e preservam melhorias.
* [The Deadlock Empire ensina concorrência por meio de um jogo](https://ai.exponencialadm.net/okf/pt/radar/aprenda-concorrencia-jogando-com-escalonamentos-691282.md) - Publicado em 12 de setembro de 2026, o registro apresenta The Deadlock Empire, um jogo em que participantes atuam como escalonadores para explorar programas com falhas e aprender sobre concorrência.
* [Looped flows treinam atualizações recorrentes com denoising local](https://ai.exponencialadm.net/okf/pt/radar/looped-flows-exploram-denoising-local-no-ad4536.md) - Publicado em 12 de setembro de 2026, o artigo propõe treinar atualizações recorrentes do estado oculto com objetivos de denoising local, buscando superar uma dificuldade associada ao backpropagation sobre poucas atualizações.
* [Modelo grande alterna entre GPU, RAM e NVMe](https://ai.exponencialadm.net/okf/pt/radar/modelo-grande-entre-gpu-ram-e-32e5b3.md) - Relato publicado em 12 de setembro de 2026 descreve a execução de um modelo em uma RTX 5090, com 125,7 GiB de RAM e parte de um arquivo GGUF de 502 GB no NVMe.
* [Introdução visual a operadores de contração em RL](https://ai.exponencialadm.net/okf/pt/radar/operadores-de-contracao-em-aprendizagem-por-4f240c.md) - Artigo de uma série intuitiva sobre aprendizado por reforço apresenta, com uma abordagem visual e concisa, operadores de contração — um conceito fundamental da área.
* [Otimização de spinlocks e seus trade-offs](https://ai.exponencialadm.net/okf/pt/radar/otimizacao-de-spinlocks-e-seus-trade-1d43fc.md) - O artigo aborda spinlocks, que mantêm threads ocupadas na CPU em vez de ceder ao scheduler, e observa que isso pode evitar chamadas de sistema e trocas de contexto.
* [Classificador de documentos com agents e SetFit](https://ai.exponencialadm.net/okf/pt/radar/classificador-de-documentos-com-agents-e-b532e2.md) - Publicado em 10 de setembro de 2026, o relato descreve um classificador de finalidade de documentos treinado com 200 exemplos rotulados por um agent. O modelo classificou 191.724 documentos por cerca de US$ 0,70 em computação de inferência.
* [Colibri transmite experts de MoE do disco em C](https://ai.exponencialadm.net/okf/pt/radar/colibri-transmite-experts-de-moe-do-4db931.md) - Publicado em 10 de setembro de 2026, o Colibri é descrito como um engine de inferência em C puro e sem dependências, que transmite experts de MoE do disco para executar modelos em hardware local.
* [PRISM e a tradução binária no Windows on Arm](https://ai.exponencialadm.net/okf/pt/radar/prism-e-a-traducao-binaria-no-8713f0.md) - Publicado em 10 de setembro de 2026, o registro apresenta um artigo que examina o PRISM, sistema de tradução binária usado pelo Windows on Arm, e seus efeitos no código.
* [Repositórios para deploy do V4.1 Flash são abertos](https://ai.exponencialadm.net/okf/pt/radar/repositorios-abertos-facilitam-o-deploy-do-a4329c.md) - Em 10 de setembro de 2026, a empresa anunciou a abertura de três repositórios para facilitar o deploy do V4.1 Flash e de modelos abertos posteriores.
* [C*: programação e verificação em C](https://ai.exponencialadm.net/okf/pt/radar/c-unificando-programacao-e-verificacao-em-b02552.md) - Artigo publicado em 8 de setembro de 2026 apresenta C*, uma abordagem para aproximar a programação em C da verificação formal.
* [TLS em Go: assinaturas de handshake dentro de um TPM](https://ai.exponencialadm.net/okf/pt/radar/assinando-handshakes-tls-em-go-com-bd8bd9.md) - Publicado em 7 de setembro de 2026, o artigo aborda certificados de cliente com chave privada mantida em TPM, requisitos do crypto/tls de Go e o custo por handshake. Não informa resultados quantitativos.
* [MaAI atualiza modelo VAP em inglês](https://ai.exponencialadm.net/okf/pt/radar/maai-amplia-os-dados-de-treinamento-70633a.md) - Em 6 de setembro de 2026, a MaAI informou que treinou seu modelo VAP em inglês com uma escala maior de dados. O projeto prevê sinais de conversação e movimentos de cabeça em tempo real.
* [OmniVoice: síntese e clonagem em mais de 600 idiomas](https://ai.exponencialadm.net/okf/pt/radar/omnivoice-sintese-e-clonagem-de-voz-7926ac.md) - Publicação de 6 de setembro de 2026 descreve o OmniVoice, um projeto Python de text-to-speech com clonagem de voz, síntese zero-shot e controles de geração.
* [ripwire organiza contexto de repositórios para agentes de código](https://ai.exponencialadm.net/okf/pt/radar/ripwire-mapeia-a-estrutura-de-repositorios-b2de0a.md) - Publicado em 6 de setembro de 2026, ripwire é uma CLI e um servidor MCP em C++23, sem dependências, que analisa 21 linguagens e retorna símbolos, relações e testes relevantes dentro de um limite de tokens.
* [Phoenix-VAD: fim de fala semântico em streaming](https://ai.exponencialadm.net/okf/pt/radar/phoenix-vad-explora-fim-semantico-de-a69180.md) - Publicado em 4 de setembro de 2026, o artigo apresenta um modelo baseado em LLM para detectar semanticamente o fim da fala em interações de voz full-duplex, com treinamento por janela deslizante.
* [FRMs aplicam fluxos recorrentes ao raciocínio estruturado](https://ai.exponencialadm.net/okf/pt/radar/frms-aplicam-fluxos-recorrentes-ao-raciocinio-e6560a.md) - Publicado em 3 de setembro de 2026, o resumo apresenta modelos de raciocínio por fluxo que refinam resultados em tarefas discretas, como Sudoku.
* [Microsoft apresenta o modelo de fala MAI-Transcribe-2](https://ai.exponencialadm.net/okf/pt/radar/microsoft-lanca-o-modelo-de-fala-8f5747.md) - Anunciado em 3 de setembro de 2026, o MAI-Transcribe-2 é um modelo de transcrição com 2,0% de AA-WER, velocidade informada de cerca de 411 vezes o tempo real e suporte a 60 idiomas.
* [Modelos de linguagem e controle da própria atenção](https://ai.exponencialadm.net/okf/pt/radar/modelos-de-linguagem-e-controle-da-efd6c4.md) - Um paper explora a possibilidade de modelos de linguagem controlarem a própria atenção. O material disponível apresenta o tema, mas não informa métodos nem resultados.
* [Lançamento anuncia ASR com diarização em streaming](https://ai.exponencialadm.net/okf/pt/radar/streaming-reune-transcricao-e-diarizacao-db8290.md) - Publicação de 3 de setembro de 2026 anuncia um modelo de reconhecimento de fala em streaming que combina transcrição e diarização. O texto não apresenta métricas nem detalhes de desempenho.
* [163 procedimentos para agentes de pesquisa em 16 áreas](https://ai.exponencialadm.net/okf/pt/radar/163-procedimentos-para-agentes-de-pesquisa-6678fc.md) - Publicado em 2 de setembro de 2026, o artigo apresenta uma biblioteca aberta de procedimentos para pesquisa científica e destaca escolhas e ressalvas específicas de cada domínio.
* [Depth-wise batching em modelos recorrentes](https://ai.exponencialadm.net/okf/pt/radar/depth-wise-batching-em-modelos-recorrentes-47fa46.md) - Post de 2 de setembro de 2026 apresenta depth-wise batching: a sobreposição de requisições em diferentes profundidades recorrentes para potencialmente melhorar a utilização com computação adaptativa.
* [NoRA muda a inicialização do LoRA](https://ai.exponencialadm.net/okf/pt/radar/nora-muda-a-inicializacao-do-lora-f644db.md) - Post de 2 de setembro de 2026 descreve o NoRA, que normaliza as colunas da matriz A do LoRA na inicialização, e relata resultados médios superiores aos de vários métodos em SFT e RLVR.
* [Photon 2.1 amplia opções de reconhecimento de fala em streaming](https://ai.exponencialadm.net/okf/pt/radar/photon-2-1-amplia-opcoes-de-217f29.md) - A atualização adiciona reconhecimento automático de fala para três modelos e suporte à GPU NVIDIA B200. A empresa afirma ter superado o engine de referência de cada modelo nos testes comparáveis.
* [Astra e os desafios de monitorar raciocínio recorrente](https://ai.exponencialadm.net/okf/pt/radar/profundidade-recorrente-levanta-duvidas-sobre-monitoramento-93d239.md) - Publicação de 2 de setembro de 2026 afirma que a Astra usa “profundidade recorrente”, uma abordagem que, segundo pesquisadores, pode dificultar o monitoramento e afetar custos e desempenho.
* [Equipe Zvec lança busca local zg](https://ai.exponencialadm.net/okf/pt/radar/zg-reune-modos-de-busca-para-3f3ecc.md) - Em 2 de setembro de 2026, a equipe Zvec da Alibaba anunciou que disponibilizou como código aberto o zg, ferramenta de busca local para desenvolvedores e agentes de IA.
* [Checagens reduzem erros em papers gerados por IA](https://ai.exponencialadm.net/okf/pt/radar/checagens-contra-logs-reduzem-erros-em-f2c7ba.md) - Publicado em 1º de setembro de 2026, o Radar resume um paper do arXiv: checar afirmações de manuscritos contra logs de execução reduziu para 4% a taxa relatada de alucinações graves.
* [Hy4 Preview reduzido a 214 GB com quantização de 1,25 bit](https://ai.exponencialadm.net/okf/pt/radar/hy4-preview-reduz-modelo-para-214-25ff62.md) - Publicação da Tencent afirma que a quantização Sherry reduz o Hy4 Preview de 1,5 TB para 214 GB, usando 1,25 bit por peso, e descreve execução em GPUs distribuídas por várias máquinas.
* [Slides do CERN apresentam treinamento de LLMs](https://ai.exponencialadm.net/okf/pt/radar/slides-do-cern-apresentam-treinamento-de-3716ca.md) - Uma publicação datada de 31 de agosto de 2026 informa que slides de uma palestra do CERN sobre treinamento de LLMs estão disponíveis em PDF e que há uma gravação online.
* [Artigo revisa policy gradients e suas variantes](https://ai.exponencialadm.net/okf/pt/radar/derivacao-de-policy-gradients-e-suas-078a85.md) - Um artigo sobre fundamentos de aprendizado por reforço deriva o algoritmo de policy gradient e discute variantes, oferecendo material de revisão para engenheiros.
* [KV Cache: queries não são mantidas](https://ai.exponencialadm.net/okf/pt/radar/kv-cache-queries-nao-sao-mantidas-935f0d.md) - Post de 30 de agosto de 2026 distingue o uso único das queries da retenção de keys e values no KV cache durante a inferência.
* [Hy4: compressão low-bit guiada por calibração](https://ai.exponencialadm.net/okf/pt/radar/hy4-compressao-low-bit-guiada-por-878785.md) - Um post relata a redução do preview do Hy4 de 1,5 TB para 200 GB, com precisão ajustada por camada, e compara resultados em dois benchmarks.
* [Wireshark: descriptografia de tráfego HTTPS com TLS 1.3](https://ai.exponencialadm.net/okf/pt/radar/inspecione-https-com-tls-1-3-ad2020.md) - Publicado em 29 de agosto de 2026, o texto explica o uso de SSLKEYLOGFILE e do Wireshark para inspecionar requisições HTTP em tráfego HTTPS capturado e autorizado.
* [Colibri transmite experts MoE do disco em C puro](https://ai.exponencialadm.net/okf/pt/radar/colibri-transmite-experts-moe-do-disco-7fa2be.md) - O projeto Colibri afirma executar sete famílias de modelos MoE abertos, de 744 bilhões a 2,8 trilhões de parâmetros, transmitindo experts do disco em hardware do usuário.
* [Phonon-1 é lançado para reconhecimento de fala](https://ai.exponencialadm.net/okf/pt/radar/phonon-1-reconhecimento-de-fala-em-c4b524.md) - Publicado em 28 de agosto de 2026, o anúncio descreve o Phonon-1, modelo de reconhecimento de fala com 782 milhões de parâmetros, download de 415 MB e licença Apache 2.0.
* [Quantização de 1 bit do GLM-5.3: resultados relatados](https://ai.exponencialadm.net/okf/pt/radar/quantizacao-dinamica-de-1-bit-reduz-0d9585.md) - Em publicação datada de 28 de agosto de 2026, um engenheiro relata quantização dinâmica de 1 bit do GLM-5.3: 217 GB, ante 1,5 TB em BF16, e cerca de 76% de acurácia top-1.
* [TurnBench mede a alternância de turnos em diálogos falados](https://ai.exponencialadm.net/okf/pt/radar/turnbench-mede-a-alternancia-de-turnos-1ac39e.md) - Publicado em 28 de agosto de 2026, o TurnBench reúne 30 horas de fala diádica anotada por três pessoas, um protocolo de pontuação baseado na análise da conversação e resultados de 14 sistemas.
* [WikiSkill reutiliza conhecimento entre iterações de agentes](https://ai.exponencialadm.net/okf/pt/radar/wikiskill-conhecimento-persistente-para-skills-de-bd7137.md) - A proposta separa registros de execução, uma wiki persistente e skills executáveis. Experiências consolidadas na wiki orientam atualizações posteriores das skills.
* [Amostragem para otimizar objetivos sem RL](https://ai.exponencialadm.net/okf/pt/radar/amostragem-para-otimizar-objetivos-sem-rl-5ed12c.md) - Publicado em 27 de agosto de 2026, o texto abre uma série sobre alternativas ao aprendizado por reforço para otimizar objetivos avaliáveis. A Parte I apresenta métodos de amostragem.
* [Fork do SlimServe habilita P2P via PCIe em GeForce](https://ai.exponencialadm.net/okf/pt/radar/fork-do-slimserve-habilita-p2p-via-397e71.md) - Publicação de 27 de agosto de 2026 relata uma alteração em drivers gráficos para permitir transferências peer-to-peer via PCIe em placas GeForce, durante a otimização do SlimServe. O autor não testou a hipótese de funcionamento na RTX Pro 6000.
* [JIT-Agent adapta harnesses de agentes à tarefa](https://ai.exponencialadm.net/okf/pt/radar/jit-agent-cria-harnesses-de-agentes-579824.md) - Artigo de 27 de agosto de 2026 apresenta o JIT-Agent, que sintetiza harnesses de agentes sob demanda e pode repará-los e evoluí-los.
* [FireRedAudio reúne tarefas de fala em um modelo](https://ai.exponencialadm.net/okf/pt/radar/modelo-de-audio-reune-cinco-tarefas-d5ea1a.md) - Publicado em 27 de agosto de 2026, o registro descreve um modelo de áudio que combina reconhecimento de fala, compreensão de áudio, síntese de fala e edição.
* [Visão geral da arquitetura do GLM-5.3-Flash](https://ai.exponencialadm.net/okf/pt/radar/arquitetura-hibrida-do-glm-5-3-1b58ac.md) - Publicação de 26 de agosto de 2026 identifica o Ox Alpha como GLM-5.3-Flash e resume componentes de sua arquitetura híbrida.
* [Post descreve atenção híbrida no GLM-5.3](https://ai.exponencialadm.net/okf/pt/radar/atencao-linear-e-esparsa-a-afirmacao-321174.md) - Publicado em 26 de agosto de 2026, o post afirma que o GLM-5.3 intercala atenção linear e esparsa e compara esse projeto a outras abordagens híbridas.
* [Breeze TTS 2 libera pesos abertos](https://ai.exponencialadm.net/okf/pt/radar/breeze-tts-2-libera-pesos-abertos-f1a100.md) - Anúncio de 26 de agosto de 2026 informa que os pesos do Breeze TTS 2 estão abertos e afirma que o modelo lidera uma classificação de vozes de provedores de TTS.
* [Recursos práticos sobre GRPO e OPD](https://ai.exponencialadm.net/okf/pt/radar/grpo-e-opd-recursos-para-post-fed15f.md) - Publicação de 26 de agosto de 2026 compartilha dois recursos sobre post-training com aprendizado por reforço além de SFT: um sobre escalar GRPO vanilla e outro sobre OPD.
* [Pocket TTS roda no Android com LiteRT](https://ai.exponencialadm.net/okf/pt/radar/pocket-tts-roda-no-android-com-b87143.md) - Publicação de 26 de agosto de 2026 relata que o modelo Pocket TTS, com 100 milhões de parâmetros e seis vozes incluídas, funciona no dispositivo com LiteRT em aparelhos Android atuais.
* [Recuris propõe memória de agentes sem alterar o modelo](https://ai.exponencialadm.net/okf/pt/radar/recuris-explora-memoria-de-agentes-sem-30ec11.md) - Em publicação de 26 de agosto de 2026, a Recuris descreve dois loops para agentes de longo horizonte: memórias de trabalho e experienciais guiam tarefas, e um meta-agente fixo analisa traces e propõe reparos direcionados.
* [OCR em iPhone com o framework Vision da Apple](https://ai.exponencialadm.net/okf/pt/radar/servidor-de-ocr-para-ios-com-1ee9a0.md) - Publicado em 26 de agosto de 2026, o registro apresenta um projeto open source que oferece OCR em um iPhone por meio de uma API acessível a dispositivos na mesma rede.
* [Post destaca designs eficientes em modelos chineses](https://ai.exponencialadm.net/okf/pt/radar/tecnicas-de-eficiencia-em-modelos-chineses-ab4676.md) - Publicação de 26 de agosto de 2026 afirma que modelos chineses de fronteira compartilham técnicas de atenção, conexões residuais e otimização, mas não apresenta links de apoio para suas afirmações amplas.
* [Tencent lança a família multimodal WeMM-Embedding](https://ai.exponencialadm.net/okf/pt/radar/tencent-lanca-a-familia-multimodal-wemm-c84a3a.md) - A equipe WeChat Vision da Tencent anunciou modelos de embeddings multimodais voltados à compreensão e recuperação de texto, imagens e vídeos. A publicação também informa que engenheiros podem avaliá-los em tarefas de recuperação multimodal.
* [Weixin anuncia o modelo multimodal WeMM-Embedding](https://ai.exponencialadm.net/okf/pt/radar/weixin-apresenta-o-embedding-multimodal-wemm-b8476f.md) - Anúncio de 26 de agosto de 2026: a Weixin diz que seu modelo 9B de embeddings apoia busca e recomendações em texto, imagens e vídeos e liderou duas avaliações.
* [Breeze TTS 2: pesos abertos e voz em streaming](https://ai.exponencialadm.net/okf/pt/radar/breeze-tts-2-voz-em-streaming-8f70a1.md) - Publicado em 25 de agosto de 2026, o registro descreve o Breeze TTS 2 como um modelo de conversão de texto em fala com suporte a 50 idiomas, geração por prompts de texto e saída em streaming.
* [Engram consulta embeddings de n-gramas de tokens](https://ai.exponencialadm.net/okf/pt/radar/consulta-de-n-gramas-em-arquiteturas-9688a5.md) - Publicado em 25 de agosto de 2026, o texto descreve um módulo que usa hashes dos últimos N tokens para consultar embeddings multi-head e somá-los ao estado oculto de uma camada.
* [CTM-AI explora arquitetura inspirada em modelo de consciência](https://ai.exponencialadm.net/okf/pt/radar/ctm-ai-explora-consciencia-como-guia-036ce5.md) - Um projeto inicial aplica a Conscious Turing Machine à arquitetura de IA. A prévia descreve a proposta, mas não apresenta resultados de benchmarks.
* [Mac Studio M5 Ultra e RTX PRO 6000 para IA local](https://ai.exponencialadm.net/okf/pt/radar/mac-studio-m5-ultra-ou-rtx-cfd014.md) - Comparação publicada em 25 de agosto de 2026 examina preço, memória, desempenho de prefill, suporte a CUDA e ruído em duas opções de hardware para desenvolvimento de IA local.
* [Mol-JEPA combina modalidades no treino molecular](https://ai.exponencialadm.net/okf/pt/radar/mol-jepa-explora-aprendizado-molecular-multimodal-42effc.md) - Publicado em 25 de agosto de 2026, o relato descreve um modelo molecular treinado com diferentes modalidades e ganhos reportados fora da distribuição em pequenos conjuntos de dados de ADME.
* [Notebooks para explorar padrões de design de agents](https://ai.exponencialadm.net/okf/pt/radar/notebooks-para-explorar-padroes-de-design-316ba4.md) - Um guia reúne notebooks de código para explorar, na prática, prompt chaining, roteamento, reflexão, uso de ferramentas, planejamento e sistemas multi-agent.
* [Plugin leva VoxCPM2 ao ComfyUI com LoRA](https://ai.exponencialadm.net/okf/pt/radar/plugin-do-comfyui-oferece-inferencia-e-3b01fa.md) - Publicado em 25 de agosto de 2026, o ComfyUI_VoxCPM_SM oferece inferência do VoxCPM2 e ajuste fino LoRA com dados de voz personalizados, incluindo suporte declarado a pouca VRAM e modelos quantizados.
* [Kyutai abre o stack de treinamento do Pocket TTS](https://ai.exponencialadm.net/okf/pt/radar/pocket-tts-abre-seu-stack-de-8fd340.md) - Publicado em 25 de agosto de 2026, o stack reúne pipeline de dados, receitas de treinamento e avaliações para um modelo de conversão de texto em fala projetado para execução em CPU.
* [Scroll trata o contexto de agentes como ambiente executável](https://ai.exponencialadm.net/okf/pt/radar/scroll-trata-o-contexto-de-agentes-a6d8ca.md) - Publicado em 25 de agosto de 2026, o texto apresenta o Scroll, que combina um log de eventos somente de acréscimo a um kernel Python persistente e isolado para gerenciar o contexto de agentes de longo prazo.
* [WeMM-Embedding-9B mapeia modalidades em espaço comum](https://ai.exponencialadm.net/okf/pt/radar/wemm-embedding-9b-aproxima-texto-e-b99ac2.md) - Publicado em 25 de agosto de 2026, o texto descreve um modelo que representa texto, imagens, vídeos e documentos visuais em um espaço compartilhado e afirma resultados de ponta no MMEB-v2 e no MMEB-v3.
* [Crescent Island é listado com 32 núcleos Xe3P](https://ai.exponencialadm.net/okf/pt/radar/crescent-island-listado-com-32-nucleos-501869.md) - Publicação datada de 24 de agosto de 2026 lista o Intel Crescent Island com 32 núcleos Xe3P, 480 GB de memória LP5X e consumo de 350 W.
* [Guia relaciona RL aos métodos de treinamento de LLMs](https://ai.exponencialadm.net/okf/pt/radar/guia-de-reinforcement-learning-para-llms-670a11.md) - Publicado em 24 de agosto de 2026, o guia apresenta fundamentos de aprendizado por reforço e formulações usadas no treinamento de modelos de linguagem.
* [Xring O3 teria superado 15 mil no Geekbench 6](https://ai.exponencialadm.net/okf/pt/radar/xring-o3-teria-superado-15-mil-2d61e7.md) - Publicação de 24 de agosto de 2026 relata 3.945 pontos em single-core e 15.221 em multi-core para o chip Xring O3 da Xiaomi; o resultado multi-core teria superado o do Apple M4.
* [Agentes de P&D raramente revisam a estratégia de treinamento](https://ai.exponencialadm.net/okf/pt/radar/agentes-de-p-d-raramente-revisam-c83b9b.md) - Estudo de 1.338 trajetórias de pós-treinamento relata que a estratégia geral mudou em apenas 74 de 3.557 experimentos adjacentes.
* [Pandora’s Router pondera custo e qualidade na seleção de modelos](https://ai.exponencialadm.net/okf/pt/radar/pandora-s-router-pondera-custo-e-e2f4b2.md) - Publicado em 22 de agosto de 2026, o paper trata o roteamento como uma decisão sobre quando vale pagar por estimativas melhores. Em MATH, RAG e EmbedLLM, obteve o menor ou empatou no menor custo médio combinado de inspeção e regret de roteamento.
* [Inferência ativa para aquisição de contexto por agentes](https://ai.exponencialadm.net/okf/pt/radar/quando-agentes-devem-buscar-mais-contexto-4adb88.md) - Artigo publicado em 22 de agosto de 2026 modela como agentes interativos decidem entre agir com suposições e buscar contexto, considerando os custos dessas escolhas.
* [AgentSysBench analisa serving para agentes](https://ai.exponencialadm.net/okf/pt/radar/agentsysbench-investiga-gargalos-em-sistemas-para-3af61e.md) - Publicado em 21 de agosto de 2026, o paper apresenta um benchmark com 10 aplicações agentic e relata que a inferência do modelo muitas vezes não é o principal gargalo de serving.
* [FIBER separa registradores da execução na GPU](https://ai.exponencialadm.net/okf/pt/radar/fiber-separa-a-propriedade-de-registradores-a5e656.md) - Publicado em 21 de agosto de 2026, o artigo apresenta FIBER, uma arquitetura de GPU que desacopla a propriedade de registradores das instâncias de execução paralela. O trabalho descreve extensões de ISA, mudanças microarquiteturais leves e um modelo compatível com CUDA.
* [Marin detalha materiais sobre treinamento de modelos](https://ai.exponencialadm.net/okf/pt/radar/o-que-os-artefatos-de-treinamento-b1d14b.md) - Publicação de 21 de agosto de 2026 descreve visualizações de mistura de pré-treinamento por domínio, documentos amostrados, training loss ao vivo, configurações e scaling laws.
* [Slides sobre post-training e adaptação no mundo real](https://ai.exponencialadm.net/okf/pt/radar/post-training-e-adaptacao-de-modelos-90dae7.md) - Slides de uma palestra introdutória para economistas apresentam métodos de post-training e questões de pesquisa sobre agentes em ambientes mutáveis.
* [Um ano de workloads de serving de LLM em produção](https://ai.exponencialadm.net/okf/pt/radar/um-ano-de-serving-de-llm-f5c8fb.md) - Paper sobre um ano de tráfego de LLM em produção relata mudanças nos workloads, reutilização de prefixos de curta duração e tradeoffs entre localidade do KV cache e balanceamento de carga.
* [Diário documenta pré-treinamento de modelo MoE](https://ai.exponencialadm.net/okf/pt/radar/diario-de-pre-treinamento-de-um-f1f77c.md) - Publicado em 20 de agosto de 2026, o livro gratuito relata uma tentativa de pré-treinar um modelo MoE de 1,02 bilhão de parâmetros em uma H200.
* [dstack anuncia Presets para otimizar inferência](https://ai.exponencialadm.net/okf/pt/radar/dstack-apresenta-presets-para-otimizacao-portatil-a4e38f.md) - Em anúncio datado de 20 de agosto de 2026, a dstack apresenta Presets, um toolkit open source que usa agentes para simplificar a otimização de inferência e oferece um formato portátil para os resultados.
* [CuTe: representação e álgebra de layouts para GPUs](https://ai.exponencialadm.net/okf/pt/radar/cute-representacao-e-algebra-de-layouts-3b18d4.md) - Um artigo aborda a representação e a álgebra de layouts CuTe, tema relevante para engenheiros que trabalham com abstrações de layout em programação de GPUs.
* [Movfuscator compila C usando apenas MOV](https://ai.exponencialadm.net/okf/pt/radar/movfuscator-compila-c-usando-apenas-mov-bed72b.md) - O Movfuscator transforma C em assembly Turing-completo usando somente a instrução MOV, mostrando como restringir a saída de um compilador pode dificultar a análise de código.
* [Relato aponta divergência no prompt do shell DSH](https://ai.exponencialadm.net/okf/pt/radar/prompt-divergente-pode-atrasar-comandos-no-5be125.md) - Post de 17 de agosto de 2026 relata que prompts diferentes em duas ferramentas do DSH acionavam um timeout de 3,5 segundos; após alterar uma constante, um comando teria caído de 3.600 ms para 158 ms.
* [Estudo aponta código sobreposto em sistemas de filtragem](https://ai.exponencialadm.net/okf/pt/radar/estudo-aponta-codigo-sobreposto-em-sistemas-152ae0.md) - Autores de um artigo do USENIX Security relatam sobreposição entre código vazado da Geedge Networks e o Grande Firewall da China, incluindo injeção de DNS e de pacotes RST.
* [Replay buffer de RL com top-k em SQL](https://ai.exponencialadm.net/okf/pt/radar/replay-buffer-de-rl-com-amostragem-cde5d4.md) - Post de 16 de agosto de 2026 descreve amostragem ponderada top-k em SQL para um replay buffer de aprendizagem por reforço e relata selecionar 8.192 linhas entre 50 milhões em cerca de 1,1 segundo num laptop.
* [datatrove 0.10.0 amplia opções de execução de pipelines](https://ai.exponencialadm.net/okf/pt/radar/datatrove-0-10-0-leva-pipelines-df6a9d.md) - A versão 0.10.0 apresenta um executor para pipelines em serviços de jobs, suporte a buckets de armazenamento como pastas de dados e preservação de saídas de reasoning nos resultados de inference.
* [Rastreando uma instrução LDG na RTX 4090](https://ai.exponencialadm.net/okf/pt/radar/o-caminho-de-uma-leitura-ldg-dddba8.md) - Artigo publicado em 13 de agosto de 2026 acompanha uma instrução LDG.E SASS pelas unidades de hardware e pela hierarquia de memória da RTX 4090, incluindo engenharia reversa de detalhes não documentados.
* [Swizzling e conflitos de bancos na shared memory do CUDA](https://ai.exponencialadm.net/okf/pt/radar/swizzling-e-conflitos-de-bancos-na-d13872.md) - Artigo técnico publicado em 13 de agosto de 2026 aborda o uso de swizzling para lidar com conflitos de bancos na shared memory do CUDA, um problema de acesso à memória que pode afetar o desempenho de kernels.
* [IO Factory simula campanhas de influência com IA](https://ai.exponencialadm.net/okf/pt/radar/io-factory-simula-campanhas-de-influencia-58dbe0.md) - Artigo de 12 de agosto de 2026 apresenta um framework de IA para simular campanhas de influência coordenadas e adaptativas.
* [Trilha de desafios de CUDA para praticar programação em GPU](https://ai.exponencialadm.net/okf/pt/radar/uma-trilha-pratica-para-desafios-de-e1df81.md) - Publicado em 12 de agosto de 2026, o registro recomenda desafios do LeetGPU como prática de CUDA e propõe uma progressão de kernels SIMD ingênuos a técnicas e ferramentas mais avançadas.
* [Hooks de inferência controlam prompts](https://ai.exponencialadm.net/okf/pt/radar/hooks-de-inferencia-controlam-prompts-antes-739a55.md) - Publicado em 11 de agosto de 2026, o texto descreve hooks que enviam prompts para controles de segurança antes da inferência, permitindo que a organização autorize ou negue cada solicitação.
* [ExploitGym avalia agentes de IA em exploração de vulnerabilidades](https://ai.exponencialadm.net/okf/pt/radar/exploitgym-avalia-agentes-de-ia-em-d8411c.md) - Pesquisa apresentada em 10 de agosto de 2026 descreve uma avaliação da capacidade de agentes de IA de converter vulnerabilidades em impactos concretos, como acesso não autorizado a arquivos ou execução de código.
* [ResidencyRL treina agentes clínicos em consultas simuladas](https://ai.exponencialadm.net/okf/pt/radar/residencyrl-treina-agentes-clinicos-em-consultas-b4d05a.md) - Pesquisa explora reinforcement learning em consultas clínicas simuladas, com histórico, hipóteses diagnósticas e decisões sob incerteza.
* [Benchmark compara sete memórias self-hosted](https://ai.exponencialadm.net/okf/pt/radar/benchmark-compara-sete-provedores-de-memoria-8932a1.md) - Publicado em 9 de agosto de 2026, o benchmark da comunidade compara sete provedores de memória self-hosted para Hermes Agent, usando 71.060 turnos de conversa e 3.750 perguntas sobre fatos que mudam com o tempo.
* [EnvACE propõe ensaios do mundo para treinar agentes](https://ai.exponencialadm.net/okf/pt/radar/envace-treina-agentes-com-ensaios-internos-c3fdac.md) - Publicado em 9 de agosto de 2026, o registro descreve o EnvACE, método de aprendizado por reforço que alterna chamadas de ferramentas e ensaios internos do mundo durante o treinamento.
* [obfus.h: ofuscação de C em tempo de compilação](https://ai.exponencialadm.net/okf/pt/radar/obfus-h-ofuscacao-de-c-em-e30f71.md) - Publicado em 9 de agosto de 2026, obfus.h é apresentado como um macro header para ofuscação de C em tempo de compilação no Windows x86/x64 usando tcc.
* [Phishing por proxy reverso pode capturar sessões após MFA](https://ai.exponencialadm.net/okf/pt/radar/phishing-com-proxy-pode-roubar-sessoes-9fa0bb.md) - Post publicado em 9 de agosto de 2026 descreve kits que intermedeiam o login e a interação de MFA com um serviço real para interceptar o cookie de sessão resultante. O texto cita Evilginx, Modlishka e Muraena.
* [Survey mapeia coding agents que evoluem](https://ai.exponencialadm.net/okf/pt/radar/survey-mapeia-coding-agents-que-evoluem-851142.md) - Um survey analisa 108 sistemas que aprendem com interações de desenvolvimento e usam essas experiências para alterar memória, workflows, ferramentas ou parâmetros do modelo.
* [Argus relata 78% no SWE-Bench Pro com runtime verificado](https://ai.exponencialadm.net/okf/pt/radar/argus-verifica-mudancas-em-agentes-de-88153d.md) - Publicado em 8 de agosto de 2026, o relato descreve o Argus, um runtime para tarefas agentivas de longo prazo, e informa 78% no SWE-Bench Pro, ante 59% do Direct Copilot.
* [Guia do libuv: event loops e código assíncrono](https://ai.exponencialadm.net/okf/pt/radar/guia-do-libuv-event-loops-e-01c785.md) - Publicado em 8 de agosto de 2026, o guia apresenta o event loop do libuv, aponta semelhanças conceituais com outros sistemas e destaca sua utilidade para analisar código assíncrono em C e C++.
* [Semantica propõe infraestrutura graph-native para agentes](https://ai.exponencialadm.net/okf/pt/radar/semantica-leva-grafos-de-conhecimento-a-597d60.md) - Publicado em 8 de agosto de 2026, o registro apresenta a Semantica, um projeto open source que transforma dados em knowledge graphs e registra decisões de agentes para rastreamento posterior.
* [Ataques práticos à privacidade e disponibilidade em 4G/LTE](https://ai.exponencialadm.net/okf/pt/radar/ataques-praticos-a-privacidade-e-disponibilidade-b641ce.md) - Um artigo de 2015 examina ataques práticos à privacidade e à disponibilidade em sistemas móveis 4G/LTE, tema relevante para quem avalia riscos em redes móveis.
* [Ostris AI Toolkit passa a treinar LoRAs para MiniMax H3](https://ai.exponencialadm.net/okf/pt/radar/ostris-ai-toolkit-passa-a-treinar-23f31d.md) - O toolkit ganhou suporte a LoRAs para MiniMax H3, inicialmente limitado a text-to-video e image-to-video. A publicação informa o uso de pesos quantizados do Comfy.
* [Referência pesquisável de kernels e APIs do MSLK](https://ai.exponencialadm.net/okf/pt/radar/referencia-pesquisavel-de-kernels-e-apis-6e649f.md) - Publicado em 2 de agosto de 2026, o bookmark descreve uma referência pesquisável do MSLK sobre kernels, APIs e utilitários para desenvolvedores, criada com agentes, segundo o autor.
* [Transformers, atenção e custos computacionais](https://ai.exponencialadm.net/okf/pt/radar/transformers-e-atencao-conceitos-e-custos-2c4800.md) - Artigo publicado em 2 de agosto de 2026 explica a matemática aplicada por trás de Transformers e mecanismos de atenção, incluindo técnicas voltadas a reduzir custos de computação e memória.
* [Estudo liga safety tuning à atribuição de mente](https://ai.exponencialadm.net/okf/pt/radar/safety-tuning-pode-alterar-atribuicoes-de-c64d69.md) - Publicação de 1º de agosto de 2026 relata que ajustes de segurança sobre consciência também reduziram a atribuição de mente a outras entidades em três modelos; intervenções mecanísticas teriam restaurado essas tendências.
* [PR configura checkpoint 0731 em dois DGX Sparks](https://ai.exponencialadm.net/okf/pt/radar/pr-configura-checkpoint-0731-em-dois-3c0e4e.md) - Uma alteração atualiza o checkpoint padrão para a versão 0731 de um modelo de inferência e instala o encoder correspondente nos dois ranks de uma configuração com dois DGX Sparks.
* [Perfil de serving do GLM-5.2 EXL3 em quatro GPUs](https://ai.exponencialadm.net/okf/pt/radar/perfil-de-serving-do-glm-5-5c22cb.md) - Um repositório no GitHub apresenta uma configuração reproduzível de serving do GLM-5.2 EXL3 MTP3 e um perfil térmico para quatro GPUs RTX PRO 6000 Blackwell.
* [Buzz publica especificação de memória NIP-AE](https://ai.exponencialadm.net/okf/pt/radar/buzz-publica-especificacao-formal-para-seu-0fcdf3.md) - Publicado em 28 de julho de 2026, o documento NIP-AE especifica o recurso de memória do Buzz. O projeto diz que suas especificações formais buscam facilitar implementação e interoperabilidade.
* [Catálogo reúne falhas silenciosas em serving de LLMs](https://ai.exponencialadm.net/okf/pt/radar/falhas-silenciosas-no-serving-de-llms-96e45d.md) - Publicado em 28 de julho de 2026, um repositório no GitHub reúne falhas de serving que podem passar despercebidas e descreve sintomas, mecanismos, verificações e correções.
* [Leituras cronológicas sobre Looped Transformers](https://ai.exponencialadm.net/okf/pt/radar/leituras-cronologicas-sobre-looped-transformers-1c4872.md) - Uma lista reúne papers sobre Universal Transformers, Relaxed Recursive Transformers, Mixture-of-Recursions e DeepLoop para comparar computação recorrente e compartilhamento de parâmetros.
* [Radar: teste de OCR anunciado](https://ai.exponencialadm.net/okf/pt/radar/como-avaliar-benchmarks-de-ocr-8a4965.md) - Publicação de 25 de julho de 2026 relata a inclusão do Baidu Unlimited OCR no mlx-vlm e anuncia planos de avaliá-lo com um benchmark de OCR.
* [Phishing por device code não depende de Wi‑Fi](https://ai.exponencialadm.net/okf/pt/radar/phishing-por-device-code-nao-depende-04467a.md) - Publicado em 25 de julho de 2026, o texto alerta que o phishing de autenticação por device code pode ocorrer por Ethernet ou pela internet, e não apenas em redes Wi‑Fi.
* [Guia de primeiros princípios sobre o SIGReg de JEPA](https://ai.exponencialadm.net/okf/pt/radar/um-guia-de-primeiros-principios-sobre-e19ecd.md) - Publicação de 24 de julho de 2026 apresenta um guia sobre conceitos matemáticos e um loop funcional de treinamento ligados ao SIGReg de JEPA.
* [Reflection em C++ e acesso a dados privados](https://ai.exponencialadm.net/okf/pt/radar/reflection-em-c-modifica-campo-privado-ae0002.md) - Publicado em 23 de julho de 2026, o exemplo usa reflection em C++ e um contexto de acesso unchecked para incrementar membros de dados não estáticos de Foo, inclusive o campo privado secret, e imprimir o resultado.
* [The Stack v3 reúne 5 trilhões de tokens de código](https://ai.exponencialadm.net/okf/pt/radar/the-stack-v3-reune-5-trilhoes-e02e7c.md) - Publicado em 23 de julho de 2026, o anúncio descreve um dataset com cerca de 5 trilhões de tokens em 713 linguagens e 224 milhões de repositórios, coletados até agosto de 2025.
* [The Stack v3 reúne 5 trilhões de tokens de código](https://ai.exponencialadm.net/okf/pt/radar/the-stack-v3-reune-5t-tokens-97153d.md) - Publicado em 23 de julho de 2026, o anúncio descreve um dataset aberto com cerca de 5 trilhões de tokens de código-fonte deduplicado e filtrado, em 713 linguagens. Segundo a publicação, foram excluídos códigos com licenças restritivas.
* [Awesome C++ reúne recursos para engenheiros](https://ai.exponencialadm.net/okf/pt/radar/awesome-c-um-ponto-de-partida-be5ac5.md) - Publicado em 21 de julho de 2026, Awesome C++ é uma lista curada de frameworks, bibliotecas, recursos e outros itens de C++. O projeto serve como ponto de partida para engenheiros que procuram ferramentas e materiais da linguagem.
* [ESP32 bloqueia 537 mil domínios com cerca de 50 KB de RAM](https://ai.exponencialadm.net/okf/pt/radar/esp32-bloqueia-537-mil-dominios-usando-a3f497.md) - Publicado em 20 de julho de 2026, o relato descreve um firmware para ESP32 que mantém a blocklist na flash e bloqueia requisições em cerca de 10 milissegundos, segundo o post.
* [Packed FlashAttention acelera vocoder Transformer](https://ai.exponencialadm.net/okf/pt/radar/packed-flashattention-acelera-vocoder-transformer-8937f8.md) - Publicação de 20 de julho de 2026 relata aumento de 48,64% no QPS ao otimizar a reconstrução de waveform em um vocoder Transformer. O trecho disponível não informa a magnitude da redução de latência.
* [Survey mapeia autoaperfeiçoamento de agentes de IA](https://ai.exponencialadm.net/okf/pt/radar/como-agentes-de-ia-podem-se-e5d9c3.md) - Um levantamento de 239 artigos examina como agentes de IA podem ser aprimorados por atualizações do modelo ou de componentes ao redor dele, como prompts, memória e ferramentas.
* [Benchmark compara modelos na busca por vulnerabilidades](https://ai.exponencialadm.net/okf/pt/radar/benchmark-compara-modelos-na-busca-por-346e45.md) - Publicado em 18 de julho de 2026, o benchmark privado usa o harness open source DeepSec para comparar modelos por recall, precisão e custo em uma aplicação open-core não identificada.
* [Como Blackwell move a acumulação de matmul para Tensor Memory](https://ai.exponencialadm.net/okf/pt/radar/blackwell-leva-acumuladores-de-matmul-a-643953.md) - Radar: post técnico que descreve Tensor Memory em Blackwell como espaço separado de 256 KB por SM para resultados de Tensor Cores, e afirma, segundo o autor, que isso reduz a emissão de matmul de 128 threads para uma.
* [DeepLoop analisa profundidade em Transformers com loop](https://ai.exponencialadm.net/okf/pt/radar/deeploop-analisa-profundidade-em-transformers-com-8b72f4.md) - Publicado em 17 de julho de 2026, o artigo examina como Transformers com loop reutilizam blocos para ampliar a profundidade desenrolada sem adicionar parâmetros armazenados.
* [Dell Precision T7910 para computação multi-GPU](https://ai.exponencialadm.net/okf/pt/radar/dell-precision-t7910-para-avaliar-computacao-4f0977.md) - Uma publicação de 17 de julho de 2026 descreve uma configuração do Dell Precision T7910 e destaca slots PCIe, memória ECC e limites de potência como fatores para avaliar um sistema multi-GPU usado.
* [Diffusing Blame treina redes sob o princípio de Dale](https://ai.exponencialadm.net/okf/pt/radar/diffusing-blame-explora-treino-sem-backpropagation-5b0e11.md) - Publicação de 17 de julho de 2026 descreve um método de roteamento de sinais de erro para treinar redes com neurônios excitatórios e inibitórios dedicados, sem backpropagation.
* [HarnessBank propõe evolução de harnesses de agentes](https://ai.exponencialadm.net/okf/pt/radar/harnessbank-evolucao-de-harnesses-de-agentes-4a45ba.md) - Publicado em 17 de julho de 2026, o artigo apresenta um método para evoluir harnesses de agentes — prompts, ferramentas e loops de controle — com busca semântica e verificação por etapas.
* [KTransformers explora LLMs com VRAM limitada](https://ai.exponencialadm.net/okf/pt/radar/ktransformers-explora-llms-com-vram-limitada-f7c2d8.md) - Publicado em 17 de julho de 2026, o relato apresenta um framework aberto para otimizar inferência e fine-tuning heterogêneos de modelos de linguagem.
* [MemoHarness adapta harnesses com execuções anteriores](https://ai.exponencialadm.net/okf/pt/radar/memoharness-adapta-harnesses-de-agentes-pelo-cd52a5.md) - Publicado em 17 de julho de 2026, o MemoHarness adapta seis dimensões do harness de agentes e recupera aprendizados de casos semelhantes. Em um benchmark de agentes de shell, marcou 0,806, ante 0,722 do melhor baseline com harness fixo.
* [uv consulta o OSV antes de instalar pacotes](https://ai.exponencialadm.net/okf/pt/radar/uv-pode-checar-malware-antes-de-dfae34.md) - Publicado em 17 de julho de 2026, o aviso informa que a variável UV_MALWARE_CHECK=1 habilita uma consulta ao OSV antes da instalação de pacotes de registries remotos.
* [Survey analisa autoaperfeiçoamento em agentes modernos](https://ai.exponencialadm.net/okf/pt/radar/como-analisar-o-autoaperfeicoamento-de-agentes-48320f.md) - Publicada em 16 de julho de 2026, a survey define agentes modernos e apresenta o autoaperfeiçoamento como adaptação capaz de acumular ganhos de capacidade com a experiência.
* [Guia de Assembly para Linux x86_64 reunido em PDF](https://ai.exponencialadm.net/okf/pt/radar/guia-de-assembly-para-linux-x86-0e78a3.md) - A série de assembly para Linux x86_64 de 0xAX foi reunida em um único PDF, segundo o autor. A publicação indica a release v1.0.0 no GitHub.
* [Estudo examina RL nas camadas de LLMs](https://ai.exponencialadm.net/okf/pt/radar/como-o-reinforcement-learning-se-distribui-c736cb.md) - Preprint datado de 15 de julho de 2026 analisa como a adaptação por reinforcement learning se distribui entre camadas transformer no post-training de LLMs e questiona se todas contribuem igualmente.
* [Headers C standalone para emuladores de 8 bits](https://ai.exponencialadm.net/okf/pt/radar/headers-c-standalone-para-emuladores-de-4fa2f5.md) - Publicado em 15 de julho de 2026, o repositório floooh/chips reúne emuladores de chips e sistemas de 8 bits implementados como headers C standalone, oferecendo uma base concreta para estudar emulação em C.
* [Post relata experimento de autoresearch de oito dias](https://ai.exponencialadm.net/okf/pt/radar/experimento-de-autoresearch-relata-oito-dias-8fb40f.md) - Publicado em 14 de julho de 2026, o post afirma que um agente de autoresearch superou, em benchmarks não usados no treinamento, um harness ajustado manualmente após oito dias de aprimoramento.
* [GPU-Tile-Sim: simulação de GPU para co-design de LLMs](https://ai.exponencialadm.net/okf/pt/radar/gpu-tile-sim-propoe-simulacao-de-215492.md) - Publicado em 14 de julho de 2026, o registro apresenta o GPU-Tile-Sim (GTSim), framework de simulação de GPU baseado em tiles proposto para apoiar o co-design de hardware e software de LLMs.
* [WANDR: ambiente para avaliar busca agentic](https://ai.exponencialadm.net/okf/pt/radar/wandr-ambiente-para-avaliar-busca-agentic-5ec5ef.md) - Em 14 de julho de 2026, a Perplexity afirmou estar disponibilizando um ambiente de avaliação e aprendizado por reforço para busca agentic, sintetizado a partir de traces de produção com supervisão humana fraca.
* [Harness e custos de agentes corporativos](https://ai.exponencialadm.net/okf/pt/radar/como-o-harness-afeta-custos-de-5bd751.md) - Publicação de 13 de julho de 2026 relata que mudar a orquestração de agentes reduziu custo e latência, mantendo qualidade equivalente em 22 tarefas e seis modelos.
* [StreamDQ aproxima desquantização da memória HBM](https://ai.exponencialadm.net/okf/pt/radar/streamdq-aproxima-a-desquantizacao-da-memoria-a4d0e0.md) - Publicado em 13 de julho de 2026, o resumo apresenta StreamDQ, uma arquitetura que desquantiza pesos de LLM em tempo real no die base da HBM, preservando a semântica convencional de load da GPU.
* [Harness de referência para análise e correção de segurança](https://ai.exponencialadm.net/okf/pt/radar/harness-de-referencia-para-analise-e-4fe259.md) - Publicado em 12 de julho de 2026, o repositório descrito reúne skills de threat modeling, scanning, triagem e aplicação de correções, além de um harness personalizável para scanning autônomo.
* [REINFORCE: estimador para policy gradients](https://ai.exponencialadm.net/okf/pt/radar/policy-gradients-entendendo-o-estimador-reinforce-32bbdc.md) - Publicado em 12 de julho de 2026, o primeiro texto de uma série deriva o estimador REINFORCE como método não enviesado de policy gradient e analisa como a variância cresce com o tamanho da trajetória.
* [Injeção de prompt em binários sob análise por IA](https://ai.exponencialadm.net/okf/pt/radar/strings-em-binarios-podem-influenciar-agentes-f0c173.md) - Registro de 12 de julho de 2026 sobre pesquisas da Naval Postgraduate School que estudam strings de injeção de prompt em binários C e sua influência em agentes de engenharia reversa com LLM no Ghidra.
* [Documentação Vulkan explica compute shaders e GPUs](https://ai.exponencialadm.net/okf/pt/radar/vulkan-compute-shaders-e-arquitetura-de-761092.md) - Um tutorial Vulkan apresenta compute shaders, arquitetura de GPU e modelos de memória. A publicação, datada de 12 de julho de 2026, observa que parte da discussão também se aplica ao DirectX 12.
* [OpenResearch relata reprodução automatizada de paper](https://ai.exponencialadm.net/okf/pt/radar/agentes-reproduzem-pesquisas-e-provisionam-gpus-af399e.md) - Publicado em 11 de julho de 2026, o registro descreve uma ferramenta que usa agentes para reproduzir resultados de pesquisas e provisionar GPUs na nuvem. O autor afirma que ela reproduziu seu paper de ponta a ponta.
* [Colibri carrega experts de MoE sob demanda](https://ai.exponencialadm.net/okf/pt/radar/colibri-carrega-experts-de-moe-sob-aad4a2.md) - Publicado em 11 de julho de 2026, o Colibri é descrito como um engine de inferência em C, sem dependências, que carrega do disco os experts de modelos MoE conforme necessário. O relato afirma que ele executa um modelo de 744 bilhões de parâmetros em um laptop com 25 GB de RAM.
* [Uma hipótese sobre como RL amplia o SFT](https://ai.exponencialadm.net/okf/pt/radar/como-pensar-na-relacao-entre-rl-34f00d.md) - Publicado em 11 de julho de 2026, o post apresenta uma hipótese: durante o RL, variações guiadas por reward podem separar componentes úteis entrelaçados nas soluções do SFT em skills reutilizáveis e regras de roteamento.
* [Verificar recompensas de agentes de código](https://ai.exponencialadm.net/okf/pt/radar/como-verificar-recompensas-de-agentes-de-f9c119.md) - Publicado em 11 de julho de 2026, o paper examina quatro designs para verificar recompensas de agentes de código e conclui que não há uma solução única.
* [Layout de memória de arrays multidimensionais](https://ai.exponencialadm.net/okf/pt/radar/layout-de-memoria-e-desempenho-de-9e70a1.md) - Artigo de Eli Bendersky examina o layout de memória de arrays multidimensionais e inclui código de benchmark para comparar o desempenho de diferentes padrões de acesso.
* [MiniCPM-SALA combina atenção esparsa e linear](https://ai.exponencialadm.net/okf/pt/radar/minicpm-sala-combina-atencao-esparsa-e-02bc05.md) - Publicado em 11 de julho de 2026, o relato apresenta uma arquitetura híbrida de 9 bilhões de parâmetros para contextos longos e informa bons resultados em benchmarks, com inferência escalável até 1 milhão de tokens.
* [O que acontece ao executar um CUDA kernel](https://ai.exponencialadm.net/okf/pt/radar/o-que-acontece-ao-executar-um-bc9119.md) - Uma visão introdutória da comunicação entre CPU e GPU necessária para lançar um CUDA kernel e do trabalho envolvido nessa operação.
* [RLSD ajusta atualizações de RLVR por token](https://ai.exponencialadm.net/okf/pt/radar/rlsd-ajusta-o-aprendizado-por-token-ea0fa0.md) - Paper publicado em 11 de julho de 2026 combina recompensas do ambiente com self-distillation e relata maior acurácia média em cinco benchmarks multimodais.
* [SDM propõe memória esparsa para RNNs](https://ai.exponencialadm.net/okf/pt/radar/sparse-delta-memory-leva-enderecamento-esparso-879abc.md) - Publicado em 11 de julho de 2026, o post descreve a Sparse Delta Memory: uma memória explícita com endereçamento esparso que opera junto a uma RNN e, segundo o texto, amplia a capacidade de estado sem elevar o compute por token.
* [ThetaEvolve explora aprendizado em tempo de teste](https://ai.exponencialadm.net/okf/pt/radar/thetaevolve-explora-aprendizado-em-tempo-de-5693fc.md) - Publicado em 11 de julho de 2026, o ThetaEvolve é um framework de código aberto para aprendizado em tempo de teste em problemas abertos de otimização. A descrição destaca seus componentes, sem apresentar resultados quantitativos.
* [AREAL2.0 propõe arquitetura para agentes com aprendizado contínuo](https://ai.exponencialadm.net/okf/pt/radar/areal2-0-conecta-agentes-a-aprendizado-16ba83.md) - Publicado em 10 de julho de 2026, o artigo apresenta uma arquitetura para aprendizado contínuo de agentes em cargas de trabalho reais, com sinais passo a passo, conversão de tarefas em dados de treinamento e atualizações automáticas.
* [Kernel de Paged Attention em Triton atribuído ao Grok](https://ai.exponencialadm.net/okf/pt/radar/kernel-de-paged-attention-em-triton-ac90bf.md) - Registro de 10 de julho de 2026: uma publicação compartilha um kernel de paged attention em Triton atribuído ao Grok e um arquivo de solução no KernelBench.
* [Quantização de KV cache: keys e values](https://ai.exponencialadm.net/okf/pt/radar/kv-cache-mais-bits-para-keys-207c86.md) - Artigo da ACL 2026 relata que usar 4 bits para keys e 2 para values pode funcionar bem na compressão de KV cache; inverter essas larguras de bits degrada bastante a precisão.
* [LED explora camadas intermediárias para ampliar a amostragem](https://ai.exponencialadm.net/okf/pt/radar/led-explora-camadas-intermediarias-no-decoding-3b7fb2.md) - Publicado em 10 de julho de 2026, o relato apresenta o Latent Exploration Decoding (LED), método sem treinamento adicional que usa distribuições de camadas intermediárias para melhorar a amostragem em modelos de raciocínio.
* [Memória proativa para agentes de horizonte longo](https://ai.exponencialadm.net/okf/pt/radar/memoria-proativa-para-agentes-de-horizonte-3ab3a1.md) - Paper de 10 de julho de 2026 apresenta um agente de memória separado que mantém informações estruturadas e decide quando oferecer lembretes ao agente de ação.
* [Metacognição pode reduzir o custo do raciocínio em LLMs](https://ai.exponencialadm.net/okf/pt/radar/metacognicao-pode-reduzir-o-custo-do-82b993.md) - Um artigo investiga se modelos podem equilibrar precisão, contexto, custo computacional e latência sem depender de cadeias longas de raciocínio.
* [QuadRF rastreia drones e detecta Wi-Fi](https://ai.exponencialadm.net/okf/pt/radar/quadrf-combina-raspberry-pi-5-e-5b2a34.md) - Publicado em 10 de julho de 2026, o relato de Jeff Geerling apresenta o QuadRF, um rádio phased-array com Raspberry Pi 5 e FPGA que usa processamento de sinais e beamforming para rastrear drones e detectar Wi-Fi através de paredes.
* [Agentes de busca hierárquica: delegação e execução](https://ai.exponencialadm.net/okf/pt/radar/como-distribuir-capacidade-em-agentes-de-9ec896.md) - Um artigo publicado em 9 de julho de 2026 examina como distribuir capacidade entre funções de delegação e execução em agentes de busca hierárquica. O post aponta a decomposição como principal gargalo de desempenho.
* [GPU de dois núcleos em FPGA de US$ 30](https://ai.exponencialadm.net/okf/pt/radar/gpu-de-dois-nucleos-em-fpga-d2a9a4.md) - Projeto publicado em 9 de julho de 2026 descreve uma GPU de dois núcleos em FPGA de US$ 30, com ISA de 16 bits, assembler, linguagem J++, compilador e inferência de IA a 81 MHz.
* [Estudo compara custos e qualidade na orquestração de agentes](https://ai.exponencialadm.net/okf/pt/radar/orquestracao-pode-mudar-custo-e-qualidade-f62b17.md) - Publicado em 9 de julho de 2026, o estudo avalia 22 tarefas em seis modelos, alterando somente a camada de orquestração. Relata menor custo, uso de tokens e tempo, com qualidade de conclusão equivalente.
* [RL assíncrono em rollouts para treinamento agêntico](https://ai.exponencialadm.net/okf/pt/radar/rl-assincrono-rollouts-e-estabilidade-no-129fc7.md) - Publicado em 9 de julho de 2026, o texto aborda RL assíncrono no pós-treinamento de modelos de linguagem, com atualizações à medida que chegam rollouts. Cita ajustes de clipping no PPO do GLM 5.2 e também aponta o VAPO.
* [Cache de inferência: desempenho e isolamento precisam andar juntos](https://ai.exponencialadm.net/okf/pt/radar/cache-de-inferencia-desempenho-e-isolamento-cc1af5.md) - Memória eficiente melhora o serviço. O projeto também precisa impedir que contexto de uma sessão apareça na resposta de outra.
* [CMDR avalia recuperação multimodal entre páginas](https://ai.exponencialadm.net/okf/pt/radar/cmdr-avalia-busca-multimodal-entre-paginas-0f2155.md) - Artigo apresenta o CMDR e o CMDR-Bench para recuperar páginas relevantes de documentos multimodais em consultas que dependem de contexto entre várias páginas.
* [Modelos de linguagem por difusão: técnicas em foco](https://ai.exponencialadm.net/okf/pt/radar/como-estudar-modelos-de-linguagem-por-e3a4bd.md) - Um post do Kuleshov Group apresenta pesquisas sobre modelos de linguagem por difusão, incluindo masked diffusion, refinamento iterativo, pós-treinamento e geração de comprimento variável.
* [Do nvcc aos warps: rastreamento de um kernel CUDA](https://ai.exponencialadm.net/okf/pt/radar/da-compilacao-cuda-a-execucao-por-f8c813.md) - Publicado em 8 de julho de 2026, o artigo acompanha um kernel de soma de vetores desde a compilação com nvcc até a execução por warps na GPU.
* [Destilação on-policy roteia supervisão por token](https://ai.exponencialadm.net/okf/pt/radar/destilacao-on-policy-roteia-supervisao-por-978145.md) - Um paper descreve um método que escolhe dinamicamente, token a token, entre supervisão baseada no teacher e no próprio modelo.
* [ColBERT: compressão de vetores com ajuste leve](https://ai.exponencialadm.net/okf/pt/radar/fine-tuning-leve-comprime-vetores-em-27c92e.md) - Um paper publicado em 8 de julho de 2026 apresenta ajuste fino com consciência de pooling e k-means para reduzir vetores de tokens em documentos ColBERT, alegando manter a precisão.
* [NapMem propõe navegação ativa pela memória](https://ai.exponencialadm.net/okf/pt/radar/napmem-propoe-navegar-pela-memoria-conversacional-e738ba.md) - Artigo de 8 de julho de 2026 apresenta o NapMem, framework que organiza o histórico do usuário em uma pirâmide de memória vinculada e com múltiplas granularidades.
* [NapMem explora memória de longo prazo para agentes](https://ai.exponencialadm.net/okf/pt/radar/napmem-transforma-memoria-de-longo-prazo-694ece.md) - Publicado em 8 de julho de 2026, o NapMem organiza o histórico do usuário em camadas de memória e treina o agente para escolher qual examinar. A proposta contrasta com o uso exclusivo de evidências pré-selecionadas por um recuperador.
* [O que a teoria revela sobre o MaxSim](https://ai.exponencialadm.net/okf/pt/radar/o-que-a-teoria-revela-sobre-7282dc.md) - Publicado em 8 de julho de 2026, o artigo analisa o poder de representação do MaxSim e relata que ele pode reproduzir exatamente produtos internos entre vetores não negativos k-esparsos.
* [Qwen 3.5 e Nemotron 3 adotam híbridos distintos](https://ai.exponencialadm.net/okf/pt/radar/qwen-3-5-e-nemotron-3-c9a68f.md) - Publicado em 8 de julho de 2026, o post compara duas abordagens arquiteturais híbridas e as relaciona à evolução convergente da atenção linear e dos modelos de espaço de estados.
* [Ridgeline: profiler roofline para inferência de LLMs](https://ai.exponencialadm.net/okf/pt/radar/ridgeline-profiler-roofline-para-inferencia-de-b7fcf5.md) - O Ridgeline é um pequeno profiler criado com PyTorch para ajudar engenheiros a analisar workloads de inferência de LLMs usando um modelo roofline.
* [SearchEyes treina agentes de busca em mundos simulados](https://ai.exponencialadm.net/okf/pt/radar/searcheyes-treina-agentes-de-busca-em-6a4039.md) - Publicado em 8 de julho de 2026, o resumo apresenta SearchEyes, uma abordagem que usa um grafo de conhecimento tipado como base de um mundo de busca simulado para treinar agentes multimodais.
* [BrowserBC transforma traces de navegação em skills para agentes](https://ai.exponencialadm.net/okf/pt/radar/browserbc-transforma-traces-de-navegacao-em-728244.md) - A abordagem converte traces de navegação humana em cartões de skills em linguagem natural, que agentes podem recuperar e combinar para navegar em sites desconhecidos.
* [Embeddings orientados à relevância para recuperar candidatos](https://ai.exponencialadm.net/okf/pt/radar/embeddings-orientados-a-relevancia-para-recuperar-9a4afd.md) - Um paper descreve embeddings de queries e itens para recuperar candidatos com eficiência quando calcular relevância é caro. A abordagem relatada usa itens ou queries de suporte selecionados.
* [Harness engineering e autoaperfeiçoamento de IA](https://ai.exponencialadm.net/okf/pt/radar/harness-engineering-e-autoaperfeicoamento-de-ia-3400c0.md) - Publicado em 7 de julho de 2026, o artigo de Lilian Weng examina o autoaperfeiçoamento recursivo e propõe projetar e otimizar o harness do modelo como ponto de partida prático.
* [HiLS aprende a selecionar chunks em sparse attention](https://ai.exponencialadm.net/okf/pt/radar/hils-aprende-a-selecionar-chunks-em-bb33a9.md) - Publicado em 7 de julho de 2026, o material apresenta a Hierarchical Landmark Sparse (HiLS) Attention, método que aprende a selecionar chunks de ponta a ponta usando a loss de modelagem de linguagem.
* [JetSpec acelera speculative decoding com árvores paralelas](https://ai.exponencialadm.net/okf/pt/radar/jetspec-explora-arvores-paralelas-na-decodificacao-54588d.md) - Post publicado em 7 de julho de 2026 descreve o JetSpec, que usa um único forward pass com causal conditioning para criar draft trees coerentes. O texto relata speedups de até 9,64× no MATH-500 e 4,58× em conversas abertas.
* [Live stream apresenta novos capítulos de livro sobre CUDA](https://ai.exponencialadm.net/okf/pt/radar/live-stream-apresenta-novos-capitulos-de-6c8228.md) - Publicado em 7 de julho de 2026, o anúncio descreve uma transmissão ao vivo sobre novos capítulos de Programming Massively Parallel Processors e uma visão geral do conteúdo.
* [Estudo rastreia dados de treino ligados a circuitos em LLMs](https://ai.exponencialadm.net/okf/pt/radar/rastreando-dados-de-treino-por-tras-608a41.md) - Publicado em 7 de julho de 2026, o trabalho apresenta um método para relacionar amostras de treino a attention heads interpretáveis e relata efeitos de intervenções sobre esses circuitos.
* [Rejection sampling no alinhamento on-policy de LLMs](https://ai.exponencialadm.net/okf/pt/radar/rejection-sampling-no-alinhamento-on-policy-bee60a.md) - Publicado em 7 de julho de 2026, o resumo apresenta uma proposta para converter tokens off-policy em tokens tratados como on-policy por rejection sampling e reduzir problemas de variância no alinhamento de LLMs.
* [Destilação com informação privilegiada pode afetar raciocínios longos](https://ai.exponencialadm.net/okf/pt/radar/self-distillation-pode-prejudicar-raciocinios-longos-ff99bd.md) - Estudo avalia self-distillation com informação privilegiada em modelos de raciocínio e relata degradação em trajetórias longas em cinco modelos testados no AIME.
* [Taxonomia de recomendação com agentes](https://ai.exponencialadm.net/okf/pt/radar/tres-paradigmas-para-agentes-em-recomendacao-440c1b.md) - Survey publicado em 7 de julho de 2026 propõe classificar sistemas de recomendação com agentes baseados em LLM pelo nível de autonomia.
* [Autodata gera dados de treino com loops de agentes](https://ai.exponencialadm.net/okf/pt/radar/autodata-cria-dados-de-treino-com-a57316.md) - Publicado em 6 de julho de 2026, o resumo apresenta o Autodata, método que usa agentes para criar dados de treinamento e avaliação, selecionando perguntas que distinguem solvers fracos e fortes.
* [AutoMem ensina agentes a cuidar da memória](https://ai.exponencialadm.net/okf/pt/radar/automem-ensina-agentes-a-gerenciar-a-f58d63.md) - Post sobre um paper apresenta agentes que escrevem, pesquisam e organizam notas, aprendendo quando a memória é útil. Segundo o texto, o método elevou de 2x a 4x o desempenho de um modelo aberto de 32B em jogos longos.
* [Aritmética de ponto flutuante do zero](https://ai.exponencialadm.net/okf/pt/radar/como-estudar-aritmetica-de-ponto-flutuante-9d0c36.md) - Publicado em 6 de julho de 2026, o artigo apresenta a construção de aritmética de ponto flutuante do zero como um projeto de alta dificuldade.
* [Compiladores e design de linguagens: introdução](https://ai.exponencialadm.net/okf/pt/radar/compiladores-e-design-de-linguagens-introducao-dbaf53.md) - Um livro de 2021, de Douglas Thain, apresenta compiladores e design de linguagens a engenheiros interessados em construir essas tecnologias.
* [Functional Attention propõe atenção de custo linear](https://ai.exponencialadm.net/okf/pt/radar/functional-attention-reduz-o-custo-da-056f16.md) - Publicado em 6 de julho de 2026, o resumo do paper descreve bases aprendidas e uma matriz compacta para representar a atenção, com custo linear no número de pontos e resultados em três áreas de avaliação.
* [Guia CUDA C++ da NVIDIA atualizado em junho de 2026](https://ai.exponencialadm.net/okf/pt/radar/guia-cuda-c-atualizado-em-junho-93710e.md) - Um registro publicado em 6 de julho de 2026 aponta que o CUDA C++ Programming Guide da NVIDIA foi atualizado em junho de 2026 e o apresenta como referência para engenheiros que trabalham com CUDA C++.
* [HOLA combina estado recorrente e cache KV limitado](https://ai.exponencialadm.net/okf/pt/radar/hola-combina-estado-recorrente-e-kv-ed3f57.md) - Publicado em 6 de julho de 2026, o post apresenta o HOLA, que combina estado recorrente e um pequeno cache KV para memória exata. Segundo o texto, a abordagem reduz a perplexidade em 16,1% e mantém recuperação robusta em 32 mil tokens.
* [Radar: a infraestrutura de compiladores LLVM](https://ai.exponencialadm.net/okf/pt/radar/llvm-inovacoes-e-impacto-na-infraestrutura-097724.md) - Artigo de 6 de julho de 2026 examina inovações, impacto e trabalho em andamento ligados à infraestrutura de compiladores LLVM, com contexto para engenheiros da área.
* [PACE prevê desempenho de agentes com poucas tarefas](https://ai.exponencialadm.net/okf/pt/radar/pace-preve-desempenho-de-agentes-com-d68420.md) - Publicado em 6 de julho de 2026, o post apresenta o PACE, método que usa regressão sobre um pequeno conjunto de tarefas não agentivas para estimar o desempenho completo de agentes.
* [ReContext explora evidências em contextos longos](https://ai.exponencialadm.net/okf/pt/radar/recontext-reorganiza-evidencias-para-contextos-longos-f9f5b0.md) - Publicado em 6 de julho de 2026, o artigo apresenta o ReContext, um método de inferência sem treinamento para reapresentar evidências relevantes antes da geração. O trabalho relata resultados em oito conjuntos de dados de 128K e três backbones.
* [Estudo avalia retrieval in-context em escala de um milhão de tokens](https://ai.exponencialadm.net/okf/pt/radar/retrieval-in-context-testado-em-escala-7f9c1a.md) - Um estudo examina modelos de linguagem como retrievers in-context em corpora de um milhão de tokens e relata que o BlockSearch generaliza até dez vezes além do comprimento usado no treinamento.
* [Radar: arquitetura de armazenamento da Meta](https://ai.exponencialadm.net/okf/pt/radar/armazenamento-localidade-e-desempenho-04aa40.md) - Publicação de 5 de julho de 2026 descreve uma arquitetura de armazenamento e técnicas voltadas a desempenho, como localidade de dados, unificação de caches e pre-fetching.
* [EfficientRollout busca acelerar rollouts de RL](https://ai.exponencialadm.net/okf/pt/radar/efficientrollout-acelera-rollouts-de-rl-para-ae5fe3.md) - Paper descreve decodificação especulativa autoespeculativa e adaptada ao sistema para rollouts de RL em LLMs. O resumo informa ganhos de até 19,6% na geração; outro número aparece truncado.
* [HASTE organiza skills para agentes de engenharia de ML](https://ai.exponencialadm.net/okf/pt/radar/haste-testa-skills-em-camadas-para-193fc9.md) - Publicado em 5 de julho de 2026, o registro descreve o HASTE, um sistema multiagente hierárquico. Em uma ablação com 159 skills e oito competições, o carregamento em níveis alcançou 100% de medalhas, contra 62,5% no carregamento plano.
* [HOLA adiciona cache de 64 tokens à atenção linear](https://ai.exponencialadm.net/okf/pt/radar/hola-adiciona-cache-de-64-tokens-6ce890.md) - Uma postagem descreve uma métrica de surpresa de tokens sem parâmetros e um cache de 64 tokens para reduzir o esquecimento catastrófico em atenção linear. Ela afirma superar baselines de atenção completa.
* [Taper cossenoidal melhora perplexidade sem ampliar orçamento](https://ai.exponencialadm.net/okf/pt/radar/modelos-de-linguagem-distribuem-capacidade-entre-90cf3c.md) - Paper investiga a distribuição de parâmetros entre camadas e relata menor perplexidade com um taper cossenoidal em várias arquiteturas e escalas, sem aumento de parâmetros ou FLOPs.
* [Pruning ou treino do zero para LLMs pequenos](https://ai.exponencialadm.net/okf/pt/radar/pruning-ou-treino-do-zero-para-a205f4.md) - Paper compara seis métodos de pruning do Llama-3.1-8B com treino do zero em dois cenários de orçamento de tokens. A vantagem depende de como o orçamento é contabilizado e da granularidade do pruning.
* [Ramificações locais para escalar LLMs na inferência](https://ai.exponencialadm.net/okf/pt/radar/ramificacoes-locais-para-escalar-llms-na-b427bd.md) - Publicado em 5 de julho de 2026, o material apresenta uma abordagem de ramificações locais para gerar previews de próximos tokens e selecionar um caminho antes de continuar a geração.
* [RL pós-treinamento: ajustar uma camada](https://ai.exponencialadm.net/okf/pt/radar/rl-pos-treinamento-ajustar-uma-camada-9c1a2a.md) - Um post sobre um paper relata que reforçar camadas intermediárias de alta contribuição pode igualar ou superar o RL com todos os parâmetros, alterando menos parâmetros.
* [RubricEM usa rubrics para orientar agentes de pesquisa](https://ai.exponencialadm.net/okf/pt/radar/rubricem-ensina-agentes-de-pesquisa-a-29b1cf.md) - Publicado em 5 de julho de 2026, o resumo descreve um método que treina agentes para criar rubrics e usá-los no planejamento, na busca, na revisão e na resposta.
* [Cornell oferece workshop sobre arquitetura de GPUs](https://ai.exponencialadm.net/okf/pt/radar/workshop-da-cornell-apresenta-arquitetura-de-dcfc0a.md) - O Cornell Virtual Workshop disponibiliza material de introdução estruturada à arquitetura de GPUs, tema que pode ajudar engenheiros a analisar o desempenho desses processadores.
* [Artigos e palestras sobre otimização de GPUs](https://ai.exponencialadm.net/okf/pt/radar/artigos-e-palestras-sobre-otimizacao-de-9c27fd.md) - Coleção de trabalhos de Vasily Volkov sobre desempenho de GPUs, com temas como desenrolamento de loops, ocultação de latência, álgebra linear densa e memória de GPU.
* [Sinais de recompensa podem divergir da intenção humana](https://ai.exponencialadm.net/okf/pt/radar/como-avaliar-recompensas-de-coding-agents-1a6d42.md) - Publicado em 4 de julho de 2026, o post descreve quatro sinais para avaliar coding agents e alerta que eles podem se afastar do que as pessoas pretendem.
* [FlowTracer rastreia informação para orientar o RL](https://ai.exponencialadm.net/okf/pt/radar/flowtracer-rastreia-informacao-para-orientar-o-a8cbe7.md) - O artigo apresenta um método que usa sinais de atenção para rastrear a propagação de informação no raciocínio de modelos de linguagem e identificar tokens influentes. Esses sinais podem orientar a atribuição de crédito no treinamento por reforço.
* [Entendendo o latency hiding em GPUs](https://ai.exponencialadm.net/okf/pt/radar/latency-hiding-como-gpus-mantem-o-f23db6.md) - Capítulo de Vasily Volkov, da UC Berkeley, aborda como GPUs ocultam latência e apresenta conceitos de arquitetura e desempenho.
* [Modelo de execução de GPU: capítulo para estudo](https://ai.exponencialadm.net/okf/pt/radar/modelo-de-execucao-de-gpu-capitulo-ddda65.md) - Um capítulo de Modern GPU Programming for MLSys apresenta o modelo de execução de GPU como tema de estudo para quem trabalha com programação moderna e sistemas de aprendizado de máquina.
* [TinyRouter testa roteamento entre modelos abertos](https://ai.exponencialadm.net/okf/pt/radar/tinyrouter-explora-o-roteamento-entre-modelos-89abdc.md) - Publicado em 4 de julho de 2026, o relato descreve um roteador de cerca de 10 mil parâmetros e resultados iniciais em benchmarks, ressaltando que são necessários mais experimentos.
* [HOLA propõe cache KV exato para atenção linear](https://ai.exponencialadm.net/okf/pt/radar/hola-combina-atencao-linear-e-cache-3e0591.md) - Publicado em 3 de julho de 2026, o resumo do artigo diz que HOLA combina um estado recorrente baseado na delta rule com um cache limitado e exato de key-values. Relata melhora na perplexidade do Wikitext e recall robusto de needles no RULER até 32k tokens.
* [Estudo avalia retrieval em contexto com milhões de tokens](https://ai.exponencialadm.net/okf/pt/radar/retrieval-in-context-em-escala-de-1a2c12.md) - Publicado em 3 de julho de 2026, o relato descreve um estudo sobre recuperação de respostas a partir de corpora extensos no contexto e generalização para comprimentos maiores.
* [Como programas linkados estaticamente iniciam no Linux](https://ai.exponencialadm.net/okf/pt/radar/como-programas-linkados-estaticamente-iniciam-no-ac04a5.md) - Publicado em 2 de julho de 2026, o texto de Eli Bendersky explica a execução de programas linkados estaticamente no Linux, com foco no que ocorre durante a inicialização.
* [Demo open source de voz em tempo real](https://ai.exponencialadm.net/okf/pt/radar/demo-open-source-de-voz-em-63b4d5.md) - Publicado em 2 de julho de 2026, o briefing descreve uma demonstração de voz em tempo real com modelos e código open source, compatível com WebSocket ou WebRTC.
* [Diffusion-GR2 busca acelerar reranking](https://ai.exponencialadm.net/okf/pt/radar/diffusion-gr2-acelera-reranking-com-raciocinio-9fd635.md) - Publicado em 2 de julho de 2026, o relato apresenta Diffusion-GR2, um modelo de block diffusion para reranking com raciocínio generativo. Segundo o post, sua acurácia de ranking fica próxima à do modelo autoregressivo, com decoding de 2,4 a 3,5 vezes mais rápido.
* [Vídeo apresenta etapas de attention em Transformers](https://ai.exponencialadm.net/okf/pt/radar/entenda-o-pipeline-de-attention-em-aba3d1.md) - Publicado em 2 de julho de 2026, o vídeo aborda Q/K/V, attention scores e blocos encoder. A descrição explica como queries são comparadas com keys para ponderar vetores value.
* [Entendendo o ocultamento de latência em GPUs](https://ai.exponencialadm.net/okf/pt/radar/entendendo-o-ocultamento-de-latencia-em-1dc6ce.md) - Material de Vasily Volkov, da UC Berkeley, explora conceitos de desempenho e arquitetura de GPUs pouco aprofundados em um conhecido livro sobre programação paralela.
* [Hard negatives com LLM em retrieval two-tower](https://ai.exponencialadm.net/okf/pt/radar/hard-negatives-com-llm-em-retrieval-134940.md) - Um paper propõe amostragem self-supervised de negativos difíceis para recomendação two-tower, usando clusters de itens derivados de LLM para gerar exemplos em tempo real.
* [Projeções QKV compartilhadas em Transformers](https://ai.exponencialadm.net/okf/pt/radar/projecoes-compartilhadas-em-transformers-o-que-fdd85e.md) - Publicado em 2 de julho de 2026, o registro descreve um estudo de variantes que compartilham projeções de atenção e relata que definir K igual a V foi excessivo para os LLMs ternários pequenos do autor.
* [RoPoLL propõe mediana geométrica para painéis de juízes LLM](https://ai.exponencialadm.net/okf/pt/radar/ropoll-agrega-avaliacoes-de-paineis-de-9b1eef.md) - Artigo formaliza painéis de avaliadores LLM sob um modelo de contaminação e propõe agregar pontuações pela mediana geométrica. Relata experimentos com 13 juízes e corrupção de até 50%.
* [Lista de leitura sobre Transformers e treinamento](https://ai.exponencialadm.net/okf/pt/radar/roteiro-de-leitura-sobre-transformers-e-9af6c3.md) - Publicada em 2 de julho de 2026, a lista reúne dez trabalhos em uma ordem sugerida sobre Transformers, scaling, few-shot learning, RLHF, LoRA, FlashAttention, chain-of-thought e DPO.
* [Exemplo de treinamento online de DSpark no Speculators](https://ai.exponencialadm.net/okf/pt/radar/treinamento-online-de-dspark-no-speculators-bd5faf.md) - Publicado em 2 de julho de 2026, o registro destaca um script de shell do Speculators para treinamento online de DSpark com Qwen3 0.6B e ShareGPT.
* [Trie acelera experimentos de pipelines de IR](https://ai.exponencialadm.net/okf/pt/radar/trie-reutiliza-etapas-em-pipelines-de-3aeb8f.md) - Artigo sobre um plano de execução com radix trie para PyTerrier, que reutiliza prefixos compartilhados de pipelines e relata reduções de até 26% no tempo dos experimentos.
* [Radar: catálogo de otimizações de compiladores](https://ai.exponencialadm.net/okf/pt/radar/um-catalogo-de-otimizacoes-para-compiladores-6e951d.md) - Um registro sobre o artigo de Frances Allen, publicado em 1971, que cataloga transformações de otimização de compiladores e lista passes atribuídos a Graydon Hoare.
* [Vocabulary Transfer e busca esparsa](https://ai.exponencialadm.net/okf/pt/radar/vocabulary-transfer-e-a-lacuna-de-efad92.md) - Nota de 2 de julho de 2026 sobre uma proposta para tratar lacunas de vocabulário em learned sparse retrieval com encoders avançados.
* [EMP usa tamanho efetivo da amostra para podar modelos](https://ai.exponencialadm.net/okf/pt/radar/effective-model-pruning-usa-tamanho-amostral-b58c94.md) - Pesquisadores da University of Florida e da Ohio University apresentam o Effective Model Pruning, método que usa o tamanho efetivo da amostra para calcular quantos componentes manter em redes neurais e modelos de linguagem.
* [Intel atualiza paper sobre proteções de memória](https://ai.exponencialadm.net/okf/pt/radar/intel-atualiza-paper-sobre-protecoes-de-7e7dce.md) - Em 1º de julho de 2026, foi divulgada a atualização do paper técnico da Intel sobre proteções de memória para confidential computing.
* [The Art of Debugging: livro aberto](https://ai.exponencialadm.net/okf/pt/radar/livro-aberto-apresenta-metodologia-de-depuracao-91c7d0.md) - Publicado em 1º de julho de 2026, o livro aberto tem cinco capítulos e está disponível em PDF e EPUB. O autor destaca a aplicação geral da metodologia de depuração, apesar do foco em Unix, Python e PyTorch.
* [Programas sintetizados aproximam attention heads](https://ai.exponencialadm.net/okf/pt/radar/programas-sintetizados-aproximam-attention-heads-41fe6e.md) - Post relata programas Python sintetizados a partir de mapas de atenção, com 69–79% de mean IoU em três modelos e pouca queda em QA ao substituir até 30–40% dos heads.
* [STEB avalia embeddings de estilo em 96 conjuntos](https://ai.exponencialadm.net/okf/pt/radar/steb-mede-embeddings-de-estilo-em-657279.md) - Benchmark open source compara embeddings de estilo em 96 conjuntos de dados e sete idiomas. O post relata desempenho inferior dos embeddings semânticos em tarefas estilísticas e nenhum modelo dominante.
* [Agentes no ARC-AGI-3 e aprendizado contínuo](https://ai.exponencialadm.net/okf/pt/radar/arc-agi-3-e-o-aprendizado-90aef2.md) - Post de 30 de junho de 2026 destaca que o aprendizado durante a inferência no ARC-AGI-3 leva agentes a construir e atualizar modelos internos das regras e mecânicas do ambiente.
* [Busca local-first: um framework para retrieval](https://ai.exponencialadm.net/okf/pt/radar/busca-local-first-um-framework-para-415e57.md) - Publicado em 30 de junho de 2026, o paper propõe organizar sistemas de recuperação de informação com índices, modelos e inferência nos dispositivos dos usuários, deixando serviços remotos como opcionais.
* [C++26 padroniza Hazard Pointers](https://ai.exponencialadm.net/okf/pt/radar/c-26-padroniza-hazard-pointers-para-cc1bb4.md) - Publicado em 30 de junho de 2026, o post afirma que C++26 padroniza Hazard Pointers, uma abordagem para adiar a exclusão de nós até que leitores concorrentes terminem de usá-los.
* [CAMI avalia índices de RAG sob orçamento](https://ai.exponencialadm.net/okf/pt/radar/cami-avalia-indices-de-rag-sob-9d127f.md) - Publicado em 30 de junho de 2026, o artigo CAMI trata a construção de múltiplos índices de enriquecimento semântico como uma seleção de portfólio com objetivos múltiplos e orçamento limitado.
* [RAG: estudo avalia técnicas de retrieval com reranker](https://ai.exponencialadm.net/okf/pt/radar/como-avaliar-melhorias-de-retrieval-em-b691d1.md) - Publicado em 30 de junho de 2026, o estudo examina técnicas de retrieval em RAG com um reranker cross-encoder forte e testa se ganhos relatados se mantêm em coleções variadas.
* [Como reduzir a diferença entre treino e inferência em RL para LLMs](https://ai.exponencialadm.net/okf/pt/radar/como-reduzir-a-diferenca-entre-treino-c8f85c.md) - Um artigo examina como engines separados podem atribuir probabilidades inconsistentes às mesmas trajetórias no post-training de LLMs e descreve TIS e a rejeição de atualizações de checkpoint.
* [Curso de Stanford aborda GPUs, CUDA e programação paralela](https://ai.exponencialadm.net/okf/pt/radar/curso-de-stanford-aborda-gpus-cuda-c9714b.md) - Publicado em 30 de junho de 2026, o registro apresenta um curso de Stanford com 19 aulas e 24 horas sobre arquitetura de GPU e CUDA, otimização de desempenho e arquiteturas multicore.
* [Distilação em duas fases para LLMs multitarefa](https://ai.exponencialadm.net/okf/pt/radar/distilacao-em-duas-fases-para-llms-ad0dab.md) - Publicado em 30 de junho de 2026, o resumo apresenta uma abordagem para consolidar especialistas de aprendizado por reforço em um modelo multitarefa, com etapas off-policy e on-policy.
* [Dockerless verifica patches sem executar código](https://ai.exponencialadm.net/okf/pt/radar/dockerless-avalia-patches-de-agentes-de-d8aa57.md) - Publicado em 30 de junho de 2026, o resumo apresenta o Dockerless, um verificador que avalia patches gerados por agentes de programação sem executá-los.
* [EvoRec propõe agentes para otimizar recomendadores](https://ai.exponencialadm.net/okf/pt/radar/evorec-agentes-para-otimizar-sistemas-de-a19033.md) - Publicado em 30 de junho de 2026, o resumo apresenta o EvoRec, framework multiagente que busca automatizar a otimização de sistemas de recomendação e reduzir a iteração manual.
* [HydraHead combina atenção por head](https://ai.exponencialadm.net/okf/pt/radar/hydrahead-combina-attention-por-head-c7c76b.md) - Publicado em 30 de junho de 2026, o post descreve uma arquitetura que combina Full Attention e Linear Attention no nível dos heads para modelos de contexto longo.
* [IW-OPD repondera tokens na destilação on-policy](https://ai.exponencialadm.net/okf/pt/radar/iw-opd-repondera-tokens-na-destilacao-49c0a2.md) - Publicação de 30 de junho de 2026 apresenta o IW-OPD, método que atribui mais peso aos tokens iniciais. Segundo o post, ele converge mais rápido e supera o OPD padrão em 6,9 pontos no AIME-2025.
* [KbSD propõe calibrar agentic search com self-distillation](https://ai.exponencialadm.net/okf/pt/radar/kbsd-calibra-decisoes-em-agentic-search-15543c.md) - Publicado em 30 de junho de 2026, o resumo apresenta o KbSD, um framework de self-distillation com supervisão densa por token para decisões de busca agentic. A descrição não informa resultados de avaliação.
* [Learning rate pode escalar de forma não linear](https://ai.exponencialadm.net/okf/pt/radar/learning-rate-pode-nao-escalar-linearmente-530fbc.md) - Artigo de 30 de junho de 2026 avalia a escala da learning rate em modelos no estilo GPT-2 e relata uma tendência ascendente para a taxa ótima.
* [Tradecraft Garden publica pesquisa sobre evasão e linking](https://ai.exponencialadm.net/okf/pt/radar/pesquisa-sobre-evasao-e-ferramentas-de-c98287.md) - Publicação de 30 de junho de 2026 apresenta o Crystal Palace, um linker com transformação e randomização de código, geração de regras YARA e módulos reutilizáveis de tradecraft.
* [Predição de desvios e desempenho de software](https://ai.exponencialadm.net/okf/pt/radar/predicao-de-desvios-e-desempenho-de-4f52a2.md) - A Aula 17 da série Digital Design and Computer Architecture trata de predição avançada de desvios, um recurso de processadores que pode afetar o desempenho do software.
* [Agentes de código: limites dos sinais de recompensa](https://ai.exponencialadm.net/okf/pt/radar/recompensas-de-agentes-de-codigo-perdem-a6caf9.md) - Publicado em 30 de junho de 2026, o paper analisa aprovação em testes, avaliações por modelos de linguagem e traces de execução como sinais de recompensa para agentes de código.
* [DiscoBench avalia agentes de busca com LLMs](https://ai.exponencialadm.net/okf/pt/radar/discobench-testa-agentes-de-busca-diante-2a8d6d.md) - Publicado em 29 de junho de 2026, o DiscoBench é apresentado como um benchmark para testar agentes de busca com LLMs diante de pedidos vagos, pouco especificados ou factualmente incorretos. A descrição não informa resultados de desempenho.
* [Do nvcc à execução de um kernel CUDA](https://ai.exponencialadm.net/okf/pt/radar/do-nvcc-aos-warps-acompanhando-um-fdb1e4.md) - Artigo publicado em 29 de junho de 2026 acompanha um kernel de soma de vetores, da compilação com nvcc à execução pelos warps da GPU.
* [Programas para explicar attention heads](https://ai.exponencialadm.net/okf/pt/radar/estudar-attention-heads-com-programas-executaveis-a0a167.md) - Artigo publicado em 29 de junho de 2026 propõe aproximar componentes de redes profundas com programas executáveis, concentrando-se em attention heads de Transformers. O trabalho calcula matrizes de atenção em exemplos de treino selecionados aleatoriamente usando um modelo de linguagem pré-treinado.
* [Paper Assistant e a revisão científica em escala](https://ai.exponencialadm.net/okf/pt/radar/paper-assistant-e-a-revisao-cientifica-69c9d3.md) - Um artigo trata a escalabilidade da revisão científica como um desafio de sistemas e propõe quatro níveis de colaboração entre IA e pessoas, além de discutir o Google Paper Assistant como ferramenta inicial.
* [Paper Assistant e a revisão científica assistida por IA](https://ai.exponencialadm.net/okf/pt/radar/paper-assistant-propoe-revisao-cientifica-assistida-6f0bdf.md) - Publicado em 29 de junho de 2026, o material apresenta um paper que propõe uma taxonomia para revisão científica assistida por IA e descreve um sistema voltado à detecção de erros e à revisão de manuscritos.
* [Paper explica heads de atenção com programas Python](https://ai.exponencialadm.net/okf/pt/radar/programas-python-ajudam-a-explicar-heads-50735b.md) - Técnica automatizada de interpretabilidade descreve heads de atenção de Transformers como programas Python; substituir cerca de 40% dos padrões em Llama-3B quase não afetou o desempenho em tarefas.
* [Red Queen Gödel Machine coevolui agentes e avaliadores](https://ai.exponencialadm.net/okf/pt/radar/red-queen-godel-machine-coevolui-agentes-c2206b.md) - Um método de autoaperfeiçoamento evolui um agente e seu avaliador, mantendo avaliadores fixos por época e substituindo-os apenas após desempenho superior em dados reservados.
* [SHIFT propõe gates de ativação para conflitos em RAG](https://ai.exponencialadm.net/okf/pt/radar/shift-ajusta-ativacoes-para-lidar-com-cc1ac6.md) - Publicado em 29 de junho de 2026, o relato descreve o SHIFT, que acrescenta gates aprendíveis às ativações de redes FFN para equilibrar contexto recuperado e conhecimento paramétrico em situações de conflito.
* [Strix: pentest com IA em código aberto](https://ai.exponencialadm.net/okf/pt/radar/strix-pentest-com-ia-em-codigo-9adf8a.md) - Publicado em 29 de junho de 2026, o registro apresenta Strix como uma ferramenta open source de teste de intrusão com IA para localizar e corrigir vulnerabilidades em aplicações.
* [VulHunt: detecção de vulnerabilidades em binários](https://ai.exponencialadm.net/okf/pt/radar/vulhunt-pesquisa-para-detectar-vulnerabilidades-em-c61412.md) - Publicado em 29 de junho de 2026, o registro apresenta o VulHunt, framework da equipe de REsearch da Binarly, e menciona uma série de posts com um exemplo de detecção de execução remota de código no rsync.
* [Geometria das representações aritméticas em LLMs](https://ai.exponencialadm.net/okf/pt/radar/a-geometria-interna-da-aritmetica-em-dab4ad.md) - Publicado em 28 de junho de 2026, o trabalho analisa representações durante somas com vários operandos e propõe uma explicação geométrica para carries e erros aritméticos em LLMs.
* [Análise black-box do chip seguro MJA1 da Xiaomi](https://ai.exponencialadm.net/okf/pt/radar/como-analisar-um-chip-seguro-sem-8b3138.md) - Publicado em 28 de junho de 2026, o trabalho da Quarkslab descreve a análise do chip MJA1, do tráfego I2C e do firmware, e avalia suas propriedades de segurança.
* [Raciocínio e conhecimento armazenado em LLMs](https://ai.exponencialadm.net/okf/pt/radar/como-o-raciocinio-pode-revelar-conhecimento-c724a1.md) - Publicado em 28 de junho de 2026, o texto do Google Research examina como o raciocínio pode ajudar LLMs a acessar conhecimento armazenado em seus pesos.
* [CTF ARM/AARCH64 reúne 29 técnicas de exploração](https://ai.exponencialadm.net/okf/pt/radar/ctf-arm-reune-29-tecnicas-de-77ebcf.md) - Atualizado em 28 de junho de 2026, o repositório exploit_me oferece um aplicativo vulnerável ARM/AARCH64 para prática de exploração no estilo CTF. O autor afirma ter removido símbolos óbvios para fine-tuning de LLMs.
* [DreamSmooth suaviza rewards esparsos em model-based RL](https://ai.exponencialadm.net/okf/pt/radar/dreamsmooth-suaviza-rewards-esparsos-em-model-c160cb.md) - Publicado em 28 de junho de 2026, o resumo apresenta uma proposta da ICLR para suavizar temporalmente rewards entre etapas de agentes de aprendizado por reforço baseado em modelos.
* [FUTEX_PRIVATE_FLAG pode reduzir overhead de locks](https://ai.exponencialadm.net/okf/pt/radar/futex-private-flag-pode-reduzir-overhead-f213e9.md) - Publicado em 28 de junho de 2026, o resumo afirma que FUTEX_PRIVATE_FLAG pode reduzir a latência de locks entre threads do mesmo processo ao permitir que o kernel ignore uma tabela hash global compartilhada.
* [Red Queen Gödel Machine coevolui agentes e avaliadores](https://ai.exponencialadm.net/okf/pt/radar/red-queen-godel-machine-coevolui-agentes-66a281.md) - Um paper propõe incluir avaliadores no autoaperfeiçoamento recursivo de agentes, em vez de presumir que verificadores, benchmarks ou dados rotulados permaneçam fixos.
* [Uma lista selecionada de livros de computação](https://ai.exponencialadm.net/okf/pt/radar/uma-lista-selecionada-de-livros-de-64c85d.md) - Uma página atribuída a Brendan Gregg reúne livros selecionados de diversas áreas da computação e pode ajudar engenheiros a encontrar recomendações de leitura.
* [BINEVAL torna avaliações de LLMs mais interpretáveis](https://ai.exponencialadm.net/okf/pt/radar/bineval-torna-avaliacoes-de-llms-mais-8b1ec2.md) - O método divide critérios em perguntas de sim ou não e agrega as respostas em pontuações multidimensionais. Segundo o relato, sem treinamento, igualou ou superou dois métodos em três conjuntos de dados.
* [Exemplos de Linux perf para profiling e debugging](https://ai.exponencialadm.net/okf/pt/radar/exemplos-de-linux-perf-para-profiling-6c0255.md) - Uma referência prática para explorar Linux perf (perf_events) na análise de desempenho e no debugging de sistemas Linux, com fontes de eventos variadas.
* [iLLaDA treina modelo de difusão de 8B](https://ai.exponencialadm.net/okf/pt/radar/illada-treina-modelo-de-difusao-de-7c9350.md) - Artigo relata o treinamento de um Transformer de 8 bilhões de parâmetros com difusão mascarada bidirecional em 12 trilhões de tokens e compara seus resultados com modelos autoregressivos.
* [O caminho de um pacote pelo kernel do Linux](https://ai.exponencialadm.net/okf/pt/radar/o-caminho-de-um-pacote-pelo-9471a5.md) - Uma publicação aponta para um PDF sobre o percurso de pacotes pelo kernel do Linux e sua utilidade para analisar o comportamento de rede.
* [Por que a utilização de CPU pode enganar](https://ai.exponencialadm.net/okf/pt/radar/por-que-a-utilizacao-de-cpu-61fce3.md) - Em artigo publicado em 27 de junho de 2026, Brendan Gregg aborda as limitações da utilização de CPU como métrica para avaliar o desempenho de sistemas.
* [Survey mapeia agentes que evoluem com a experiência](https://ai.exponencialadm.net/okf/pt/radar/survey-aborda-agentes-que-evoluem-com-7ca482.md) - Publicado em 27 de junho de 2026, o survey e uma lista relacionada tratam de como agentes em produção transformam traces de interação em capacidades duráveis, da self-evolution à meta-evolution.
* [Tokens do Windows e escalação de privilégios](https://ai.exponencialadm.net/okf/pt/radar/tokens-de-acesso-do-windows-e-d4858f.md) - Post de 27 de junho de 2026 explica a estrutura _TOKEN do kernel do Windows e sua relação com identidade, atributos de segurança e escalação de privilégios.
* [Survey examina avaliação da memória de agentes](https://ai.exponencialadm.net/okf/pt/radar/como-avaliar-benchmarks-de-memoria-para-0896b3.md) - Artigo analisa a evolução da memória de agentes de modelos de linguagem e aponta limites comuns nas avaliações atuais, que tendem a usar métricas de tarefas completas e tratar a memória como uma caixa-preta.
* [Aula aborda linking, loading e código independente de posição](https://ai.exponencialadm.net/okf/pt/radar/linking-loading-e-codigo-independente-de-be451c.md) - Uma aula de Anton Burtsev, da University of California, Irvine, trata de linking e loading com código independente de posição, tema relevante para layout de executáveis e hardening de segurança.
* [NOVA explora agents para evoluir sistemas de recomendação](https://ai.exponencialadm.net/okf/pt/radar/nova-explora-agents-com-verificacao-em-fe6986.md) - Publicado em 26 de junho de 2026, o resumo apresenta o NOVA, um harness de agents que propõe mudanças em arquiteturas de recomendação sob restrições do domínio.
* [TAPA propõe codificação posicional sensível a tokens](https://ai.exponencialadm.net/okf/pt/radar/tapa-propoe-atencao-de-fase-sensivel-a1e91c.md) - Artigo apresenta o Token-Aware Phase Attention (TAPA), método de codificação posicional com função de fase treinável, e analisa o viés do RoPE dependente da distância. A publicação informa uma comparação de desempenho em contextos longos.
* [YaFF propõe serialização zero-copy para Protobuf](https://ai.exponencialadm.net/okf/pt/radar/yaff-propoe-serializacao-zero-copy-para-a13787.md) - A biblioteca YaFF, desenvolvida em C++, oferece um formato wire zero-copy para o ecossistema Protobuf. Engenheiros podem consultar sua implementação e documentação ao avaliar opções de serialização.
* [Autodata propõe agents para criar dados de treino e avaliação](https://ai.exponencialadm.net/okf/pt/radar/autodata-estrutura-agentes-para-criar-e-dc926c.md) - Publicado em 25 de junho de 2026, o texto apresenta o Autodata, método em etapas no qual agents de IA atuam como cientistas de dados para criar e analisar dados de treino e avaliação, com meta-otimização.
* [AutoDecompiler explora RL para decompilação iterativa](https://ai.exponencialadm.net/okf/pt/radar/autodecompiler-explora-rl-para-decompilacao-iterativa-470638.md) - O AutoDecompiler é descrito como um modelo otimizado por aprendizado por reforço que usa feedback em várias etapas para decompilar, em contraste com abordagens de etapa única.
* [Radar: internals do malloc no glibc](https://ai.exponencialadm.net/okf/pt/radar/entenda-os-internals-do-malloc-no-f82cf3.md) - Publicação de 25 de junho de 2026 aponta para a wiki do glibc sobre os internals do malloc e destaca sua utilidade para analisar o comportamento da alocação de memória.
* [Radar: por dentro do glibc malloc](https://ai.exponencialadm.net/okf/pt/radar/entendendo-os-internals-do-glibc-malloc-d8a7f5.md) - Artigo publicado em 25 de junho de 2026 apresenta aspectos internos do alocador glibc malloc, incluindo como a heap é obtida do kernel e como a memória é gerenciada.
* [Framework compara abordagens de RAG em dados semiestruturados](https://ai.exponencialadm.net/okf/pt/radar/framework-compara-quatro-abordagens-de-rag-af2be0.md) - Paper publicado em 25 de junho de 2026 apresenta um framework para comparar RAG regular, Graph, Modular e Agentic em bases semiestruturadas, com nove cenários padronizados.
* [FuncAttn leva attention funcional a dados contínuos](https://ai.exponencialadm.net/okf/pt/radar/funcattn-aplica-attention-funcional-a-dados-da051c.md) - Publicado em 25 de junho de 2026, o texto apresenta o FuncAttn, método que aplica attention entre espaços de funções e relata resultados em soluções de PDEs, segmentação 3D e regressão.
* [iLLaDA: modelo de difusão mascarada com 8B](https://ai.exponencialadm.net/okf/pt/radar/illada-difusao-mascarada-em-um-modelo-74df6b.md) - Publicado em 25 de junho de 2026, o registro apresenta o iLLaDA, um modelo de linguagem de difusão mascarada com 8 bilhões de parâmetros, treinado do zero com atenção totalmente bidirecional.
* [Ornith-1.0 apresenta modelos abertos para coding agentic](https://ai.exponencialadm.net/okf/pt/radar/ornith-1-0-apresenta-modelos-abertos-83bf14.md) - Publicado em 25 de junho de 2026, Ornith-1.0 é uma família de modelos abertos de 9 bilhões a 397 bilhões de parâmetros, treinada com reinforcement learning para aprimorar código e os scaffolds que orientam sua produção.
* [PostTrainBench: GLM 5.2 lidera o ranking](https://ai.exponencialadm.net/okf/pt/radar/posttrainbench-poe-glm-5-2-no-aeadb3.md) - Publicado em 25 de junho de 2026, o relato aponta 34,29% para GLM 5.2 (Max reasoning), ante 34,08% para Opus 4.8 Max, e zero falhas em 84 tentativas do GLM 5.2.
* [Reversecore_MCP automatiza engenharia reversa](https://ai.exponencialadm.net/okf/pt/radar/reversecore-mcp-leva-agentes-de-ia-2657b1.md) - Publicado em 25 de junho de 2026, o registro descreve um servidor MCP para agentes de IA com ferramentas de análise de binários, malware e vulnerabilidades.
* [Roadmap de engenharia reversa e análise de malware](https://ai.exponencialadm.net/okf/pt/radar/roadmap-de-engenharia-reversa-e-analise-5da265.md) - Briefing publicado em 25 de junho de 2026 sobre um roadmap no GitHub que reúne tópicos e ferramentas de engenharia reversa e análise de malware.
* [Vídeo apresenta LoRA e métodos de fine-tuning](https://ai.exponencialadm.net/okf/pt/radar/video-apresenta-lora-e-metodos-de-772f68.md) - Publicado em 25 de junho de 2026, o vídeo apresenta LoRA, LoRA+, QLoRA, VeRA e DoRA como métodos relacionados de fine-tuning eficiente em parâmetros.
* [Código iterativo melhora previsões científicas](https://ai.exponencialadm.net/okf/pt/radar/codigo-automatizado-aprimora-previsoes-cientificas-6a6c0c.md) - Estudo publicado na Nature avaliou geração e teste repetidos de código para previsão científica em seis áreas. Entre 55 combinações de métodos existentes, 24 superaram os dois métodos de origem.
* [NatureBench avalia agentes de código em 90 tarefas](https://ai.exponencialadm.net/okf/pt/radar/naturebench-avalia-agentes-de-codigo-em-ffd0d1.md) - Publicado em 24 de junho de 2026, o briefing descreve um benchmark baseado em 90 tarefas de artigos da família Nature. O melhor agente superou o resultado publicado de referência em 17,8% das tarefas, segundo o post.
* [Rede neural física de metasuperfícies treinada sem modelos digitais](https://ai.exponencialadm.net/okf/pt/radar/rede-fisica-aprende-sem-modelo-digital-29635f.md) - Artigo da Nature Communications descreve uma rede neural física com quatro metasuperfícies programáveis que aprende por interações eletromagnéticas, sem depender de modelos digitais.
* [Riot anuncia o Vanguard On-Demand](https://ai.exponencialadm.net/okf/pt/radar/riot-anuncia-o-vanguard-on-demand-24fdd9.md) - Em 24 de junho de 2026, a Riot anunciou uma opção para executar o Vanguard apenas durante o jogo, condicionada à ativação de recursos específicos de segurança do dispositivo.
* [RL de longo horizonte: PPO ou GRPO?](https://ai.exponencialadm.net/okf/pt/radar/rl-de-longo-horizonte-quando-ppo-20012f.md) - Post publicado no Zhihu em 24 de junho de 2026 compara o uso de GRPO e PPO em tarefas de aprendizado por reforço com LLMs, destacando desafios de atribuição de crédito em rollouts agentic longos e ruidosos.
* [Teoria efetiva para entender redes neurais profundas](https://ai.exponencialadm.net/okf/pt/radar/teoria-efetiva-para-entender-redes-neurais-19f0b7.md) - Livro publicado em 24 de junho de 2026 apresenta uma abordagem teórica para relacionar a estrutura e o treinamento de redes profundas ao comportamento de seus modelos.
* [TMAX treina agentes de terminal em ambientes Dockerizados](https://ai.exponencialadm.net/okf/pt/radar/tmax-treina-agentes-de-terminal-em-4a8741.md) - Post publicado em 24 de junho de 2026 descreve 14,6 mil ambientes Dockerizados de aprendizado por reforço e uma receita DPPO baseada apenas em resultados. Relata 27% no Terminal-Bench 2.0 para um modelo 9B.
* [Transformer Cookbook explora algoritmos nos pesos de transformers](https://ai.exponencialadm.net/okf/pt/radar/transformer-cookbook-algoritmos-nos-pesos-bce29d.md) - Publicado em 24 de junho de 2026, o Transformer Cookbook apresenta uma abordagem para codificar algoritmos nos pesos de transformers, seguindo um artigo sobre RASP.
* [Índice compara modelos Speech-to-Speech](https://ai.exponencialadm.net/okf/pt/radar/indice-compara-modelos-de-fala-em-811c30.md) - Publicado em 23 de junho de 2026, o índice combina três benchmarks para comparar modelos nativos de Speech-to-Speech em raciocínio em fala, dinâmica conversacional e desempenho agêntico.
* [Infraestrutura para RL em MoE com trilhões de parâmetros](https://ai.exponencialadm.net/okf/pt/radar/infraestrutura-para-rl-em-moe-com-879171.md) - Um briefing sobre técnicas de infraestrutura para escalar workloads de aprendizado por reforço em grandes modelos MoE, incluindo FP8 e paralelismo.
* [Livro reúne técnicas modernas de programação de GPUs para ML](https://ai.exponencialadm.net/okf/pt/radar/livro-reune-tecnicas-modernas-de-programacao-713d7e.md) - Material online baseado em uma minissérie do curso de ML Systems da CMU aborda data layout swizzling, 3D TMA e programação para Blackwell.
* [OCR para documentos longos: modelo processa mais de 40 páginas](https://ai.exponencialadm.net/okf/pt/radar/ocr-de-documentos-longos-em-uma-eb6fb9.md) - Publicado em 23 de junho de 2026, o relato apresenta um modelo de OCR open source que processa documentos com mais de 40 páginas em uma passagem e informa resultados nos benchmarks OmniDocBench v1.5 e v1.6.
* [Proposta explora reasoning sem retreinar o modelo](https://ai.exponencialadm.net/okf/pt/radar/reasoning-verificado-sem-atualizar-pesos-1d2157.md) - Post de 23 de junho de 2026 propõe recuperar raciocínios verificados de um pool externo para um LLM congelado. A verificação e a implantação seguem como desafios, e não se sabe se a abordagem alcança ganhos comparáveis aos de RL.
* [Aprendendo sobre o kernel Linux com ftrace](https://ai.exponencialadm.net/okf/pt/radar/aprenda-tracing-do-kernel-linux-com-613e16.md) - Uma sessão de 2018 de Steven Rostedt apresenta o tracing do kernel Linux com ftrace e aborda arquitetura de computadores, memória virtual, tabelas de páginas e a interação entre programas e o kernel.
* [LocalVQE Pi V1 promete limpar áudio no Raspberry Pi 5](https://ai.exponencialadm.net/okf/pt/radar/localvqe-pi-v1-limpeza-de-audio-8cb000.md) - Publicado em 22 de junho de 2026, o anúncio descreve um modelo de 49 mil parâmetros para cancelamento de eco, supressão de ruído e redução de reverberação. A postagem alega desempenho 21 vezes superior ao tempo real em um núcleo do Raspberry Pi 5.
* [PPO e GRPO em tarefas de longo horizonte](https://ai.exponencialadm.net/okf/pt/radar/ppo-ou-grpo-em-tarefas-de-9c22ee.md) - Publicado em 21 de junho de 2026, o post argumenta que o PPO pode ser mais adequado que o GRPO em tarefas longas, citando desafios de sincronização e a perda de efeito da redução de variância baseada em grupos.
* [PufferLib 4.0 relata escala em múltiplas GPUs](https://ai.exponencialadm.net/okf/pt/radar/pufferlib-4-0-relata-escala-multi-889eb3.md) - Publicação de 21 de junho de 2026 relata escala de 6,6× em oito GPUs num teste de pior caso e throughput acima de 100 milhões de steps por segundo em oito RTX 5090.
* [Shared libraries: orientações para engenheiros](https://ai.exponencialadm.net/okf/pt/radar/shared-libraries-orientacoes-para-engenheiros-f7110d.md) - Uma publicação destaca a obra “How to Write Shared Libraries”, de Ulrich Drepper, como referência sobre criação e uso de bibliotecas compartilhadas.
* [Turn-PPO para agentes multi-turn](https://ai.exponencialadm.net/okf/pt/radar/turn-ppo-e-o-treinamento-de-98e63b.md) - Um artigo apresenta o Turn-PPO, método de estimativa de vantagem por turno que usa PPO para treinamento por reinforcement learning de LLMs agentic em tarefas multi-turn.
* [Parsing de JSON e SIMD em alto throughput](https://ai.exponencialadm.net/okf/pt/radar/parsing-de-json-e-simd-em-1f2594.md) - Uma publicação recomenda explorar parsing de JSON em velocidades de gigabytes por segundo e um texto complementar para entender SIMD, tema útil a engenheiros interessados em alto throughput.
* [Palestra aborda ABIs e interoperabilidade entre linguagens](https://ai.exponencialadm.net/okf/pt/radar/abis-como-linguagens-se-comunicam-4fefce.md) - Em palestra, Shung-Hsi Yu discute como interfaces binárias de aplicação (ABIs) permitem a comunicação entre linguagens, incluindo layout de dados, versionamento de símbolos e FFI.
* [ARGUS investiga lentidão em treinamentos de grande escala](https://ai.exponencialadm.net/okf/pt/radar/argus-busca-diagnosticar-lentidao-em-treinamentos-ee2d8d.md) - Paper publicado no arXiv em 19 de junho de 2026 descreve o ARGUS, que combina dados de CPU, do framework e de kernels de GPU para diagnosticar lentidão, com overhead contínuo abaixo de 2%.
* [Teste proposto para mitigações de reward hacking](https://ai.exponencialadm.net/okf/pt/radar/como-comparar-mitigacoes-de-reward-hacking-ce2ad5.md) - Publicado em 19 de junho de 2026, o resumo apresenta uma pergunta sobre como comparar duas formas de mitigar reward hacking; não relata resultados de um teste.
* [Radar: Como escrever bibliotecas compartilhadas](https://ai.exponencialadm.net/okf/pt/radar/como-escrever-bibliotecas-compartilhadas-um-documento-5786c4.md) - Documento de 19 de junho de 2026 sobre como escrever bibliotecas compartilhadas, apresentado como contexto útil para engenheiros que trabalham com esse tipo de biblioteca.
* [OpenMythos propõe Transformer de profundidade recorrente](https://ai.exponencialadm.net/okf/pt/radar/openmythos-explora-transformers-de-profundidade-recorrente-73a623.md) - Publicado em 19 de junho de 2026, o projeto apresenta uma reconstrução teórica e inspecionável de hipóteses sobre profundidade recorrente, experts esparsos e interrupção adaptativa por token.
* [Post compara eficiência de OPD e RL](https://ai.exponencialadm.net/okf/pt/radar/post-compara-eficiencia-de-opd-e-ed494e.md) - Publicado em 19 de junho de 2026, um post afirma que OPD usa computação e amostras com mais eficiência que RL. O resumo disponível não apresenta métricas nem resultados detalhados.
* [slime: framework aberto para pós-treinamento de LLMs](https://ai.exponencialadm.net/okf/pt/radar/slime-framework-aberto-para-pos-treinamento-1196a1.md) - Publicado em 19 de junho de 2026, o projeto slime, da THUDM, descreve um framework open source para pós-treinamento de modelos de linguagem com aprendizado por reforço e scaling.
* [VoiceGate propõe dublagem multilíngue no ComfyUI](https://ai.exponencialadm.net/okf/pt/radar/voicegate-reune-etapas-de-dublagem-multilingue-f1e7f8.md) - Publicado em 19 de junho de 2026, o projeto combina transcrição, tradução, síntese de fala e alinhamento por timestamps de SRT para dublar vídeos.
* [AutoResearch automatiza experimentos de RL em GPU](https://ai.exponencialadm.net/okf/pt/radar/autoresearch-automatiza-experimentos-de-rl-244096.md) - Publicado em 18 de junho de 2026, o relato descreve um framework que planejou experimentos em GPU e automatizou etapas de um fluxo de aprendizagem por reforço.
* [Capítulo 8 apresenta componentes do Transformer](https://ai.exponencialadm.net/okf/pt/radar/como-estudar-a-arquitetura-transformer-pelo-0182c3.md) - Publicado em 18 de junho de 2026, o capítulo 8 de Speech and Language Processing percorre componentes do Transformer, da intuição à formulação matricial.
* [Pesquisa aponta tráfego em texto claro em links GEO](https://ai.exponencialadm.net/okf/pt/radar/pesquisa-alerta-para-trafego-sem-criptografia-2a0194.md) - Pesquisa publicada em 18 de junho de 2026 relata que uma parcela significativa do tráfego por satélites GEO pode ser interceptada, pois segue em texto claro; equipamentos para isso seriam relativamente acessíveis.
* [Post anuncia exploit de bootrom para chips da Apple](https://ai.exponencialadm.net/okf/pt/radar/post-anuncia-exploit-de-bootrom-para-b27234.md) - Um post de 18 de junho de 2026 afirma que foi lançado um exploit de bootrom para dispositivos A12, A13, S4/S5 e A12X/Z; esses dispositivos ainda não haviam sido testados.
* [Ubuntu anuncia o Project Myna para ditado no desktop](https://ai.exponencialadm.net/okf/pt/radar/project-myna-mira-ditado-local-no-3502b7.md) - Anunciado em 18 de junho de 2026, o Project Myna pretende levar ditado por voz ao Ubuntu Desktop, com texto inserido no aplicativo ativo. O fluxo está previsto para o Ubuntu 26.10, e a descrição informa que o processamento será local.
* [Reflection do C++26 em um printer universal](https://ai.exponencialadm.net/okf/pt/radar/reflection-do-c-26-para-criar-723b7e.md) - Lieven de Cock demonstra um uso de reflection do C++26 para inspecionar e imprimir informações sobre membros de classes.
* [RL para comportamentos benéficos em diferentes domínios](https://ai.exponencialadm.net/okf/pt/radar/rl-para-comportamentos-beneficos-em-diferentes-19250c.md) - Um relato sobre treinamento com reinforcement learning afirma que o foco em comportamentos benéficos melhorou o alinhamento em diferentes domínios e resistiu à pressão adversarial.
* [Radar: curso autodirigido de compiladores da Cornell](https://ai.exponencialadm.net/okf/pt/radar/curso-autodirigido-de-compiladores-avancados-115bab.md) - Uma listagem datada de 17 de junho de 2026 apresenta o CS 6120, curso autodirigido da Cornell sobre compiladores avançados, para estudo no próprio ritmo.
* [Deli AutoResearch automatiza experimentos de RL](https://ai.exponencialadm.net/okf/pt/radar/deli-autoresearch-automatiza-experimentos-de-rl-55a1a1.md) - Framework open source de agentes afirma automatizar várias etapas de workflows de pesquisa em aprendizado por reforço, incluindo experimentos em GPU.
* [Hunting autônomo de vulnerabilidades com MCP](https://ai.exponencialadm.net/okf/pt/radar/hunting-autonomo-de-vulnerabilidades-com-mcp-be1d39.md) - Artigo da ZephrSec aborda o uso de MCP para hunting autônomo de vulnerabilidades com LLMs, tema de interesse para engenheiros que pesquisam abordagens para essa atividade.
* [Notas de compiladores: curso CS 4120 de Cornell](https://ai.exponencialadm.net/okf/pt/radar/notas-de-compiladores-curso-cs-4120-8f34c7.md) - As notas do curso CS 4120/ENGRD 4120 de Cornell são apresentadas como uma introdução a compiladores e um recurso para engenheiros que estão aprendendo o tema.
* [PaddleOCR 3.7 amplia opções de execução de OCR](https://ai.exponencialadm.net/okf/pt/radar/paddleocr-3-7-amplia-opcoes-de-cb1cfa.md) - Publicado em 17 de junho de 2026, o anúncio do PaddleOCR 3.7 destaca um backend ONNX Runtime e opções de inferência em CPU e GPU. O texto afirma que modelos PP-OCRv6 podem ser até 3,9 vezes mais rápidos em CPU.
* [Atenção eficiente em arquiteturas híbridas](https://ai.exponencialadm.net/okf/pt/radar/atencao-eficiente-em-arquiteturas-hibridas-0bb0b6.md) - Uma análise examina como a atenção de janela deslizante e mixers recorrentes afetam capacidades, escalabilidade e decisões de arquitetura em modelos de linguagem híbridos.
* [NextLat prevê estados latentes de transformers](https://ai.exponencialadm.net/okf/pt/radar/nextlat-preve-estados-latentes-de-transformers-3d57c3.md) - Publicado em 16 de junho de 2026, o Next-Latent Prediction (NextLat) é apresentado como um método de aprendizado autossupervisionado que treina transformers a prever o próximo estado latente.
* [CVE-Genie promete automatizar a geração de exploits](https://ai.exponencialadm.net/okf/pt/radar/cve-genie-promete-automatizar-a-criacao-36bbe7.md) - Publicação de 15 de junho de 2026 descreve o CVE-Genie como uma ferramenta que geraria exploits funcionais a partir de vulnerabilidades conhecidas, usando algumas chamadas de API. A prévia consultada não apresenta mais detalhes para confirmar a alegação.
* [Dynamic Linear Attention adapta memória ao conteúdo dos tokens](https://ai.exponencialadm.net/okf/pt/radar/dynamic-linear-attention-adapta-memoria-aos-7c5e28.md) - Publicado em 15 de junho de 2026, o relato descreve uma técnica que ajusta a memória conforme a informação dos tokens e informa ganhos em benchmarks, throughput e uso de memória.
* [CppCon 2020: palestra sobre ponteiros e memória em C++](https://ai.exponencialadm.net/okf/pt/radar/ponteiros-e-memoria-em-c-fundamentos-2ba202.md) - Registro de uma palestra de Ben Saks na CppCon 2020 sobre ponteiros e memória, conceitos fundamentais para engenheiros de C++.
* [Programação paralela: desafios e caminhos](https://ai.exponencialadm.net/okf/pt/radar/programacao-paralela-como-enfrentar-os-desafios-cc2377.md) - Recurso publicado em 15 de junho de 2026 aborda desafios da programação paralela e maneiras de lidar com eles. Destaca como seus conceitos ajudam engenheiros a raciocinar sobre concorrência em kernels de GPU.
* [SFT em LLMs: efeitos explicados pelas interações](https://ai.exponencialadm.net/okf/pt/radar/sft-em-llms-efeitos-vistos-pelas-c40b4e.md) - Artigo publicado em 15 de junho de 2026 analisa como mudanças nas interações entre tokens podem ajudar a explicar por que o ajuste fino supervisionado beneficia redes menores, mas tem efeitos inconsistentes ou prejudiciais em LLMs.
* [Como o speculative decoding verifica tokens propostos](https://ai.exponencialadm.net/okf/pt/radar/speculative-decoding-tokens-propostos-e-verificados-4bd487.md) - Post de 15 de junho de 2026 explica a abordagem: um modelo draft rápido propõe tokens e um modelo target maior os verifica em paralelo.
* [Surfshark apresenta o protocolo VPN Dausos](https://ai.exponencialadm.net/okf/pt/radar/surfshark-apresenta-o-protocolo-vpn-dausos-23711d.md) - A Surfshark descreve o Dausos como um novo protocolo VPN voltado a velocidade, segurança e eficiência, com uso de AEGIS-256X2.
* [Introdução a algoritmos paralelos](https://ai.exponencialadm.net/okf/pt/radar/algoritmos-paralelos-conceitos-e-otimizacao-de-d16739.md) - Bookmark publicado em 14 de junho de 2026: um post indica um PDF introdutório e recomenda curso gratuito da Aalto sobre programação de computadores paralelos.
* [Curso da Aalto aborda programação paralela](https://ai.exponencialadm.net/okf/pt/radar/curso-da-aalto-aborda-programacao-paralela-68c784.md) - Publicado em 14 de junho de 2026, o curso prático da Aalto trata da engenharia de algoritmos para computadores paralelos modernos, incluindo CPUs multicore e GPUs.
* [Índice reúne pesquisas sobre LLMs e vulnerabilidades](https://ai.exponencialadm.net/okf/pt/radar/pesquisas-sobre-llms-na-deteccao-de-86a21e.md) - Publicado em 14 de junho de 2026, o índice reúne pesquisas sobre o uso de modelos de linguagem para detectar vulnerabilidades em software, de análises de funções a repositórios e abordagens agentic.
* [Valgrind: debugging e profiling de programas](https://ai.exponencialadm.net/okf/pt/radar/valgrind-debugging-e-profiling-de-programas-8dda23.md) - A suíte Valgrind ajuda engenheiros a investigar bugs de gerenciamento de memória e de threading, além de realizar profiling detalhado de programas.
* [Estratégias de alocação de memória](https://ai.exponencialadm.net/okf/pt/radar/estrategias-de-alocacao-de-memoria-31bba7.md) - Uma série de gingerBill apresenta estratégias de alocação de memória e pode ser útil a engenheiros que querem aprofundar seus conhecimentos sobre o tema.
* [C++: constexpr e programação em tempo de compilação](https://ai.exponencialadm.net/okf/pt/radar/c-constexpr-programacao-em-tempo-de-208f57.md) - Publicado em 12 de junho de 2026, o MC++ Blog apresenta o uso de constexpr para programar em tempo de compilação, com base nas C++ Core Guidelines.
* [Attention Matching compacta KV cache rapidamente](https://ai.exponencialadm.net/okf/pt/radar/compactacao-de-kv-cache-acelera-o-cf7d7f.md) - Publicação de 12 de junho de 2026 relata um método que cria KV caches compactos no espaço latente e preserva saídas de attention por head. Em alguns datasets, a compactação chegou a 50× em segundos, com perda mínima de qualidade.
* [Dicas de performance em C++ do Abseil](https://ai.exponencialadm.net/okf/pt/radar/dicas-de-performance-em-c-do-696b6c.md) - Um recurso do Abseil voltado a quem trabalha com performance em C++. A prévia identifica o Abseil como uma coleção open source de bibliotecas centrais para C++.
* [NIST destaca monitoramento contínuo na segurança de IA](https://ai.exponencialadm.net/okf/pt/radar/nist-defende-monitoramento-continuo-da-seguranca-b158eb.md) - Artigo publicado em 12 de junho de 2026 apresenta uma prova matemática que sustenta um modelo de segurança para sistemas de IA baseado em monitoramento e atualização contínuos, como alternativa a controles estáticos.
* [PP-OCRv6 chega em três tamanhos de modelo](https://ai.exponencialadm.net/okf/pt/radar/pp-ocrv6-traz-modelos-de-ocr-4df483.md) - Anunciada em 12 de junho de 2026, a série PP-OCRv6 inclui modelos Tiny, Small e Medium, com 1,5 milhão a 34,5 milhões de parâmetros. A PaddlePaddle informa suporte a 50 idiomas e inferência em CPU até 5,2 vezes mais rápida com OpenVINO.
* [Microsoft Research explora colaboração criptografada](https://ai.exponencialadm.net/okf/pt/radar/encrypted-spaces-explora-colaboracao-criptografada-8e8f07.md) - Publicado em 11 de junho de 2026, o registro descreve Encrypted Spaces, projeto de pesquisa sobre aplicações colaborativas com dados criptografados e operações verificáveis criptograficamente.
* [Patch propõe fila MPSC sem locks para io_uring](https://ai.exponencialadm.net/okf/pt/radar/patch-propoe-fila-fifo-mpsc-sem-65866a.md) - Publicado em 11 de junho de 2026, o patch do kernel Linux propõe adicionar ao io_uring uma fila FIFO lockless de múltiplos produtores e um consumidor.
* [PP-OCRv6 amplia opções para OCR multilíngue](https://ai.exponencialadm.net/okf/pt/radar/pp-ocrv6-amplia-opcoes-para-ocr-bd08ef.md) - O PP-OCRv6 tem versões com 1,5 milhão, 7,7 milhões e 34,5 milhões de parâmetros, suporte declarado a mais de 48 idiomas e foco em implantação em edge.
* [cvs-fast-export 2.1 corrige erro em blobs binários](https://ai.exponencialadm.net/okf/pt/radar/cvs-fast-export-2-1-corrige-4a7788.md) - Publicado em 10 de junho de 2026, o cvs-fast-export 2.1 corrige um erro de “delta inválido” ao processar blobs binários. A ferramenta converte históricos RCS ou CVS em um fluxo fast-import.
* [Locks do kernel no Real-time Ubuntu](https://ai.exponencialadm.net/okf/pt/radar/locks-do-linux-kernel-no-real-67a465.md) - A documentação do Real-time Ubuntu explica como locks do kernel protegem regiões críticas contra troca de contexto ou preempção, inclusive em sistemas SMP. O registro do Radar é de 10 de junho de 2026.
* [Cohere relata liderança em benchmark de fala](https://ai.exponencialadm.net/okf/pt/radar/modelo-aberto-de-fala-lidera-benchmark-2b815e.md) - Em 10 de junho de 2026, a Cohere afirmou que seu modelo aberto Cohere Transcribe ficou em primeiro lugar no novo benchmark Far-Field ASR. O resultado pode ajudar engenheiros a avaliar modelos de reconhecimento de fala.
* [Self-Harness: agentes refinam seus próprios harnesses](https://ai.exponencialadm.net/okf/pt/radar/self-harness-agentes-refinam-seus-proprios-81d479.md) - Paper examina agentes que analisam falhas e propõem mudanças pequenas em seus harnesses, aceitas apenas após testes de regressão. O estudo relata maior sucesso em dados não vistos do Terminal-Bench-2.0.
* [TTS aprimora leitura de dados estruturados](https://ai.exponencialadm.net/okf/pt/radar/tts-e-a-pronuncia-de-dados-fd5a42.md) - Atualização de modelo TTS relata melhora na pronúncia de palavras soletradas, siglas, e-mails, telefones e códigos. O anúncio cita comparações em tempo real com a versão anterior e outros modelos.
* [Guia aborda comportamento indefinido em C e C++](https://ai.exponencialadm.net/okf/pt/radar/comportamento-indefinido-em-c-e-c-a1c802.md) - Publicado em 9 de junho de 2026, o artigo apresenta um guia sobre comportamento indefinido em C e C++. A descrição não informa exemplos ou conclusões específicas.
* [Radar: documentação de locking do Linux Kernel](https://ai.exponencialadm.net/okf/pt/radar/documentacao-de-locking-do-linux-kernel-6c3bc9.md) - Publicado em 9 de junho de 2026, o material apresenta a documentação do Linux Kernel como guia sobre locking e práticas de concorrência no kernel.
* [Fork do DS4 habilita inferência distribuída em várias máquinas](https://ai.exponencialadm.net/okf/pt/radar/fork-amplia-inference-distribuida-em-varias-c38e57.md) - Publicado em 9 de junho de 2026, o fork descrito combina --tensor-parallel com --role para executar inferência distribuída em várias máquinas e GPUs.
* [Retrieval esparso reduz uso de KV cache em contexto longo](https://ai.exponencialadm.net/okf/pt/radar/retrieval-esparso-reduz-o-kv-cache-879556.md) - Publicação de 9 de junho de 2026 resume um paper sobre previsão de chunks de KV cache relevantes: os selecionados ficam na GPU e os demais são descarregados. O relato aponta footprint médio de 13,5% e redução de memória de até 90% em contexto de 500K.
* [Radar: semáforos e concorrência em sistemas](https://ai.exponencialadm.net/okf/pt/radar/semaforos-um-guia-para-estudar-concorrencia-7b4b4f.md) - Publicado em 9 de junho de 2026, o registro compartilha um PDF de *The Little Book of Semaphores*, de Allen B. Downey, sobre semáforos, um tema de concorrência relevante para programação de sistemas.
* [Tradução ao vivo via API: o que a documentação aborda](https://ai.exponencialadm.net/okf/pt/radar/traducao-ao-vivo-via-api-o-d2d935.md) - A documentação de uma API de conversação em tempo real aborda tradução ao vivo. O tema pode interessar a engenheiros que exploram experiências multilíngues por API.
* [UNITTS reúne inferência e benchmark de TTS open source](https://ai.exponencialadm.net/okf/pt/radar/unitts-reune-inferencia-e-benchmarking-de-bc0d6e.md) - Publicado em 9 de junho de 2026, o anúncio apresenta o UNITTS, toolkit para executar inferência e comparar modelos de conversão de texto em fala open source.
* [Dispatch: o impacto do compilador e da standard library](https://ai.exponencialadm.net/okf/pt/radar/dispatch-em-c-compiler-muda-o-4d8859.md) - Um post compara std::variant e virtual dispatch em diferentes versões do GCC. A prévia relata uma mudança de 28% mais lento no GCC 11 para 50% mais rápido no GCC 12, alterando apenas o compilador.
* [CAI: framework open source para operações de segurança com IA](https://ai.exponencialadm.net/okf/pt/radar/cai-framework-aberto-para-seguranca-com-400d67.md) - Publicado em 7 de junho de 2026, o CAI é descrito como um framework open source para operações de cibersegurança com IA, incluindo workflows multiagente, ferramentas de segurança e automação de CTF.
* [Referência organizada de C++ no cppreference](https://ai.exponencialadm.net/okf/pt/radar/como-consultar-uma-referencia-organizada-de-e9f677.md) - A página de referência do cppreference aborda a linguagem C++ e é descrita pelo autor como bem organizada. Engenheiros podem consultá-la ao trabalhar com recursos da linguagem.
* [Bootloaders: riscos, detecção e defesas](https://ai.exponencialadm.net/okf/pt/radar/bootloaders-riscos-deteccao-e-defesas-53b8a2.md) - Artigo publicado em 5 de junho de 2026 aborda superfícies de ataque, detecção de vulnerabilidades e defesas em firmware, sistemas operacionais e bootloaders monolíticos.
* [Concorrência em C++: palestra em duas partes](https://ai.exponencialadm.net/okf/pt/radar/concorrencia-em-c-palestra-em-duas-32b6eb.md) - Uma publicação recomenda a palestra de Fedor Pikus “Concurrency in C++: A Programmer’s Overview”, dedicada à concorrência em C++.
* [Concorrência em C++: visão geral para programadores](https://ai.exponencialadm.net/okf/pt/radar/concorrencia-em-c-uma-visao-geral-bd5d2d.md) - Uma palestra em duas partes, publicada em 5 de junho de 2026, apresenta uma visão geral de concorrência em C++ voltada a engenheiros.
* [Handles como alternativa a pointers](https://ai.exponencialadm.net/okf/pt/radar/handles-como-alternativa-a-ponteiros-9b2a8d.md) - Post publicado em 5 de junho de 2026 discute handles como alternativa a pointers, com contador de geração por slot para evitar colisões, em uma abordagem de gerenciamento de memória ligada a data-oriented design.
* [Gradbot testa respostas paralelas em voice agents](https://ai.exponencialadm.net/okf/pt/radar/modelos-em-paralelo-reduzem-pausas-em-b479b8.md) - Publicado em 5 de junho de 2026, o registro descreve uma contribuição comunitária ao Gradbot: um modelo transmite uma resposta curta ao sistema de voz enquanto outro raciocina e aciona ferramentas em segundo plano.
* [Campo do GPS pode expor metadados de logística criptográfica](https://ai.exponencialadm.net/okf/pt/radar/campo-do-gps-pode-expor-metadados-df8ee5.md) - Uma publicação afirma que um campo público de 176 bits da navegação GPS transporta payloads de alta entropia há anos. A hipótese de canal criptografado de controle ou distribuição de chaves ainda não foi comprovada.
* [Guia da Algorithmica sobre RAM e caches de CPU](https://ai.exponencialadm.net/okf/pt/radar/ram-e-caches-de-cpu-um-f4f03a.md) - Publicado em 4 de junho de 2026, o guia da Algorithmica aborda RAM e caches de CPU, temas ligados ao desempenho relacionado à memória.
* [Watchdog timers e confiabilidade embarcada](https://ai.exponencialadm.net/okf/pt/radar/watchdog-timers-e-confiabilidade-embarcada-37bb8e.md) - Uma breve referência sobre watchdog timers destaca sua relevância prática para engenheiros de software embarcado, sem detalhar configurações ou procedimentos.
* [Post alerta para workflows de intrusão orquestrados por IA](https://ai.exponencialadm.net/okf/pt/radar/alerta-workflows-de-intrusao-orquestrados-por-7921e1.md) - Publicado em 3 de junho de 2026, o post alerta que a orquestração de modelos com scanners, shells e outras ferramentas pode tornar workflows de intrusão mais repetíveis e baratos.
* [Por que fazer code reviews?](https://ai.exponencialadm.net/okf/pt/radar/code-reviews-qual-e-o-proposito-cef974.md) - A primeira parte da série de Arne Mertz explora razões para fazer — ou não fazer — revisões de código e oferece aos engenheiros uma base para avaliar seu propósito.
* [CppCon 2022: estratégias para C++ eficiente](https://ai.exponencialadm.net/okf/pt/radar/como-estudar-estrategias-de-eficiencia-em-a9ee57.md) - Registro publicado em 3 de junho de 2026 sobre uma apresentação de Jan Bielak na CppCon 2022, dedicada a estratégias para escrever programas C++ eficientes.
* [Criando um debugger do zero: série em oito partes](https://ai.exponencialadm.net/okf/pt/radar/criando-um-debugger-do-zero-uma-bf2035.md) - Uma série de blog em oito partes apresenta a criação de um debugger, da conexão a um processo ao trabalho com código-fonte e símbolos.
* [Série apresenta a criação de um debugger do zero](https://ai.exponencialadm.net/okf/pt/radar/debugger-do-zero-uma-serie-em-0c082b.md) - Publicada em 3 de junho de 2026, a série em oito partes aborda a criação de um debugger, da conexão a um processo ao tratamento de código-fonte e símbolos.
* [DFlash e MTP no Qwen3.6: benchmarks](https://ai.exponencialadm.net/okf/pt/radar/dflash-e-mtp-speculative-decoding-no-526e9c.md) - Artigo compara speculative decoding com DFlash e MTP, usando vLLM e llama.cpp em matemática, programação e chat. O desempenho varia conforme o modelo e a carga de trabalho.
* [Worm de pesquisa adapta ataques a vulnerabilidades](https://ai.exponencialadm.net/okf/pt/radar/worm-de-pesquisa-com-ia-adapta-6b8c74.md) - Publicação de 3 de junho de 2026 descreve um worm de pesquisa que usa um modelo de linguagem em máquinas comprometidas e adapta sua lógica de ataque. Em testes relatados, ele explorou sistemas e se replicou em alvos Linux, Windows e IoT.
* [Ataques de colisão contra SHA-2 avançam para 39 etapas](https://ai.exponencialadm.net/okf/pt/radar/ataques-de-colisao-contra-sha-2-337393.md) - Uma prévia relata um procedimento aprimorado de busca por colisões contra SHA-2, avançando de resultados anteriores de até 37 etapas para 39. O avanço não equivale a um ataque completo contra o algoritmo.
* [Série em oito partes ensina a criar um debugger](https://ai.exponencialadm.net/okf/pt/radar/como-estudar-a-construcao-de-um-5bfe46.md) - Publicada em 2 de junho de 2026, a série apresenta a construção de um debugger, da conexão a um processo ao tratamento de código-fonte e símbolos, com foco nos internos relevantes para desenvolvimento em C++.
* [Lista reúne recursos de cybersecurity](https://ai.exponencialadm.net/okf/pt/radar/lista-reune-recursos-de-ciberseguranca-2e272e.md) - Publicada em 2 de junho de 2026, a lista no GitHub reúne posts de blog, writeups, artigos acadêmicos e ferramentas de cybersecurity como ponto de partida para engenheiros.
* [Verificação de limites da stack em C](https://ai.exponencialadm.net/okf/pt/radar/verificacao-formal-de-limites-de-stack-df81f7.md) - Um artigo de 2014 aborda a verificação end-to-end dos limites de uso da stack em programas C, tema relevante para engenheiros que investigam limites de recursos de memória.
* [C++: guia de Agner Fog sobre acesso à memória](https://ai.exponencialadm.net/okf/pt/radar/c-guia-de-agner-fog-sobre-87b606.md) - A publicação recomenda o Capítulo 9 de *Optimizing Software in C++*, de Agner Fog, dedicado à otimização do acesso à memória. Veja como estudar o tema de forma prática.
* [Transformer em loop relata 100% no Sudoku-Extreme](https://ai.exponencialadm.net/okf/pt/radar/transformer-compacto-testa-deducao-em-sudoku-17c8ab.md) - Publicação de 1º de junho de 2026 descreve um transformer compacto com loop de 800 mil parâmetros que, segundo o relato, alcançou 100% no Sudoku-Extreme após 15 minutos de treinamento.
* [Radar: como interpretar declarações complexas em C](https://ai.exponencialadm.net/okf/pt/radar/como-interpretar-declaracoes-complexas-em-c-337310.md) - Publicação de 31 de maio de 2026 apresenta a regra direita-esquerda para interpretar uma declaração complexa em C e recomenda um livro de referência.
* [Benchmarks medem custo de condições raras](https://ai.exponencialadm.net/okf/pt/radar/como-medir-o-custo-de-condicoes-ec8133.md) - Publicado em 31 de maio de 2026, o artigo da Cloudflare analisa o custo de desempenho de cláusulas `if` pouco executadas e apresenta benchmarks em x86 e M1 para avaliar previsão de desvios e código condicional.
* [MogVMP desvirtualiza VMProtect 3.0–3.5](https://ai.exponencialadm.net/okf/pt/radar/mogvmp-converte-codigo-vmprotect-em-llvm-ec2a99.md) - Publicado em 31 de maio de 2026, MogVMP é apresentado como um desvirtualizador estático que converte código virtualizado pelo VMProtect para LLVM e remove a camada da máquina virtual por otimização.
* [C++ Annotations: referência abrangente de C++](https://ai.exponencialadm.net/okf/pt/radar/c-annotations-referencia-ampla-para-estudar-6c6bb6.md) - Publicado em 30 de maio de 2026, o livro de Frank B. Brokken é apresentado como uma referência atualizada de C++ com mais de 1.100 páginas.
* [Documentação dos schedulers do kernel Linux](https://ai.exponencialadm.net/okf/pt/radar/documentacao-dos-schedulers-do-kernel-linux-650439.md) - A documentação do kernel Linux descreve os schedulers disponíveis e serve de referência para investigar o escalonamento de processos e o desempenho do sistema.
* [Livro ensina compilação para ARM com TypeScript](https://ai.exponencialadm.net/okf/pt/radar/compiladores-na-pratica-gerando-codigo-para-c0301b.md) - Publicado em 29 de maio de 2026, o livro de Vladimir Keleshev apresenta fundamentos de compiladores e Assembly por meio de um subconjunto de TypeScript que gera código para ARM de 32 bits.
* [Guia prático de C++ bare metal](https://ai.exponencialadm.net/okf/pt/radar/guia-pratico-de-c-bare-metal-69b9d2.md) - Um recurso dedicado a C++ bare metal é indicado para engenheiros que buscam estudar programação de baixo nível. A fonte não detalha o conteúdo técnico do guia.
* [Livro apresenta programação em Assembly ARM64](https://ai.exponencialadm.net/okf/pt/radar/introducao-pratica-a-programacao-em-assembly-3f801f.md) - Publicado em 29 de maio de 2026, o livro de Perry Kivolowitz introduz a programação em Assembly para a ISA ARM de 64 bits, com práticas e ideias aplicáveis também a linguagens de alto nível.
* [SSD no navegador pode revelar atividade por timing](https://ai.exponencialadm.net/okf/pt/radar/timing-de-ssd-no-browser-pode-49964f.md) - Publicado em 29 de maio de 2026, o relato descreve medições de latência do SSD por meio do Origin Private File System em uma aba comum. O artigo informa 88% de precisão para identificar sites visitados e 95% para detectar aplicativos desktop iniciados.
* [More C++ Idioms: referência comunitária](https://ai.exponencialadm.net/okf/pt/radar/more-c-idioms-referencia-comunitaria-c3e770.md) - Publicado em 28 de maio de 2026, o briefing apresenta uma referência no Wikibooks com mais de 80 padrões de design em C++, mantida pela comunidade.
* [PaddleOCR-VL 1.6 relata 96,33% no OmniDocBench v1.6](https://ai.exponencialadm.net/okf/pt/radar/paddleocr-vl-1-6-reporta-96-be6997.md) - Publicação de 28 de maio de 2026 anuncia o PaddleOCR-VL 1.6 e relata 96,33% no benchmark OmniDocBench v1.6, resultado descrito como novo estado da arte.
* [Seasonic anuncia fonte CRPS de 5.200 W para a Computex](https://ai.exponencialadm.net/okf/pt/radar/seasonic-anuncia-fonte-crps-de-5-d4175a.md) - A Seasonic planeja apresentar na Computex 2026 uma fonte CRPS de 5.200 W com certificação 80 PLUS Ruby, voltada a avaliações de hardware de alto consumo.
* [Tutorial gratuito percorre o C++ moderno, do C++11 ao C++26](https://ai.exponencialadm.net/okf/pt/radar/tutorial-aberto-de-c-moderno-do-e5137a.md) - Livro aberto de Ou Changkun apresenta recursos de várias versões modernas de C++, do C++11 ao C++26, como material de aprendizagem para engenheiros. A página foi publicada em 28 de maio de 2026.
* [Arrays em C: uma perspectiva sobre seus tipos](https://ai.exponencialadm.net/okf/pt/radar/arrays-em-c-uma-perspectiva-sobre-2ab81f.md) - Um artigo apresenta o que seu autor considera incomum nos tipos de arrays em C, o que faria de outra forma e tópicos relacionados.
* [Radar: análise e modificação de firmware de HDDs e SSDs](https://ai.exponencialadm.net/okf/pt/radar/como-estudar-firmware-de-hdds-e-0ad680.md) - Publicada em 27 de maio de 2026, a série aborda dumps, engenharia reversa, modificação de firmware de HDDs e SSDs e debugging via JTAG.
* [Radar: guia introdutório sobre linkers](https://ai.exponencialadm.net/okf/pt/radar/linkers-guia-para-entender-o-linking-40c47f.md) - Publicado em 27 de maio de 2026, o material apresenta o processo de linking e sua relevância para diagnosticar problemas de build e de linker em C e C++.
* [Serviço de GPU busca resistir a falhas](https://ai.exponencialadm.net/okf/pt/radar/servico-de-gpu-busca-resistir-a-c0a9ff.md) - Pesquisa descreve isolamento de falhas em um serviço de GPU multi-processo e recuperação active-standby baseada em VMM; os autores relatam overhead de runtime zero para o mecanismo de isolamento.
* [Tutoriais gratuitos de C++ organizados por tópico](https://ai.exponencialadm.net/okf/pt/radar/tutoriais-gratuitos-de-c-organizados-por-2422d2.md) - A publicação apresenta tutoriais gratuitos de C++ organizados por categorias, uma forma de ajudar engenheiros a estruturar o aprendizado da linguagem.
* [C++ por baixo dos panos: mecanismos internos de classes](https://ai.exponencialadm.net/okf/pt/radar/c-por-baixo-dos-panos-mecanismos-6cbcab.md) - Uma palestra de Chris Ryan explora como as classes de C++ funcionam internamente. O material é recomendado para iniciantes, mas pode trazer aprendizados também a desenvolvedores experientes.
* [Race de use-after-free no epoll corrigida com RCU](https://ai.exponencialadm.net/okf/pt/radar/rcu-adia-a-liberacao-em-uma-7f1509.md) - Publicado em 26 de maio de 2026, o relato descreve uma race de use-after-free em fs/eventpoll.c e a correção do commit 07712db80857, que substitui kfree() por kfree_rcu().
* [Cache: design, gerenciamento e tradeoffs](https://ai.exponencialadm.net/okf/pt/radar/cache-design-gerenciamento-e-tradeoffs-6240f4.md) - Um vídeo de Onur Mutlu aborda design e gerenciamento de cache, temas úteis para compreender o desempenho de sistemas. A descrição disponível não detalha resultados ou recomendações específicas.
* [Primos grandes em LLVM IR: vídeo explora cálculo](https://ai.exponencialadm.net/okf/pt/radar/como-explorar-numeros-primos-grandes-com-47055c.md) - Vídeo publicado em 25 de maio de 2026 explora como calcular, em um segundo e sem pré-computação, o maior número primo possível, abordando LLVM IR, crivos, teoria dos números e teoria das categorias.
* [Como Funcionam os Debuggers de C++](https://ai.exponencialadm.net/okf/pt/radar/como-funcionam-os-debuggers-de-c-7cd85f.md) - Um vídeo de Sy Brand apresenta o funcionamento interno dos debuggers de C++ e por que entender esse funcionamento pode ajudar engenheiros a usar ferramentas de depuração.
* [C, extensões e portabilidade entre compiladores](https://ai.exponencialadm.net/okf/pt/radar/extensoes-de-c-e-os-limites-869e62.md) - Publicado em 25 de maio de 2026, o artigo aborda extensões de C, portabilidade e compiladores alternativos, destacando dependências de comportamentos não padronizados.
* [Linux Device Drivers: comunicação com hardware](https://ai.exponencialadm.net/okf/pt/radar/linux-device-drivers-uma-introducao-a-db00dd.md) - Publicado em 25 de maio de 2026, o post recomenda Linux Device Drivers como introdução a como o kernel do Linux se comunica com o hardware. Indica conhecimentos básicos de C e de chamadas de sistema do Unix.
* [Primeiros passos com patterns em C++](https://ai.exponencialadm.net/okf/pt/radar/primeiros-passos-com-patterns-em-c-736b78.md) - Uma visão introdutória de design patterns e architectural patterns oferece aos engenheiros um ponto de partida para explorar padrões de projeto de software em C++.
* [Receitas comunitárias para servir LLMs em GPUs RTX](https://ai.exponencialadm.net/okf/pt/radar/receitas-comunitarias-para-servir-llms-em-1c5745.md) - Publicado em 24 de maio de 2026, o repositório reúne receitas independentes de modelo para servir LLMs em GPUs RTX 3090, 4090 e 5090, com vLLM, llama.cpp e ik_llama.
* [TokenSpeed mira workloads agentic](https://ai.exponencialadm.net/okf/pt/radar/tokenspeed-mira-workloads-agentic-93f914.md) - Publicado em 24 de maio de 2026, o registro descreve um engine de inferência de LLM voltado a workloads agentic e destaca recursos de escalonamento, paralelismo e gestão de recursos KV.
* [Índice do blog MC++ reúne artigos sobre C++](https://ai.exponencialadm.net/okf/pt/radar/indice-do-blog-mc-reune-artigos-232ab3.md) - Publicado em 23 de maio de 2026, o índice do blog MC++ reúne links para artigos sobre C++ e pode ajudar engenheiros a localizar conteúdos.
* [Relatos apontam plano de GPU Direct Storage para Vera Rubin](https://ai.exponencialadm.net/okf/pt/radar/vera-rubin-e-o-plano-relatado-13e1ed.md) - Um registro publicado em 23 de maio de 2026 relata que a NVIDIA planeja GPU Direct Storage para Vera Rubin e destaca a I/O de armazenamento gerenciada pela CPU como possível gargalo em cargas de trabalho com GPU.
* [MIT apresenta curso prático de engenharia de performance](https://ai.exponencialadm.net/okf/pt/radar/curso-do-mit-sobre-engenharia-de-ceda61.md) - Publicado em 22 de maio de 2026, o registro descreve o curso 6.172 do MIT OpenCourseWare, com foco em sistemas escaláveis e de alto desempenho, análise, otimização, caching, paralelismo e C.
* [Memória virtual: conceitos para iniciantes](https://ai.exponencialadm.net/okf/pt/radar/memoria-virtual-conceitos-para-iniciantes-856c70.md) - Publicado em 22 de maio de 2026, o artigo apresenta paginação, tradução de endereços e o papel da MMU, conceitos úteis a quem programa em C e C++.
* [Design patterns em C++: equívocos comuns](https://ai.exponencialadm.net/okf/pt/radar/design-patterns-em-c-equivocos-comuns-7715bb.md) - Um vídeo de Klaus Iglberger aborda equívocos comuns sobre design patterns em C++. O registro, publicado em 21 de maio de 2026, descreve uma discussão focada para engenheiros.
* [Radar: três leituras sobre segurança de memória](https://ai.exponencialadm.net/okf/pt/radar/radar-tres-leituras-sobre-seguranca-de-e44f5a.md) - Publicado em 21 de maio de 2026, o registro reúne três materiais sobre corrupção de memória e memory safety: uma história dos ataques, um trabalho sobre erros de memória no passado, presente e futuro e uma página sobre por que o tema continua sendo uma preocupação.
* [Referência comunitária de patterns em C++ moderno](https://ai.exponencialadm.net/okf/pt/radar/repositorio-comunitario-reune-patterns-de-c-b0dc4c.md) - Publicado em 21 de maio de 2026, o bookmark apresenta um repositório comunitário de patterns de código C++ moderno e idiomático, destinado à consulta de engenheiros.
* [Mais de 700 vídeos de C++ organizados por tópico](https://ai.exponencialadm.net/okf/pt/radar/mais-de-700-videos-de-c-e1dc94.md) - Publicado em 18 de maio de 2026, o briefing apresenta uma lista do Hacking C++ com mais de 700 vídeos educativos, incluindo palestras, tutoriais, cursos e explicações organizados por assunto.
* [Guia reúne 13 ferramentas open source para deployment de modelos](https://ai.exponencialadm.net/okf/pt/radar/13-ferramentas-open-source-para-implantar-3cd678.md) - Publicado em 17 de maio de 2026, o guia da Turing Post aborda 13 ferramentas open source para deployment, serving e execução de modelos fundacionais, de LLMs locais à inferência de produção de alto throughput.
* [llama.cpp adiciona suporte a Multi-Token Prediction](https://ai.exponencialadm.net/okf/pt/radar/llama-cpp-adiciona-suporte-a-multi-544a3d.md) - Um pull request do llama.cpp adiciona suporte a heads de MTP. O autor relata que o Qwen3.6-27B alcançou 65 tokens por segundo em uma RTX 3090, ante 38 com MTP ativado.
* [Post relata extração judicial e automação no WhatsApp](https://ai.exponencialadm.net/okf/pt/radar/post-relata-extracao-de-processos-e-3d5e12.md) - Publicado em 17 de maio de 2026, o relato atribui a uma ferramenta extração de processos judiciais, enriquecimento de dados e envio de mensagens pelo WhatsApp; também menciona licenciamento por HWID e contato periódico com um servidor central.
* [Benchmarks de MTP em três GTX 1080 Ti](https://ai.exponencialadm.net/okf/pt/radar/benchmarks-mtp-em-tres-gtx-1080-2ec120.md) - Publicação de 16 de maio de 2026 relata testes de throughput do llama.cpp com MTP para modelos Qwen 3.6 em três GPUs GTX 1080 Ti.
* [Radar: guia de arquitetura de computadores da Algorithmica](https://ai.exponencialadm.net/okf/pt/radar/guia-de-arquitetura-de-computadores-da-a01903.md) - Publicado em 16 de maio de 2026, o guia da Algorithmica aborda arquitetura de computadores e tópicos de hardware relevantes para desempenho. A publicação recomenda a leitura conjunta com o livro *Algorithms for Modern Hardware*.
* [Série da Georgia Tech sobre arquitetura de alto desempenho](https://ai.exponencialadm.net/okf/pt/radar/serie-da-georgia-tech-ensina-arquitetura-4a90b3.md) - Publicação de 15 de maio de 2026 recomenda uma série de seis partes sobre arquitetura de computadores de alto desempenho e sua relação com a computação rápida em GPUs.
* [SIMD em C++ para processamento de dados](https://ai.exponencialadm.net/okf/pt/radar/simd-e-c-26-para-acelerar-e1238c.md) - Palestra sobre parsing de JSON com SIMD, reflection em tempo de compilação do C++26 e processamento de UTF-8/16 e Base64 em navegadores.
* [Tile Scheduling no CuTeDSL](https://ai.exponencialadm.net/okf/pt/radar/tile-scheduling-no-cutedsl-6699c3.md) - Um post apresenta o StaticPersistentTileScheduler no CuTeDSL e explica sua utilidade ao escrever kernels persistentes.
* [Radar: guia de programação CUDA C++](https://ai.exponencialadm.net/okf/pt/radar/como-estudar-o-guia-de-programacao-e37ebb.md) - Referência primária para engenheiros que desenvolvem com CUDA C++; o registro está datado de 14 de maio de 2026.
* [Notas de aula sobre serving eficiente de LLMs](https://ai.exponencialadm.net/okf/pt/radar/notas-de-aula-sobre-serving-eficiente-49a690.md) - Publicadas em 13 de maio de 2026, as notas apresentam técnicas e componentes de sistemas voltados a melhorar a inferência e o serving de modelos de linguagem.
* [Uma introdução ao que o processador está fazendo](https://ai.exponencialadm.net/okf/pt/radar/uma-introducao-ao-que-o-processador-61ad53.md) - O briefing recomenda “Just Enough Assembly to Blow Your Mind”, de Kay Lack, como introdução para entender melhor o que um processador está fazendo. A leitura pode ajudar engenheiros a construir um modelo mental mais claro.
* [CS336 de Stanford aborda sistemas modernos de modelos de linguagem](https://ai.exponencialadm.net/okf/pt/radar/cs336-de-stanford-explora-sistemas-modernos-34f954.md) - A edição de 2026 do curso CS336 trata de MoEs, GPU tiling, kernels, RLHF e dados. Segundo a publicação, as aulas chegam ao YouTube com cerca de duas semanas de atraso.
* [Firefly AIBOX-K3 reúne RISC-V e recursos para edge AI](https://ai.exponencialadm.net/okf/pt/radar/firefly-aibox-k3-leva-risc-v-755843.md) - Publicado em 12 de maio de 2026, o registro descreve um computador industrial de edge AI com SoC RISC-V SpacemiT K3, até 32 GB de RAM e armazenamento UFS de até 512 GB.
* [Kernel mínimo de time-sharing em Zig para RISC-V](https://ai.exponencialadm.net/okf/pt/radar/kernel-minimo-de-time-sharing-em-468800.md) - Artigo publicado em 12 de maio de 2026 apresenta um passo a passo para criar um kernel mínimo de time-sharing em Zig para RISC-V, sobre OpenSBI.
* [C2IntelFeeds reúne feeds de infraestrutura C2](https://ai.exponencialadm.net/okf/pt/radar/c2intelfeeds-reune-indicadores-de-infraestrutura-c2-c6b160.md) - Publicado em 11 de maio de 2026, o C2IntelFeeds oferece feeds gerados por varreduras de grande escala da internet, com indicadores de infraestrutura C2 suspeita e verificada.
* [Fluxion propõe atenção esparsa híbrida para contexto longo](https://ai.exponencialadm.net/okf/pt/radar/fluxion-explora-atencao-esparsa-hibrida-para-1efd8f.md) - Publicado em 11 de maio de 2026, o resumo apresenta Fluxion, sistema de atenção esparsa híbrida para inferência com contexto longo que emprega paralelismo entre CPU e GPU.
* [Radar: memória virtual e internals do Linux](https://ai.exponencialadm.net/okf/pt/radar/memoria-virtual-page-tables-tlbs-e-8a9cf8.md) - Publicado em 11 de maio de 2026, o bookmark apresenta um guia prático sobre memória virtual, page faults, page tables, TLBs, topologia NUMA, internals do Linux e desempenho em sistemas intensivos em dados.
* [A matemática de Query, Key e Value na atenção](https://ai.exponencialadm.net/okf/pt/radar/a-matematica-de-query-key-e-9305bf.md) - Publicado em 10 de maio de 2026, o artigo apresenta a fórmula central da atenção em transformers e percorre um exemplo numérico passo a passo.
* [CuBridge usa LLMs para reconstruir kernels de attention](https://ai.exponencialadm.net/okf/pt/radar/cubridge-explora-llms-para-reconstruir-kernels-c97c25.md) - Publicado em 10 de maio de 2026, o registro descreve o CuBridge, framework baseado em LLMs que busca entender e reconstruir kernels de attention de alto desempenho.
* [Vídeo apresenta uma visão geral da arquitetura de GPUs](https://ai.exponencialadm.net/okf/pt/radar/video-apresenta-uma-visao-geral-da-2e0f28.md) - Publicado em 10 de maio de 2026, o vídeo apresenta uma visão geral dos componentes internos de placas gráficas e oferece contexto para engenheiros que trabalham com software para GPU.
* [KV cache reduz recálculos durante a inferência](https://ai.exponencialadm.net/okf/pt/radar/kv-cache-menos-recalculo-na-inferencia-e56e87.md) - Publicado em 9 de maio de 2026, o artigo explica como o KV cache armazena Key e Value de tokens processados para evitar recalculá-los a cada novo token.
* [LeWorldModel: JEPA de pixels treinado em uma GPU](https://ai.exponencialadm.net/okf/pt/radar/leworldmodel-treina-um-jepa-com-pixels-440ee0.md) - Publicação de 9 de maio de 2026 relata o treinamento, em uma GPU, de um JEPA de 15 milhões de parâmetros a partir de pixels brutos e compara sua velocidade de planejamento em tarefas de controle.
* [Luce PFlash relata TTFT 2,89× maior em contexto de 64K](https://ai.exponencialadm.net/okf/pt/radar/luce-pflash-relata-ttft-2-89-78cf6f.md) - Uma publicação de 9 de maio de 2026 relata que Luce PFlash teve time to first token 2,89× mais rápido que Ollama em um benchmark com contexto de 64K.
* [Lucebox explora inferência especulativa em GPUs de consumo](https://ai.exponencialadm.net/okf/pt/radar/lucebox-explora-inferencia-especulativa-em-gpus-d4ae37.md) - Publicado em 9 de maio de 2026, o registro apresenta o Lucebox, servidor de inferência especulativa para hardware heterogêneo e GPUs de consumo. A postagem afirma que o Qwen3.6-27B alcança 120–200 tokens por segundo em uma RTX 3090.
* [RTX 3090: testes de potência e concorrência em LLM](https://ai.exponencialadm.net/okf/pt/radar/rtx-3090-eficiencia-e-potencia-em-f9eecc.md) - Publicado em 9 de maio de 2026, o relato compara testes do Qwen3.6 27B em uma RTX 3090, com concorrência de 1, 4, 8 e 16. Segundo o autor, 225 W foi mais eficiente; 250 W teve maior throughput.
* [TC-JEPA usa legendas para orientar representações visuais](https://ai.exponencialadm.net/okf/pt/radar/tc-jepa-usa-legendas-no-aprendizado-09c80e.md) - Publicado em 9 de maio de 2026, o post descreve um método de aprendizado visual self-supervised que usa legendas para orientar a previsão de partes mascaradas de imagens.
* [RTX 3090: throughput e eficiência em testes de LLM](https://ai.exponencialadm.net/okf/pt/radar/rtx-3090-throughput-e-eficiencia-em-664623.md) - Briefing publicado em 8 de maio de 2026 compara oito LLMs locais em uma RTX 3090, com limites de potência de 100 W a 450 W. O throughput médio aumentou nos testes em potência mais alta, mas a eficiência energética caiu.
* [SAM no mid-training e retenção após ajuste](https://ai.exponencialadm.net/okf/pt/radar/sam-no-mid-training-pode-reduzir-684768.md) - Post publicado em 8 de maio de 2026 propõe usar SAM nos cerca de 10% finais do mid-training para reduzir o esquecimento após fine-tuning ou quantização.
* [Estudo investiga limites geométricos da compressão em RAG](https://ai.exponencialadm.net/okf/pt/radar/estudo-investiga-limites-geometricos-da-compressao-58adfc.md) - Artigo apresentado como trabalho da NeurIPS 2026 relaciona compressão em RAG à geometria de embeddings e afirma que uma grandeza espectral estabelece um limite mínimo para a compressão.
* [Mamba-3 comprime o contexto em estado fixo](https://ai.exponencialadm.net/okf/pt/radar/mamba-3-comprime-o-contexto-em-6d3dcb.md) - Publicado em 7 de maio de 2026, o trecho descreve Mamba-3 como uma arquitetura de modelo de linguagem não Transformer, com estado de tamanho fixo. Afirma tempo constante por etapa de decodificação e inferência mais rápida que Transformer acima de um limite não informado.
* [Open ASR Leaderboard adiciona avaliação privada](https://ai.exponencialadm.net/okf/pt/radar/leaderboard-de-asr-adiciona-avaliacoes-privadas-156d4c.md) - Em 6 de maio de 2026, o Open ASR Leaderboard anunciou dados privados de avaliação para reduzir contaminação do conjunto de teste e overfitting em benchmarks de reconhecimento de fala.
* [APUE reúne tabelas de portabilidade Unix](https://ai.exponencialadm.net/okf/pt/radar/apue-e-as-tabelas-de-portabilidade-8f53d8.md) - Publicado em 5 de maio de 2026, o registro descreve tabelas do APUE que comparam chamadas de sistema em Linux, BSD, macOS e Solaris, e resume a história de suas edições.
* [Atenção seletiva e limites subquadráticos](https://ai.exponencialadm.net/okf/pt/radar/atencao-seletiva-e-limites-subquadraticos-825689.md) - Uma publicação destaca dois artigos: um sobre atenção seletiva e outro sobre limitações de métodos subquadráticos, como contexto para avaliar alegações sobre essas abordagens.
* [Qwen3-ASR-Enhanced v0.1 anunciado em beta](https://ai.exponencialadm.net/okf/pt/radar/checkpoint-beta-do-qwen3-asr-enhanced-f71aea.md) - Anúncio de 5 de maio de 2026 apresenta um checkpoint beta inicial de reconhecimento automático de fala e aponta uma limitação conhecida: o suporte a tags não verbais ainda não é estável.
* [Guia de Beej é recomendado para aprender sockets](https://ai.exponencialadm.net/okf/pt/radar/guia-de-beej-e-recomendado-para-5661e9.md) - Uma publicação recomenda o guia de Beej para estudar sockets e cita também materiais do autor sobre C, Unix IPC e Git.
* [Tutorial de fine-tuning com GRPO para extrair dados de recibos](https://ai.exponencialadm.net/okf/pt/radar/tutorial-explora-grpo-para-extrair-dados-e9db73.md) - Publicado em 4 de maio de 2026, o tutorial apresenta GRPO e um fluxo de fine-tuning para extrair dados de recibos por OCR em JSON, usando LFM2.5-1.2B-Instruct e Unsloth. Inclui um notebook no Kaggle.
* [dflash-mlx v0.1.5 amplia runtime e serving](https://ai.exponencialadm.net/okf/pt/radar/dflash-mlx-v0-1-5-amplia-82a78d.md) - Lançada em 3 de maio de 2026, a versão 0.1.5 acrescenta ferramentas de serving e geração, benchmarking, diagnósticos, profiling e listagem de modelos, além de cache e suporte experimental a contextos longos.
* [Kernels Triton e ops PyTorch para AttnRes](https://ai.exponencialadm.net/okf/pt/radar/kernels-triton-e-operadores-pytorch-para-a66fad.md) - Bookmark de 3 de maio de 2026 sobre um repositório com kernels Triton e operadores PyTorch para Block Attention Residuals (AttnRes).
* [Luce PFlash inclui cache de prefixo e ajustes de cold start](https://ai.exponencialadm.net/okf/pt/radar/luce-pflash-cache-de-prefixo-e-f9457d.md) - Atualização do servidor de inferência especulativa relata cache de prefixo, ajustes de cold start e correção de CUDA VMM. O autor informa ganhos de desempenho para Qwen3.6 27B.
* [Projeto implementa microGPT em C puro e sem dependências](https://ai.exponencialadm.net/okf/pt/radar/microgpt-em-c-puro-explora-otimizacoes-830f52.md) - Publicado em 3 de maio de 2026, o projeto apresenta uma implementação em C puro do microGPT de Karpathy, sem dependências, com técnicas de otimização de baixo nível.
* [Referência de programação Linux em C](https://ai.exponencialadm.net/okf/pt/radar/uma-referencia-para-programacao-linux-em-fd8614.md) - O registro de 2 de maio de 2026 recomenda The Linux Programming Interface como referência sobre interfaces e programação de sistemas Linux em C.
* [Agentes recursivos colaboram trocando estados latentes](https://ai.exponencialadm.net/okf/pt/radar/agentes-recursivos-colaboram-trocando-estados-latentes-4867a4.md) - Um paper descrito em uma publicação relata colaboração mais precisa, execução mais rápida e menor uso de tokens ao permitir que agentes refinem estados latentes compartilhados.
* [Lucebox explora prefill especulativo para LLMs](https://ai.exponencialadm.net/okf/pt/radar/lucebox-investiga-speculative-prefill-para-llms-8e7497.md) - Publicado em 1º de maio de 2026, o texto apresenta o Lucebox, um servidor de inferência especulativa para hardware heterogêneo e GPUs de consumo.
* [Harnesses de coding agents evoluem em dez iterações](https://ai.exponencialadm.net/okf/pt/radar/como-evoluir-harnesses-de-coding-agents-65a1a9.md) - Paper descreve um framework que usa componentes observáveis, evidências condensadas de trajetórias e decisões testadas em tarefas. No Terminal-Bench 2, o pass@1 sobe de 69,7% para 77,0% após dez iterações.
* [Atenção com KV compartilhado: a mudança descrita](https://ai.exponencialadm.net/okf/pt/radar/mqa-de-alta-ordem-e-o-717168.md) - Publicação de 29 de abril de 2026 compara uma arquitetura de atenção com MQA e KV compartilhado ao MLA, destacando uma troca entre eficiência de cache e computação por token.
* [Post estima requisitos de hardware para modelo quantizado](https://ai.exponencialadm.net/okf/pt/radar/post-estima-modelo-quantizado-em-duas-ee4fd7.md) - Publicado em 29 de abril de 2026, o post afirma que um modelo de linguagem teria experts em 4 bits e caberia em duas RTX Pro 6000, mas aponta falta de suporte a SM120 no vLLM ou no SGLang.
* [Implementação de atenção esparsa comprimida](https://ai.exponencialadm.net/okf/pt/radar/implementacao-de-atencao-esparsa-comprimida-dff71b.md) - Página apresenta uma implementação descrita como fiel de Compressed Sparse Attention (CSA), técnica de atenção esparsa comprimida apresentada em um paper recente.
* [Kernel CUDA/PTX supera cuBLAS no B200](https://ai.exponencialadm.net/okf/pt/radar/kernel-cuda-ptx-relata-ganho-de-ab2780.md) - Em publicação de 27 de abril de 2026, Paul Chan afirma que um kernel próprio de multiplicação de matrizes no B200 foi 6% mais rápido que o cuBLAS em uma configuração específica.
* [Guia reúne variantes de LoRA para ajuste eficiente](https://ai.exponencialadm.net/okf/pt/radar/como-comparar-variantes-de-lora-no-b05039.md) - Publicado em 26 de abril de 2026, o guia apresenta mais de 15 variantes de LoRA e resume a evolução do ajuste fino eficiente em parâmetros para grandes modelos de linguagem.
* [Ouroboros testa LoRA condicionada à entrada em transformers recursivos](https://ai.exponencialadm.net/okf/pt/radar/ouroboros-testa-lora-adaptada-a-cada-29630a.md) - Publicado em 25 de abril de 2026, o trabalho explora um controlador compacto que modula pesos por etapa em um bloco de transformer compartilhado. No Qwen2.5-3B, os autores relatam menor training loss que em um baseline de 17 camadas, com ganhos observados dentro da distribuição.
* [PARE-Bench avalia agentes proativos em apps](https://ai.exponencialadm.net/okf/pt/radar/pare-bench-avalia-agentes-proativos-em-d7f91d.md) - Publicado em 25 de abril de 2026, PARE-Bench reúne 143 tarefas para testar agentes em simulações de aplicativos com estado, incluindo inferência de objetivos, momento de intervenção e orquestração entre apps.
* [pyptx leva uma DSL Python a kernels NVIDIA PTX](https://ai.exponencialadm.net/okf/pt/radar/pyptx-leva-uma-dsl-python-aos-060c86.md) - Publicado em 25 de abril de 2026, pyptx é apresentado como uma DSL em Python para escrever kernels NVIDIA PTX, com suporte a Hopper e Blackwell e integração com JAX e PyTorch.
* [StructMem propõe memória temporal para agentes LLM](https://ai.exponencialadm.net/okf/pt/radar/structmem-propoe-memoria-temporal-para-agentes-9a8a58.md) - Publicado em 24 de abril de 2026, o paper StructMem propõe uma memória hierárquica para agentes conversacionais de longo prazo, voltada a relações entre eventos, raciocínio temporal e perguntas multi-hop.
* [DFlash e DDTree rodam Qwen3.6-27B em uma RTX 3090](https://ai.exponencialadm.net/okf/pt/radar/dflash-e-ddtree-levam-qwen3-6-6ec2d7.md) - Post publicado em 23 de abril de 2026 relata 73 tokens por segundo para o Qwen3.6-27B em uma única RTX 3090, com speculative decoding usando DFlash e DDTree. O autor atribui a compatibilidade à correspondência da arquitetura e das dimensões de camadas e heads com o Qwen3.5, mas informa throughput de
* [Biblioteca de kernels para operações de LLM](https://ai.exponencialadm.net/okf/pt/radar/kernels-de-gpu-para-operacoes-de-bd0eb2.md) - Em 23 de abril de 2026, uma empresa anunciou kernels de GPU para operações de modelos de linguagem, desenvolvidos com TileLang. Segundo a empresa, alguns já são usados internamente em treinamento e inferência.
* [Megatron-LM: paralelismo para treinar grandes modelos](https://ai.exponencialadm.net/okf/pt/radar/megatron-lm-e-o-paralelismo-de-9dcaa4.md) - Paper de 2019 descreve como dividir os pesos de modelos de linguagem com bilhões de parâmetros entre GPUs, para treinar modelos cujos pesos não cabem em uma única GPU.
* [Fil-C promete segurança de memória em builds de C/C++](https://ai.exponencialadm.net/okf/pt/radar/fil-c-busca-seguranca-de-memoria-8b8f91.md) - Publicado em 22 de abril de 2026, o relato descreve o Fil-C como um compilador para projetos C/C++ com segurança de memória e aponta possíveis ajustes em chamadas diretas de assembly.
* [LRT busca raciocínio com representações compactas](https://ai.exponencialadm.net/okf/pt/radar/lrt-busca-raciocinio-com-representacoes-compactas-55f23e.md) - Publicado em 22 de abril de 2026, o texto apresenta o Latent Reasoning Tuning (LRT), uma abordagem que treina modelos para raciocinar com representações internas compactas, em vez de longas sequências de texto.
* [O que limita o conhecimento em attention e MLPs](https://ai.exponencialadm.net/okf/pt/radar/o-que-limita-o-conhecimento-em-956b4b.md) - Estudo examina como matrizes de attention e MLPs armazenam conhecimento e aponta limites ligados a dados, compute finito e ruído em contextos longos.
* [TACO explora compressão de contexto para agents de terminal](https://ai.exponencialadm.net/okf/pt/radar/taco-aprende-regras-para-comprimir-contexto-288139.md) - Framework descobre e refina regras para comprimir contexto a partir de interações de agents de terminal. O paper relata testes em três benchmarks.
* [Transformers com loop e inferência por energia](https://ai.exponencialadm.net/okf/pt/radar/transformers-com-loop-e-a-interpretacao-081241.md) - Publicado em 22 de abril de 2026, o texto relaciona atualizações residuais em transformers com loop à descida do gradiente em uma função de energia, sob uma condição específica para o bloco.
* [HybridGen coordena CPU e GPU para contexto longo](https://ai.exponencialadm.net/okf/pt/radar/hybridgen-coordena-cpu-e-gpu-para-182d8e.md) - O framework proposto permite atenção colaborativa entre CPU e GPU, usando memória CXL para apoiar a inferência de modelos de linguagem com contexto longo.
* [Radar: roundup semanal reúne pesquisas sobre agentes de IA](https://ai.exponencialadm.net/okf/pt/radar/pesquisa-recente-reune-estudos-sobre-agentes-26b6de.md) - Publicado em 21 de abril de 2026, o roundup destaca trabalhos sobre design de sistemas agentic do Claude Code, tarefas de longo prazo, transferência de memória em coding agents, distillation e outros temas.
* [CliffordNet explora álgebra de Clifford em redes neurais](https://ai.exponencialadm.net/okf/pt/radar/cliffordnet-explora-algebra-de-clifford-em-e78fd0.md) - A arquitetura combina interações de produto interno e geométricas sem camadas de attention ou mixer; o relato informa 77,82% de acurácia no CIFAR-100 com 1,4 milhão de parâmetros.
* [LACE coordena trajetórias paralelas de raciocínio](https://ai.exponencialadm.net/okf/pt/radar/lace-coordena-trajetorias-paralelas-de-raciocinio-523233.md) - Publicado em 20 de abril de 2026, o resumo apresenta o LACE, framework que permite a trajetórias paralelas compartilhar ideias intermediárias e corrigir umas às outras por atenção entre threads.
* [Manual de Referência da GNU C Library](https://ai.exponencialadm.net/okf/pt/radar/manual-de-referencia-da-gnu-c-1ced1f.md) - Publicado em 20 de abril de 2026, o item aponta para uma cópia em PDF do Manual de Referência da GNU C Library, destinado a engenheiros que trabalham com essa biblioteca.
* [Skill-RAG adapta a recuperação a lacunas de conhecimento](https://ai.exponencialadm.net/okf/pt/radar/skill-rag-direciona-buscas-conforme-lacunas-2c0a36.md) - Publicado em 20 de abril de 2026, o trabalho apresenta um método que detecta possíveis lacunas de conhecimento e direciona consultas a estratégias de recuperação especializadas. A avaliação abrange três conjuntos de perguntas e respostas.
* [Protocolo propõe autoaperfeiçoamento auditável para agentes](https://ai.exponencialadm.net/okf/pt/radar/agentes-que-melhoram-com-rastreabilidade-e-4879bc.md) - Publicado em 19 de abril de 2026, o registro resume um artigo que propõe mecanismos de auditoria e rollback para agentes que sugerem, avaliam e implementam melhorias.
* [AutoSOTA automatiza ciclos de pesquisa em IA](https://ai.exponencialadm.net/okf/pt/radar/autosota-automatiza-ciclos-de-pesquisa-em-891123.md) - Publicado em 19 de abril de 2026, o relato apresenta o AutoSOTA, sistema com oito agentes especializados que reproduz e aprimora modelos de artigos de IA.
* [Guia compara mecanismos de atenção em LLMs](https://ai.exponencialadm.net/okf/pt/radar/como-comparar-mecanismos-de-atencao-em-84e720.md) - Artigo publicado em 19 de abril de 2026 apresenta mais de 13 mecanismos de atenção e seu papel no processamento de contexto e memória por Transformers e LLMs.
* [Custos de compute e memória em loop models](https://ai.exponencialadm.net/okf/pt/radar/como-estimar-custos-de-treino-de-e588ff.md) - Publicado em 19 de abril de 2026, o texto analisa sete variantes de loop models e como a estrutura dos gradientes afeta FLOPs e memória no treinamento.
* [ML-Master 2.0 relata memória em camadas](https://ai.exponencialadm.net/okf/pt/radar/ml-master-2-0-organiza-memoria-56878d.md) - Post publicado em 19 de abril de 2026 descreve o Hierarchical Cognitive Caching, com memória de curto, médio e longo prazo para pesquisas entre experimentos e sessões. A equipe relata 56,44% de taxa de medalhas no MLE-Bench após uma execução de 24 horas.
* [MoDA conecta atenção entre camadas](https://ai.exponencialadm.net/okf/pt/radar/moda-conecta-a-atencao-entre-camadas-2fab2e.md) - Artigo publicado em 19 de abril de 2026 apresenta o Mixture-of-Depths Attention (MoDA), mecanismo que permite a cabeças de atenção acessar pares key-value da camada atual e de camadas anteriores.
* [Transformers em loop como computadores programáveis](https://ai.exponencialadm.net/okf/pt/radar/transformers-em-loop-podem-implementar-computacao-0f44e3.md) - Publicado em 19 de abril de 2026, o artigo apresenta uma construção em que transformers com pesos específicos, colocados em loop, podem emular blocos básicos de computação usando um número constante de camadas encoder.
* [Por que as leis de escala de RL diferem](https://ai.exponencialadm.net/okf/pt/radar/por-que-rl-escala-de-forma-cd714f.md) - Publicação de 18 de abril de 2026 compara a escala do pré-treinamento e do aprendizado por reforço (RL), destacando custos de compute e desafios de avaliação.
* [Uma série sobre estratégias de alocação de memória](https://ai.exponencialadm.net/okf/pt/radar/uma-serie-sobre-estrategias-de-alocacao-2055f9.md) - A série de gingerBill aborda estratégias de alocação de memória e pode servir de ponto de partida para engenheiros que comparam diferentes abordagens.
* [GP-SIMD e processamento na memória](https://ai.exponencialadm.net/okf/pt/radar/gp-simd-e-processamento-na-memoria-ae1f3f.md) - Um post aponta para um artigo da ACM sobre GP-SIMD, tema de interesse para engenheiros que exploram computação SIMD no estilo de GPU e processamento na memória.
* [RoPE: uma explicação sobre posição em modelos](https://ai.exponencialadm.net/okf/pt/radar/rope-uma-explicacao-sobre-posicao-em-0eb59c.md) - Uma publicação apresenta um artigo explicativo sobre rotary positional embeddings (RoPE), útil para engenheiros que estudam codificação posicional no design de modelos.
* [Dez projetos em C para praticar programação de sistemas](https://ai.exponencialadm.net/okf/pt/radar/dez-projetos-em-c-para-praticar-bd347c.md) - Publicado em 11 de abril de 2026, o material reúne dez projetos em C, ordenados por dificuldade, para explorar programação de sistemas e fundamentos de computação.
* [Vídeo aborda pipeline e execução fora de ordem](https://ai.exponencialadm.net/okf/pt/radar/execucao-pipeline-e-fora-de-ordem-7191d4.md) - Publicado em 11 de abril de 2026, o item aponta para um vídeo da BitLemon sobre execução pipeline, execução fora de ordem e o algoritmo de Tomasulo.
* [Interleaved Head Attention aborda comunicação entre heads](https://ai.exponencialadm.net/okf/pt/radar/interleaved-head-attention-investiga-comunicacao-entre-8e9214.md) - Publicado em 11 de abril de 2026, o post apresenta uma questão de arquitetura: se as heads de atenção podem se beneficiar da comunicação dentro de uma única camada.
* [Kernel Linux documenta detecção de bus locks no x86](https://ai.exponencialadm.net/okf/pt/radar/linux-documenta-deteccao-de-bus-locks-a5d9f1.md) - Publicado em 11 de abril de 2026, o material do kernel Linux explica a detecção e o tratamento de bus locks no x86, incluindo o papel de operações split lock.
* [Aritmética de ponto flutuante do zero](https://ai.exponencialadm.net/okf/pt/radar/aritmetica-de-ponto-flutuante-do-zero-c1bbdc.md) - Um artigo apresenta a implementação de aritmética de ponto flutuante do zero como um projeto desafiador e oferece aos engenheiros uma visão prática de sua mecânica.
* [C++ de baixa latência: padrões e desempenho](https://ai.exponencialadm.net/okf/pt/radar/padroes-de-c-para-aplicacoes-de-4d88fa.md) - Publicado em 7 de abril de 2026, o material apresenta padrões de projeto em C++ para aplicações de baixa latência, incluindo HFT, e menciona otimizações de desempenho associadas a cursos avançados de compiladores e sistemas operacionais.
* [Ponteiros de 64 bits e acesso bindless](https://ai.exponencialadm.net/okf/pt/radar/acesso-bindless-e-ponteiros-de-64-0c0bfb.md) - Post de 6 de abril de 2026 compara formas de acessar buffers em APIs de GPU e afirma que ponteiros de 64 bits dispensam a busca de descritores no heap.
* [Trading ultrarrápido em C++ começa no design](https://ai.exponencialadm.net/okf/pt/radar/baixa-latencia-em-trading-comeca-no-c58923.md) - Uma palestra da CppCon 2024, apresentada por David Gross, aborda sistemas de trading ultrarrápidos em C++. A ideia central: decisões de design e arquitetura, tomadas cedo, têm papel importante na baixa latência.
* [SHINE mapeia contexto para adapters LoRA](https://ai.exponencialadm.net/okf/pt/radar/shine-mapeia-contexto-para-adapters-lora-783d2c.md) - Publicado em 6 de abril de 2026, o paper apresenta SHINE, um hypernetwork que transforma diversos contextos em adapters LoRA para LLMs. O projeto reutiliza parâmetros congelados do modelo-base e inclui etapas de pretraining e instruction fine-tuning.
* [Playbook reúne práticas para treinar LLMs em larga escala](https://ai.exponencialadm.net/okf/pt/radar/um-playbook-para-escalar-o-treinamento-5c6bf0.md) - Publicado em 6 de abril de 2026, o material aborda paralelismo de dados, especialistas, tensores, pipeline e contexto em clusters de GPUs, com resultados de 4.000 experimentos de scaling usando até 512 GPUs.
* [FAQ sobre o gerenciamento do free store em C++](https://ai.exponencialadm.net/okf/pt/radar/faq-sobre-o-gerenciamento-do-free-81ad04.md) - Uma página de perguntas frequentes do Standard C++ oferece uma referência sobre gerenciamento de memória no free store para engenheiros que trabalham com alocação em C++.
* [Artigo de 2012 aborda integer overflow em C e C++](https://ai.exponencialadm.net/okf/pt/radar/integer-overflow-em-c-e-c-09fd4e.md) - Um artigo de 2012, disponível como PDF no site da University of Utah, trata de integer overflow em C e C++, um tema relevante para escrever e revisar código nessas linguagens.
* [Artigo revisado explora fat pointers para C](https://ai.exponencialadm.net/okf/pt/radar/exemplos-de-fat-pointers-em-c-60388b.md) - Publicado em 4 de abril de 2026, o artigo atribuído a Walter Bright apresenta exemplos de fat pointers em C como abordagem para lidar com bugs de estouro de array.
* [Jump threading: uma introdução acessível](https://ai.exponencialadm.net/okf/pt/radar/jump-threading-uma-introducao-acessivel-6c4cf5.md) - Artigo da Red Hat Developer apresenta otimizações de jump threading no GCC e explica seu objetivo: reduzir saltos executados dinamicamente em diferentes caminhos do fluxo de controle.
* [ELF: o formato dos binários Linux](https://ai.exponencialadm.net/okf/pt/radar/elf-entendendo-o-formato-dos-binarios-d7c70b.md) - Publicação de 1º de abril de 2026 aponta para a especificação ELF, que descreve o formato de executáveis, código-objeto, bibliotecas compartilhadas e core dumps no Linux.
* [Veja a AST do Clang no Compiler Explorer](https://ai.exponencialadm.net/okf/pt/radar/visualize-uma-ast-do-clang-no-11a788.md) - Publicado em 1º de abril de 2026, o exemplo mostra um programa curto em C++ compilado com Clang e a visualização de sua AST no Compiler Explorer.
* [Dive into Systems: C, otimização e assembly](https://ai.exponencialadm.net/okf/pt/radar/dive-into-systems-c-otimizacao-e-4ff9a1.md) - Livro gratuito sobre programação de sistemas com C, otimização de código e assembly em várias arquiteturas. Um recurso para estudar como esses temas se conectam.
* [WinDbg MCP leva funções do debugger a clientes MCP](https://ai.exponencialadm.net/okf/pt/radar/windbg-mcp-transforma-funcoes-de-depuracao-8c07a7.md) - Publicação de 31 de março de 2026 descreve um servidor que expõe operações do debugger Windows pybag como ferramentas para clientes compatíveis com MCP, incluindo inspeção de processos e crash dumps.
* [ASM Visualizer: visualizar código assembly](https://ai.exponencialadm.net/okf/pt/radar/asm-visualizer-visualizar-codigo-assembly-b8f641.md) - O ASM Visualizer é uma ferramenta de visualização de código assembly que pode ajudar engenheiros a inspecionar a saída gerada por um compilador.
* [Compilando para Assembly do Zero](https://ai.exponencialadm.net/okf/pt/radar/compilando-para-assembly-do-zero-f4ea9e.md) - Publicado em 30 de março de 2026, o artigo de Vladimir Keleshev explora como um compilador pode gerar código assembly.
* [Como projetar uma ISA: por que o tema importa](https://ai.exponencialadm.net/okf/pt/radar/como-projetar-uma-isa-por-que-a40377.md) - Artigo de David Chisnall publicado pela ACM Queue sobre projeto de arquiteturas de conjunto de instruções (ISAs), tema relevante para quem trabalha com compiladores e desempenho.
* [Memória e desempenho: leitura essencial para programadores](https://ai.exponencialadm.net/okf/pt/radar/memoria-e-desempenho-leitura-essencial-para-43d43f.md) - Um artigo de Ulrich Drepper oferece contexto para engenheiros que trabalham com comportamento da memória e desempenho de software.
* [Radar: erros de multithreading em C++](https://ai.exponencialadm.net/okf/pt/radar/multithreading-em-c-erros-comuns-e-a604df.md) - Publicado em 29 de março de 2026, o material promete abordar 20 erros comuns de programação concorrente em C++, com foco em C++20/23.
* [Ring buffer SPSC: otimização e desempenho](https://ai.exponencialadm.net/okf/pt/radar/como-otimizar-um-ring-buffer-spsc-58c2d4.md) - Artigo descreve a otimização de um ring buffer SPSC, da troca de mutexes por atomics a ajustes de cache, e relata desempenho em cada etapa.
* [DATA e Microwalk: comparação na análise de constant-time](https://ai.exponencialadm.net/okf/pt/radar/data-e-microwalk-comparacao-na-analise-9428b5.md) - Um artigo compara DATA e Microwalk para detectar violações de constant-time em bibliotecas criptográficas. O registro, datado de 28 de março de 2026, não informa resultados específicos da comparação.
* [eBPF: introdução e recursos para aprender](https://ai.exponencialadm.net/okf/pt/radar/ebpf-no-linux-introducao-e-recursos-2191ba.md) - Publicado em 28 de março de 2026, o material apresenta o eBPF como forma de executar programas em sandbox no kernel do Linux sem alterar seu código-fonte nem carregar um módulo.
* [Introdução à arquitetura e à computação em GPU](https://ai.exponencialadm.net/okf/pt/radar/introducao-a-arquitetura-e-a-computacao-c33507.md) - Um artigo introdutório oferece contexto sobre arquitetura e computação em GPU para engenheiros que desenvolvem ou otimizam software para esse tipo de processador.
* [Assembly e intrinsics em C e C++](https://ai.exponencialadm.net/okf/pt/radar/assembly-ou-intrinsics-escolhas-de-baixo-d28092.md) - O artigo de Dan Luu aborda assembly e intrinsics, temas relevantes para engenheiros que avaliam escolhas de implementação de baixo nível em C e C++.
* [Sobreposição de transferências em CUDA C/C++](https://ai.exponencialadm.net/okf/pt/radar/como-sobrepor-transferencias-e-computacao-em-31d6ed.md) - Post de Mark Harris no NVIDIA Technical Blog, publicado em 27 de março de 2026, explica a sobreposição de transferências de dados e computação em CUDA C/C++ e sua possível contribuição para aproveitar melhor o tempo de CPU e GPU.
* [CppCon 2025 aborda JSON com reflection do C++26](https://ai.exponencialadm.net/okf/pt/radar/cppcon-2025-explora-json-com-reflection-61f59c.md) - Palestra da CppCon 2025 apresenta serialização e desserialização de JSON em C++ usando recursos de reflection previstos para o C++26 e a biblioteca padrão, sem macros ou mapeamento manual.
* [Quantização binária pode reduzir embeddings a 128 bytes](https://ai.exponencialadm.net/okf/pt/radar/quantizacao-binaria-pode-reduzir-embeddings-a-6fe3c9.md) - Post publicado em 19 de março de 2026 descreve uma técnica que representa cada dimensão de um embedding com um bit, em vez de um valor de 32 bits. No exemplo, um vetor cai de 4.096 para 128 bytes.
* [Panorama de métodos de RL para LLMs de raciocínio](https://ai.exponencialadm.net/okf/pt/radar/como-comparar-metodos-de-rl-para-586c58.md) - Publicado em 16 de março de 2026, o artigo reúne métodos de aprendizado por reforço usados com modelos de linguagem e propõe um ponto de partida para compará-los.
* [DeepCrossAttention combina camadas conforme a entrada](https://ai.exponencialadm.net/okf/pt/radar/deepcrossattention-combina-camadas-conforme-a-entrada-b97480.md) - Publicado em 16 de março de 2026, o resumo descreve a DeepCrossAttention (DCA), abordagem que aprende pesos dependentes da entrada para combinar saídas de camadas do Transformer, em alternativa à soma residual tradicional.
* [Flash Attention em baixa precisão: por que o treinamento pode falhar](https://ai.exponencialadm.net/okf/pt/radar/flash-attention-em-baixa-precisao-por-e729c1.md) - Publicado em 15 de março de 2026, o resumo de um paper examina explosões catastróficas da loss e aponta padrões semelhantes nos dados de attention e erros de arredondamento enviesados como possíveis causas.
* [Artigo relata ganhos com atenção exclusiva](https://ai.exponencialadm.net/okf/pt/radar/atencao-exclusiva-altera-o-calculo-entre-8481fe.md) - Publicado em 12 de março de 2026, o artigo apresenta uma variante de atenção que exclui o próprio vetor de valor de cada token e relata desempenho superior em modelos de linguagem de até 2,7 bilhões de parâmetros.
* [C++20: introdução a Ranges e Views](https://ai.exponencialadm.net/okf/pt/radar/primeiros-passos-com-c-20-ranges-9c80b7.md) - Publicado em 12 de março de 2026, o item apresenta um artigo introdutório sobre ranges e views do C++20, destinado a quem começa a aprender esses recursos.
* [Intel atualiza AVX10.2 para a versão 6.0](https://ai.exponencialadm.net/okf/pt/radar/avx10-2-chega-a-versao-6-251daf.md) - A Intel publicou a versão 6.0 da especificação AVX10.2 e renomeou AVX10_VNNI_INT para AVX10_V1_AUX; a mudança pode afetar o suporte em compiladores e hardware.
* [ONNX: comparação entre CPU e GPU](https://ai.exponencialadm.net/okf/pt/radar/cpu-e-gpu-na-inferencia-com-e705c5.md) - Artigo publicado em 11 de março de 2026 compara inferência ONNX Runtime em uma GPU NVIDIA L4 e uma CPU AMD EPYC 9965; o autor relata vantagem da CPU no cenário descrito.
* [FlashAttention-4 mira GPUs NVIDIA Blackwell](https://ai.exponencialadm.net/okf/pt/radar/flashattention-4-mira-gpus-nvidia-blackwell-4d6da4.md) - Publicada em 11 de março de 2026, a nota descreve novos pipelines, cálculos reformulados e otimizações de memória para FlashAttention-4 em GPUs Blackwell.
* [Revisão compara algoritmos para conversão de floats](https://ai.exponencialadm.net/okf/pt/radar/conversao-de-floats-em-decimais-curtos-6dfc05.md) - Prévia de artigo compara algoritmos que convertem valores binários de ponto flutuante em strings decimais curtas. Schubfach e Dragonbox chegam a até dez vezes a velocidade de Dragon4, segundo o resumo.
* [Mais de 250 notebooks para fine-tuning e RL](https://ai.exponencialadm.net/okf/pt/radar/notebooks-para-fine-tuning-e-rl-26f31f.md) - Publicado em 10 de março de 2026, o repositório reúne mais de 250 notebooks com exemplos de fine-tuning e aprendizado por reforço para diferentes modalidades de modelos.
* [Treinamento FP4 de modelos MoE em GPUs Hopper](https://ai.exponencialadm.net/okf/pt/radar/treinamento-fp4-de-modelos-moe-em-b4b4ce.md) - Uma análise prática do treinamento em FP4 de modelos Mixture-of-Experts de grande escala em GPUs Hopper destaca memória de ativações e comunicação expert-parallel como gargalos.
* [Radar: projetando um algoritmo SIMD do zero](https://ai.exponencialadm.net/okf/pt/radar/como-projetar-um-algoritmo-simd-do-06c4a3.md) - Publicado em 7 de março de 2026, o artigo apresenta o projeto de um algoritmo SIMD do zero com foco em Base64 e oferece um exemplo concreto para engenheiros.
* [FEVM prepara PC fino com Core Ultra 300 e 10GbE](https://ai.exponencialadm.net/okf/pt/radar/fevm-prepara-pc-fino-com-core-530050.md) - Em 7 de março de 2026, um boletim informou que a FEVM está preparando um PC ultrafino com Intel Core Ultra 300, rede 10GbE e três slots M.2. A configuração pode interessar a quem avalia sistemas compactos com rede rápida e vários SSDs NVMe.
* [Guia prático de C++ bare-metal para engenheiros](https://ai.exponencialadm.net/okf/pt/radar/guia-pratico-de-c-bare-metal-a67e09.md) - Um recurso de Alex Robenko voltado a engenheiros que trabalham com C++ em ambientes bare-metal.
* [Legal RAG Bench mede busca em direito penal](https://ai.exponencialadm.net/okf/pt/radar/legal-rag-bench-mede-recuperacao-em-cd02d8.md) - Paper publicado em 7 de março de 2026 apresenta um benchmark com 4.876 trechos de direito penal e 100 perguntas complexas elaboradas por especialistas jurídicos para avaliar retrieval em sistemas de legal RAG.
* [Técnicas de otimização em C++ para CPUs modernas](https://ai.exponencialadm.net/okf/pt/radar/otimizacao-em-c-para-aproveitar-cpus-311cbe.md) - Publicado em 7 de março de 2026, o registro destaca uma apresentação de Fedor G. Pikus no C++Now 2024 sobre otimização em C++ e aponta para o vídeo e os slides.
* [FireRedVAD detecta voz e eventos em mais de 100 idiomas](https://ai.exponencialadm.net/okf/pt/radar/fireredvad-detecta-voz-e-eventos-em-3429cc.md) - Publicado em 5 de março de 2026, o projeto FireRedVAD no GitHub apresenta detecção de atividade de voz e de eventos de áudio, com suporte informado a mais de 100 idiomas.
* [LightRetriever acelera recuperação de texto com LLMs](https://ai.exponencialadm.net/okf/pt/radar/lightretriever-acelera-recuperacao-de-texto-com-afcc79.md) - Artigo publicado em 5 de março de 2026 relata que o LightRetriever codifica consultas 1.000 vezes mais rápido e alcança throughput 10 vezes maior, mantendo 95% do desempenho nos benchmarks.
* [OpenVul propõe framework para detectar vulnerabilidades com LLMs](https://ai.exponencialadm.net/okf/pt/radar/openvul-framework-aberto-para-deteccao-de-4f01e3.md) - Publicado em 5 de março de 2026, o OpenVul é apresentado como um framework open source de post-training para detecção de vulnerabilidades com LLMs. A descrição aponta o repositório do projeto, mas não informa resultados de avaliação.
* [TCL anuncia monitor 32X3A OLED+ 4K de 240 Hz](https://ai.exponencialadm.net/okf/pt/radar/tcl-anuncia-monitor-32x3a-oled-com-32b5b3.md) - Em 5 de março de 2026, a TCL anunciou o 32X3A, monitor OLED+ com resolução 4K, taxa de atualização de 240 Hz e design ultrafino.
* [Coleção sobre segurança do kernel Linux recebe atualizações](https://ai.exponencialadm.net/okf/pt/radar/colecao-sobre-seguranca-do-kernel-linux-21cf30.md) - Publicada em 4 de março de 2026, a nota informa que uma coleção de recursos sobre segurança e exploração do kernel Linux recebeu atualizações referentes a janeiro e fevereiro.
* [Primitivas de warp no CUDA](https://ai.exponencialadm.net/okf/pt/radar/como-primitivas-de-warp-ajudam-a-cb1195.md) - Publicado em 4 de março de 2026, o artigo do NVIDIA Technical Blog apresenta a execução de warps no modelo SIMT e sua utilização em programas CUDA.
* [Consultando 3 Bilhões de Vetores: requisitos em escala](https://ai.exponencialadm.net/okf/pt/radar/consultando-3-bilhoes-de-vetores-o-bbf169.md) - Publicado em 4 de março de 2026, o artigo aborda a consulta de 3 bilhões de vetores. A prévia observa que os requisitos são difíceis e apresenta o tema como ponto de partida para refletir sobre retrieval vetorial em grande escala.
* [CUDA Agent aplica reinforcement learning à geração de kernels](https://ai.exponencialadm.net/okf/pt/radar/cuda-agent-aplica-reinforcement-learning-a-0cd180.md) - Um sistema de reinforcement learning agentic em larga escala busca gerar kernels CUDA de alto desempenho, uma tarefa que exige conhecimento especializado de hardware.
* [Fibers e expansão de stack em tempo de execução](https://ai.exponencialadm.net/okf/pt/radar/fibers-e-expansao-de-stack-em-17b63f.md) - Artigo de Raymond Chen aborda o uso de fibers para expandir a stack de uma thread durante a execução. A primeira parte trata de um valor de retorno simples.
* [LoRA como memória: auditoria de escala e saturação](https://ai.exponencialadm.net/okf/pt/radar/lora-como-memoria-o-que-medir-8ea8e0.md) - Post de 4 de março de 2026 resume um paper sobre como a memória de conhecimento armazenada por LoRA escala e satura conforme o rank.
* [SIGReg em chunks reduz VRAM no LeJEPA](https://ai.exponencialadm.net/okf/pt/radar/sigreg-em-chunks-reduz-vram-no-43bd34.md) - Relato publicado em 4 de março de 2026 afirma que dividir 256 slices de SIGReg em chunks de 32 reduziu em oito vezes o uso de VRAM e acelerou a execução em uma GPU 4090 MaxQ.
* [Tutorial apresenta subgroups no Vulkan 1.1](https://ai.exponencialadm.net/okf/pt/radar/tutorial-apresenta-subgroups-no-vulkan-1-c5400d.md) - Material da Khronos explica como subgroups permitem compartilhar e manipular dados entre tarefas paralelas na GPU, e sugere compará-los com abordagens baseadas em shared memory.
* [Arquivo do Advent of Compiler Optimizations 2025](https://ai.exponencialadm.net/okf/pt/radar/arquivo-do-advent-of-compiler-optimizations-df79bf.md) - O blog de Matt Godbolt reúne um arquivo do Advent of Compiler Optimizations 2025, que pode ajudar engenheiros de C e C++ a explorar otimizações de compiladores.
* [Introdução fundamental à programação em Assembly x86](https://ai.exponencialadm.net/okf/pt/radar/assembly-x86-um-ponto-de-partida-62f6a5.md) - Publicado em 3 de março de 2026, o material de Nayuki apresenta Assembly x86 como recurso de aprendizagem e destaca sua relevância para profissionais de C e C++ que analisam código de baixo nível e desempenho.
* [Barreiras de memória e layouts de imagem no Vulkan](https://ai.exponencialadm.net/okf/pt/radar/barreiras-de-memoria-e-layouts-de-39efcb.md) - Um post técnico aborda barreiras de memória e layouts de imagem no Vulkan, com foco em engenheiros que trabalham com sincronização de memória de GPU.
* [Limitações de bloqueadores ultrassônicos de microfone](https://ai.exponencialadm.net/okf/pt/radar/bloqueadores-ultrassonicos-limites-a-avaliar-360c7a.md) - Publicação de 3 de março de 2026 questiona alegações sobre um bloqueador portátil de áudio e destaca limites de detecção, alcance e propagação acústica.
* [LoRA como memória de conhecimento: análise empírica](https://ai.exponencialadm.net/okf/pt/radar/lora-como-memoria-de-conhecimento-limites-68ab03.md) - Publicado em 3 de março de 2026, o artigo examina adapters LoRA como memória paramétrica e modular para atualizar o conhecimento de modelos de linguagem pré-treinados, incluindo capacidade, escalabilidade e interferência na mesclagem.
* [Operações atômicas e contenção em caches coerentes](https://ai.exponencialadm.net/okf/pt/radar/operacoes-atomicas-e-contencao-em-caches-6ead51.md) - Publicado em 3 de março de 2026, o artigo de Fabian Giesen aborda primitivas para construir sistemas sobre caches coerentes e dá sequência a um texto anterior sobre coerência de cache.
* [Por dentro da GPU Blackwell da NVIDIA](https://ai.exponencialadm.net/okf/pt/radar/por-dentro-da-gpu-blackwell-da-faf4d0.md) - Um artigo examina a GPU Blackwell e a relaciona à tradição da NVIDIA de construir GPUs grandes. O contexto pode ajudar engenheiros a compreender a arquitetura por trás de suas cargas de trabalho.
* [Livro examina a engenharia de inferência em produção](https://ai.exponencialadm.net/okf/pt/radar/um-guia-para-estudar-engenharia-de-9b4383.md) - Publicado no arquivo em 3 de março de 2026, o registro descreve um livro de Philip Kiely sobre hardware, software, técnicas e infraestrutura para executar modelos de IA em produção, com foco principal em LLMs e algum conteúdo sobre diffusion.
* [AMD anuncia desktops Ryzen AI PRO 400](https://ai.exponencialadm.net/okf/pt/radar/amd-anuncia-ryzen-ai-pro-400-bc9679.md) - Em 2 de março de 2026, a AMD anunciou na Mobile World Congress novos produtos da série Ryzen AI PRO 400, incluindo processadores desktop. O informe destaca o interesse para engenheiros que acompanham opções de processadores, sem detalhar especificações.
* [Radar: como o libc++ implementa std::string](https://ai.exponencialadm.net/okf/pt/radar/como-o-libc-implementa-std-string-c30000.md) - Publicado em 2 de março de 2026, o artigo de Joel Laity examina a implementação de std::string no libc++. O tema pode ajudar engenheiros a avaliar o comportamento e o desempenho de strings.
* [Radar: layout de stack frames em x86-64](https://ai.exponencialadm.net/okf/pt/radar/entenda-o-layout-de-stack-frames-99e6a0.md) - Artigo de Eli Bendersky, publicado em 2 de março de 2026, sobre o layout de stack frames em x86-64 e sua relação com chamadas de função.
* [Linking dinâmico e estático: custos e escolhas](https://ai.exponencialadm.net/okf/pt/radar/linking-dinamico-ou-estatico-como-avaliar-a238f2.md) - Artigo de Jordan Rose examina o equilíbrio entre tempo de inicialização e espaço em disco no linking dinâmico e estático, e observa que ainda há espaço para melhorias.
* [Programação paralela: desafios e caminhos](https://ai.exponencialadm.net/okf/pt/radar/programacao-paralela-desafios-e-caminhos-para-2fdd74.md) - Publicado em 2 de março de 2026, este registro apresenta um livro de Paul McKenney sobre os desafios da programação paralela e o que pode ser feito a respeito. É indicado a engenheiros que procuram orientações sobre o tema.
* [RLHF com verl em GPUs AMD e ROCm 7.0](https://ai.exponencialadm.net/okf/pt/radar/rlhf-com-verl-em-gpus-amd-59ad83.md) - Em publicação de 2 de março de 2026, a AMD descreve a implantação do verl para treinamento de RLHF em GPUs AMD, com otimizações para ROCm e scripts Docker. O artigo apresenta resultados de throughput e convergência, sem números especificados no material disponível.
* [Treinamento de redes neurais no Neural Engine da Apple](https://ai.exponencialadm.net/okf/pt/radar/treinamento-de-redes-neurais-no-neural-0ef7da.md) - Publicado em 2 de março de 2026, o registro apresenta o repositório ANE, que descreve treinamento de redes neurais por meio de APIs privadas obtidas por engenharia reversa do Neural Engine da Apple.
* [Microsoft anuncia transcrição de áudio longo com VibeVoice-ASR](https://ai.exponencialadm.net/okf/pt/radar/vibevoice-asr-promete-transcrever-audio-de-60b7b5.md) - Em 2 de março de 2026, a Microsoft afirmou que o VibeVoice-ASR transcreve áudios de até 60 minutos em uma única passagem e oferece diarização, timestamps, hotwords e suporte a mais de 50 idiomas.
* [DAPO relata avanço de 30% para 50% no AIME](https://ai.exponencialadm.net/okf/pt/radar/dapo-relata-grpo-de-30-para-94d03a.md) - O paper DAPO informa que o GRPO padrão obteve 30% no AIME em seus experimentos; com a adição de algumas técnicas, o resultado relatado subiu para 50%.
* [FlashAttention do zero em CuPy e CUDA](https://ai.exponencialadm.net/okf/pt/radar/flashattention-do-zero-em-cupy-e-2ca86f.md) - Projeto publicado em 1º de março de 2026 implementa FlashAttention com tiling e online softmax, sem materializar a matriz de scores NxN. O autor relata verificação matemática, mas nenhum speedup frente ao cuBLAS.
* [Inferência rápida de LLM do zero: ponto de partida](https://ai.exponencialadm.net/okf/pt/radar/inferencia-rapida-de-llm-do-zero-2228e4.md) - O artigo de Andrew Chan, publicado em 1º de março de 2026, apresenta uma proposta prática para engenheiros interessados em implementar inferência de modelos de linguagem.
* [Memória e previsão de desvios no desempenho](https://ai.exponencialadm.net/okf/pt/radar/memoria-e-previsao-de-desvios-no-a42036.md) - Um artigo investiga como o subsistema de memória interage com a previsão de desvios e influencia o desempenho do software.
* [Modelos de memória de hardware: introdução](https://ai.exponencialadm.net/okf/pt/radar/modelos-de-memoria-de-hardware-e-1906bb.md) - Artigo de Russ Cox abre uma série sobre modelos de memória e explica por que os modelos de hardware ajudam a analisar software concorrente.
* [Modelos de memória em linguagens de programação](https://ai.exponencialadm.net/okf/pt/radar/modelos-de-memoria-em-linguagens-de-81a770.md) - Publicado em 1º de março de 2026, o artigo de Russ Cox é a segunda parte de uma série sobre modelos de memória e trata dos modelos usados por linguagens de programação.
* [Ordem de bibliotecas na linkedição estática](https://ai.exponencialadm.net/okf/pt/radar/ordem-de-bibliotecas-na-linkedicao-estatica-235289.md) - Publicado em 1º de março de 2026, o artigo de Eli Bendersky trata da ordem de bibliotecas na linkedição estática e de sua utilidade para diagnosticar problemas.
* [V8: compressão de ponteiros reduz heap em até 43%](https://ai.exponencialadm.net/okf/pt/radar/pointer-compression-no-v8-menos-memoria-63a52c.md) - Artigo do V8 apresenta a compressão de ponteiros como otimização de memória e afirma que ela reduziu o tamanho do heap em até 43%.
* [Value speculation e o desafio de superar o cache L1](https://ai.exponencialadm.net/okf/pt/radar/value-speculation-e-o-desafio-de-8b5b1c.md) - Um artigo de Francesco Mazzoli aborda value speculation como técnica de desempenho para código sensível à latência. O resumo disponível não detalha implementação, resultados ou condições de teste.
* [Especificação do formato ELF](https://ai.exponencialadm.net/okf/pt/radar/formato-elf-guia-para-estudar-binarios-b16a63.md) - Registro de 28 de fevereiro de 2026 destaca a especificação do Executable and Linkable Format (ELF), referência para quem trabalha com executáveis, arquivos-objeto e ferramentas para binários.
* [Comparação de hardware de IA para inferência](https://ai.exponencialadm.net/okf/pt/radar/hardware-de-inferencia-em-2026-comparacao-822b26.md) - Publicado em 28 de fevereiro de 2026, o resumo apresenta uma comparação do cenário de chips de inferência, com foco no custo por token e nos trade-offs frente a GPUs.
* [Introdução passo a passo ao CUDA C++](https://ai.exponencialadm.net/okf/pt/radar/introducao-passo-a-passo-a-programacao-9900e2.md) - Post publicado em 28 de fevereiro de 2026 apresenta a programação CUDA por meio de um exemplo simples e passo a passo de programação paralela.
* [A arte perdida de organizar estruturas](https://ai.exponencialadm.net/okf/pt/radar/organizacao-de-estruturas-em-c-um-9f1808.md) - Item do Radar: Eric S. Raymond publicou o artigo “The Lost Art of Structure Packing”, sobre organização de estruturas, tema ligado à linguagem C e ao layout de memória. A fonte não traz mais detalhes sobre o conteúdo.
* [Post compara ColBERTv2 e Qwen3-Embed-8B](https://ai.exponencialadm.net/okf/pt/radar/colbertv2-qwen3-e-bm25-compare-o-7e44a0.md) - Um post afirma que o ColBERTv2, com 100 milhões de parâmetros, supera o Qwen3-Embed-8B e destaca o BM25 com reranking como baseline competitivo para deep research.
* [Radar: C++ moderno com segurança](https://ai.exponencialadm.net/okf/pt/radar/como-adotar-c-moderno-com-seguranca-8494a3.md) - Uma publicação de 27 de fevereiro de 2026 recomenda um livro sobre quando usar ou evitar recursos do C++ moderno.
* [Como reduzir a sincronização em sistemas multithread](https://ai.exponencialadm.net/okf/pt/radar/como-reduzir-a-sincronizacao-em-sistemas-a85bc0.md) - Um bom design multithread reduz a sincronização desnecessária para permitir mais execução simultânea, sem ignorar os pontos em que sincronizar é essencial para a correção.
* [Lepton XDS une imagem térmica e RGB](https://ai.exponencialadm.net/okf/pt/radar/lepton-xds-reune-imagem-termica-e-14b4bf.md) - Publicado em 27 de fevereiro de 2026, o Lepton XDS combina uma câmera térmica radiométrica de 160 × 120 com uma câmera visível de 5 MP. O software oferece sobreposições de medição e suporte a JPEG radiométrico; há um kit de desenvolvimento.
* [Por que CPUs têm vários níveis de cache](https://ai.exponencialadm.net/okf/pt/radar/por-que-cpus-tem-varios-niveis-a7854b.md) - Um artigo de Fabian Giesen aprofunda a pergunta de por que CPUs têm vários níveis de cache e aponta a relevância do tema para a análise de desempenho.
* [Palestra aborda computação centrada na memória](https://ai.exponencialadm.net/okf/pt/radar/computacao-centrada-na-memoria-palestra-de-3c9277.md) - PDF da palestra de Onur Mutlu na EFCL Winter School 2026 apresenta uma abordagem voltada a desafios de desempenho relacionados à memória.
* [Darkweb Scanner monitora palavras-chave em sites .onion](https://ai.exponencialadm.net/okf/pt/radar/darkweb-scanner-monitora-palavras-chave-em-a8e897.md) - Publicado em 26 de fevereiro de 2026, o registro apresenta uma ferramenta de OSINT para monitorar palavras-chave em sites .onion, com foco declarado em threat intelligence e monitoramento de marcas.
* [OpenAnonymity propõe inference não vinculável](https://ai.exponencialadm.net/okf/pt/radar/openanonymity-propoe-separar-identidade-e-inferencia-87a90f.md) - Publicado em 26 de fevereiro de 2026, o texto apresenta uma abordagem para impedir que provedores de IA associem chamadas de inference a usuários individuais. Afirma que ela foi integrada a uma infraestrutura de código aberto e a um aplicativo de chat.
* [Diário de otimização de matrizes em CUDA](https://ai.exponencialadm.net/okf/pt/radar/otimizacao-iterativa-de-multiplicacao-de-matrizes-5e3406.md) - Publicado em 26 de fevereiro de 2026, o diário descreve a otimização iterativa de um kernel CUDA de multiplicação de matrizes e as decisões tomadas para buscar desempenho próximo ao do cuBLAS.
* [Padding para reutilizar CUDA graphs](https://ai.exponencialadm.net/okf/pt/radar/padding-de-inputs-para-reutilizar-cuda-3a3337.md) - Publicado em 26 de fevereiro de 2026, o resumo apresenta uma estratégia para workloads de inferência com comprimentos de sequência variáveis: definir um tamanho máximo, preencher os inputs até o intervalo mais próximo e criar uma família de CUDA graphs. Segundo o autor, isso evita recompilações.
* [Pipeline multiagente da Praetorian para templates de detecção de CVEs](https://ai.exponencialadm.net/okf/pt/radar/pipeline-multiagente-transforma-pesquisa-de-cves-7c7e9a.md) - A Praetorian descreve um pipeline multiagente que transforma pesquisas de CVEs em templates Nuclei validados, com agentes especializados, três provedores de modelos e um ciclo de refinamento actor-critic.
* [CUDA: transposição de matrizes com shared memory](https://ai.exponencialadm.net/okf/pt/radar/transposicao-de-matrizes-em-cuda-com-a68a37.md) - Publicado em 26 de fevereiro de 2026, o artigo de Mark Harris aborda como shared memory pode melhorar o desempenho da transposição de matrizes em CUDA C/C++.
* [Tutorial aborda técnicas para dLLMs](https://ai.exponencialadm.net/okf/pt/radar/como-estudar-tecnicas-de-inferencia-e-29a153.md) - Publicado em 25 de fevereiro de 2026, o tutorial de cerca de 22 minutos trata de inferência e treinamento de modelos de linguagem baseados em difusão (dLLMs).
* [Guia explora a criação de um iPhone virtual](https://ai.exponencialadm.net/okf/pt/radar/guia-explora-a-criacao-de-um-ca2396.md) - Um guia publicado em um repositório no GitHub pode servir de referência para engenheiros interessados em explorar configurações de iPhone virtual. O material disponível não detalha etapas nem requisitos técnicos.
* [Padrões de kernels CUDA: quatro operações centrais](https://ai.exponencialadm.net/okf/pt/radar/quatro-padroes-para-estudar-kernels-cuda-ffd171.md) - Publicado em 25 de fevereiro de 2026, o registro destaca reduction, convolução 1D, histograma e softmax estável numericamente como padrões importantes de kernels CUDA, com técnicas de paralelização e uso de memória.
* [Receitas de RL para matemática, código e ferramentas](https://ai.exponencialadm.net/okf/pt/radar/receitas-de-rl-para-matematica-codigo-dbace5.md) - A documentação da Prime Intellect reúne receitas práticas de treinamento com aprendizado por reforço para raciocínio matemático, geração de código, uso de ferramentas e outras tarefas no Lab.
* [Análise técnica do Intel Management Engine](https://ai.exponencialadm.net/okf/pt/radar/intel-me-vulnerabilidades-e-deteccao-4cc9f2.md) - Artigo examina a arquitetura e o firmware do Intel Management Engine, a exploração da CVE-2017-5689, uma condição de corrida TOCTOU na CVE-2025-20037, o PKfail e métodos de detecção.
* [Demonstração de QLoRA usa 50 saídas de modelo](https://ai.exponencialadm.net/okf/pt/radar/qlora-em-demonstracao-50-saidas-para-33e25d.md) - Publicado em 24 de fevereiro de 2026, o relato descreve uma demonstração local de destilação: 50 saídas do GPT-5.2 foram usadas para ajustar o Llama 3B com QLoRA. O autor afirma que o processo transferiu capacidades significativas.
* [Exclusão segura em mídias magnéticas e de estado sólido](https://ai.exponencialadm.net/okf/pt/radar/exclusao-segura-em-midias-magneticas-e-05be89.md) - Artigo de Peter Gutmann, de 1996, discute remanência de dados e os limites da sobrescrita única em mídias magnéticas.
* [HPC++ promete paralelizar C++ para CPUs e GPUs](https://ai.exponencialadm.net/okf/pt/radar/hpc-leva-c-sequencial-a-cpus-2c94de.md) - Publicado em 22 de fevereiro de 2026, o registro descreve um framework baseado em LLVM que converte programas sequenciais em C++ em implementações paralelas para CPUs multicore e GPUs compatíveis com OpenCL.
* [ntransformer afirma executar Llama 70B em RTX 3090](https://ai.exponencialadm.net/okf/pt/radar/ntransformer-executa-llama-70b-em-uma-da9fa3.md) - Publicado em 22 de fevereiro de 2026, o registro descreve um engine de inferência em C++/CUDA que afirma executar Llama 70B em uma RTX 3090, com transferência de NVMe para GPU sem passar pela CPU.
* [llmfit estima compatibilidade de modelos com hardware local](https://ai.exponencialadm.net/okf/pt/radar/llmfit-ajuda-a-avaliar-modelos-para-48bd38.md) - Publicado em 21 de fevereiro de 2026, o registro descreve o llmfit, ferramenta que analisa hardware para identificar modelos compatíveis e estimar desempenho antes do download dos pesos.
* [VulnLLM-R-7B para detectar vulnerabilidades](https://ai.exponencialadm.net/okf/pt/radar/vulnllm-r-7b-raciocinio-aplicado-a-5b13fd.md) - Um registro de 21 de fevereiro de 2026 apresenta o VulnLLM-R-7B como modelo de raciocínio especializado em detecção de vulnerabilidades, sem informar benchmarks ou resultados quantitativos.
* [Booth compila CUDA para GPUs AMD](https://ai.exponencialadm.net/okf/pt/radar/booth-explora-compilacao-para-cuda-triton-8104fd.md) - Publicado em 18 de fevereiro de 2026, o registro apresenta o Booth como compilador open source para CUDA, Triton e HIP, voltado a várias arquiteturas de GPU e CPU.
* [Booth explora compilação para GPUs e CPUs](https://ai.exponencialadm.net/okf/pt/radar/booth-explora-compilacao-para-gpus-e-79557e.md) - Publicado em 18 de fevereiro de 2026, o registro apresenta o Booth como um compilador open source para CUDA, Triton e HIP, com suporte a diferentes arquiteturas de GPU e CPU.
* [Guia reúne algoritmos padrão de C++](https://ai.exponencialadm.net/okf/pt/radar/como-estudar-algoritmos-padrao-de-c-606e25.md) - Publicado em 18 de fevereiro de 2026, o registro apresenta um repositório no GitHub associado ao livro “The Standard Algorithms in C++”, de Šimon Tóth.
* [Erros de ponto flutuante em C++](https://ai.exponencialadm.net/okf/pt/radar/como-tratar-erros-de-ponto-flutuante-39c529.md) - Artigo publicado em 18 de fevereiro de 2026 apresenta técnicas para detectar e tratar erros de ponto flutuante em C++, considerando possíveis efeitos sobre a correção e o desempenho em tempo de execução.
* [Kascade reaproveita atenção esparsa entre camadas Transformer](https://ai.exponencialadm.net/okf/pt/radar/kascade-reutiliza-atencao-esparsa-entre-camadas-f7ba16.md) - Publicado em 18 de fevereiro de 2026, o resumo apresenta o Kascade: uma abordagem de inferência que calcula atenção completa em camadas de referência e reutiliza esses resultados nas camadas intermediárias.
* [Documentação do linker LLD: design e desempenho](https://ai.exponencialadm.net/okf/pt/radar/documentacao-do-linker-lld-design-e-9e5f6b.md) - Publicada em 17 de fevereiro de 2026, a página de documentação do LLVM para o LLD apresenta um vídeo sobre detalhes internos, design, estruturas de dados e desempenho do linker.
* [Intel documenta acesso a instruções por funções C](https://ai.exponencialadm.net/okf/pt/radar/guia-da-intel-reune-intrinsics-para-c40c48.md) - Publicado em 17 de fevereiro de 2026, o Intel Intrinsics Guide lista funções no estilo C que dão acesso a instruções de processadores sem exigir código assembly.
* [hf-mem estima memória necessária para novos modelos](https://ai.exponencialadm.net/okf/pt/radar/hf-mem-estima-memoria-necessaria-para-71f737.md) - Publicado em 17 de fevereiro de 2026, o relato apresenta o hf-mem, uma ferramenta de linha de comando para estimar requisitos de memória à medida que as arquiteturas de modelos mudam.
* [CogRouter ajusta o raciocínio por etapa](https://ai.exponencialadm.net/okf/pt/radar/cogrouter-ajusta-o-raciocinio-por-etapa-60abf6.md) - Publicado em 16 de fevereiro de 2026, o relato descreve quatro níveis cognitivos para ajustar a profundidade do raciocínio de agentes com LLMs e informa 82,3% de sucesso em benchmarks para um modelo de 7B.
* [Radar: como escrever bibliotecas compartilhadas](https://ai.exponencialadm.net/okf/pt/radar/como-estudar-e-escrever-shared-libraries-b4fcb5.md) - Publicado em 16 de fevereiro de 2026, o bookmark apresenta um guia de Ulrich Drepper sobre como escrever bibliotecas compartilhadas, voltado a engenheiros que trabalham com seu design e implementação.
* [Project Aura: monitor de ar com ESP32-S3](https://ai.exponencialadm.net/okf/pt/radar/project-aura-monitor-diy-de-qualidade-ed4e74.md) - Publicado em 16 de fevereiro de 2026, o Project Aura é um monitor DIY de qualidade do ar com touchscreen, sensores e suporte a Home Assistant.
* [Self-distillation para continual learning sem recompensa](https://ai.exponencialadm.net/okf/pt/radar/self-distillation-para-continual-learning-sem-e504de.md) - Publicado em 16 de fevereiro de 2026, o post descreve uma técnica de self-distillation para continual learning: um modelo condicionado por demonstração atua como teacher para treinar o mesmo modelo sem a demonstração, sem definir função de recompensa.
* [Linkers: guia introdutório para C e C++](https://ai.exponencialadm.net/okf/pt/radar/linkers-guia-inicial-para-entender-o-ba9635.md) - Publicado em 15 de fevereiro de 2026, o material apresenta um guia para iniciantes e destaca por que entender linkers ajuda engenheiros a compreender o processo de build de programas em C e C++.
* [Notebook em PyTorch explora melhorias no GRPO](https://ai.exponencialadm.net/okf/pt/radar/notebook-em-pytorch-explora-melhorias-no-b1d42f.md) - Publicado em 15 de fevereiro de 2026, o material apresenta o capítulo 7 de Reasoning From Scratch: uma implementação de GRPO que adiciona e analisa razões de política limitadas, um termo KL, recompensas de formato e outras melhorias.
* [QED-Nano: um modelo 4B para provas de olimpíada](https://ai.exponencialadm.net/okf/pt/radar/qed-nano-um-modelo-4b-para-d7b5b9.md) - Um projeto explora como treinar um modelo pequeno para provar teoremas difíceis e apresenta detalhes de treinamento, datasets e implementação.
* [RL online testa código HPC em máquinas reais](https://ai.exponencialadm.net/okf/pt/radar/rl-online-avalia-codigo-hpc-em-cb7f5e.md) - Artigo publicado em 15 de fevereiro de 2026 descreve treinamento com aprendizado por reforço online e recompensas baseadas em benchmarks executados em máquinas reais.
* [TurningPoint-GRPO aplica recompensas por etapa](https://ai.exponencialadm.net/okf/pt/radar/turningpoint-grpo-explora-recompensas-por-etapa-fe4736.md) - Publicado em 15 de fevereiro de 2026, o TurningPoint-GRPO é descrito como um framework para recompensas esparsas em modelos de flow matching, identificando etapas que invertem a tendência local da recompensa.
* [Exaviz CM5 leva oito portas PoE a mini NAS/NVR](https://ai.exponencialadm.net/okf/pt/radar/exaviz-cm5-leva-oito-portas-poe-bdf4f6.md) - Placa para Raspberry Pi Compute Module 5 reúne oito portas PoE e uplink de 2,5 Gbps em formato compatível com mini rack de 10 polegadas. O gabinete DeskPi exibido ainda não é a versão final.
* [GRPO sem treinamento usa memória de experiências](https://ai.exponencialadm.net/okf/pt/radar/grpo-sem-treinamento-usa-memoria-de-18c10d.md) - Método descrito mantém o modelo congelado e consulta uma memória textual de tentativas bem e malsucedidas. O relato afirma desempenho comparável ao fine-tuning com 100 exemplos.
* [Otimização de latência do Qwen3 na AMD MI300X](https://ai.exponencialadm.net/okf/pt/radar/latencia-do-qwen3-em-gpus-amd-4b473b.md) - Bookmark de 13 de fevereiro de 2026 sobre um artigo da LMSYS a respeito da latência do Qwen3 e do Qwen3-VL em GPUs AMD MI300X.
* [GAT: atenção destaca vizinhos relevantes em grafos](https://ai.exponencialadm.net/okf/pt/radar/graph-attention-networks-aprendem-quais-vizinhos-cdf837.md) - Um trabalho apresentado na ICLR 2018 descreve Graph Attention Networks, que ponderam informações de nós vizinhos por meio de pesos calculados para pares conectados. O registro foi publicado em 12 de fevereiro de 2026.
* [Inferência em C para transcrição Qwen3-ASR](https://ai.exponencialadm.net/okf/pt/radar/inferencia-em-c-para-transcricao-qwen3-0d515e.md) - Um repositório oferece inferência em C para os modelos de reconhecimento de fala Qwen3-ASR 0.6B e 1.7B, com possíveis usos em bots de transcrição e interfaces por voz.
* [SlimeVR Butterfly usa MCU nRF52833 em trackers](https://ai.exponencialadm.net/okf/pt/radar/trackers-slimevr-butterfly-usam-o-nrf52833-9d96bd.md) - Publicado em 12 de fevereiro de 2026, o registro descreve trackers de realidade virtual open-hardware que combinam IMUs, um MCU wireless nRF52833 e um protocolo ESB personalizado de 2,4 GHz.
* [Três abordagens de self-distillation on-policy](https://ai.exponencialadm.net/okf/pt/radar/tres-abordagens-de-self-distillation-on-3dc1c7.md) - Publicado em 12 de fevereiro de 2026, o artigo examina OPSD, SDFT e SDPO, métodos de self-distillation on-policy que usam feedback mais denso, além de benchmarks e limitações.
* [vLLM anuncia entradas em streaming e API WebSocket](https://ai.exponencialadm.net/okf/pt/radar/vllm-apresenta-entradas-em-streaming-e-00e07e.md) - Publicado em 11 de fevereiro de 2026, o blog do vLLM descreve entradas em streaming e uma API WebSocket em tempo real para aplicações que processam áudio, vídeo e outros dados incrementalmente.
* [Beelink ME Pro reúne SATA, M.2 e rede 5GbE](https://ai.exponencialadm.net/okf/pt/radar/beelink-me-pro-reune-sata-m-6852a4.md) - Anunciado em 10 de fevereiro de 2026, o Beelink ME Pro combina formato compacto de NAS e mini PC, dois bays SATA, até três sockets M.2 NVMe e rede 5GbE.
* [ROME explora crédito por trechos no treino de agentes](https://ai.exponencialadm.net/okf/pt/radar/rome-explora-credito-por-trechos-no-d4fae3.md) - Um modelo de 3 bilhões de parâmetros usa recompensas por trecho, em vez de atribuir crédito apenas por token ou trajetória, para treinar agentes que utilizam ferramentas.
* [BM25 classifica documentos sem embeddings](https://ai.exponencialadm.net/okf/pt/radar/como-o-bm25-classifica-documentos-sem-9ff5e3.md) - Publicado em 9 de fevereiro de 2026, o post explica como o BM25 pontua resultados de busca por raridade dos termos, repetição e tamanho do documento, sem exigir treinamento, embeddings ou fine-tuning.
* [LatentMoE distribui heads entre GPUs](https://ai.exponencialadm.net/okf/pt/radar/latentmoe-distribui-heads-entre-gpus-para-d880e4.md) - Post de 9 de fevereiro de 2026 descreve um desenho de LatentMoE com paralelismo de heads e relata até 1,61× de speedup sobre MoE padrão com paralelismo de experts.
* [Local Studio propõe suporte a ROCm, fala, imagens e vídeo](https://ai.exponencialadm.net/okf/pt/radar/local-studio-propoe-suporte-a-rocm-7274eb.md) - Publicado em 9 de fevereiro de 2026, um pull request do Local Studio descreve suporte proposto a ROCm e um modo de fala com TTS/STT usando ACE-Step e Whisper v3 Large. A proposta também menciona imagens e vídeos.
* [MaxRL propõe verossimilhança para RL com recompensa binária](https://ai.exponencialadm.net/okf/pt/radar/maxrl-explora-verossimilhanca-em-rl-com-251ada.md) - Publicado em 9 de fevereiro de 2026, o post apresenta o MaxRL: rollouts adicionais aproximam o treinamento por máxima verossimilhança com amostragem não diferenciável. Segundo o texto, o método reduz a subponderação de prompts difíceis e chega a até 20× mais eficiência em tempo de teste que o GRPO.
* [Hex-Rays: apresentação sobre microcode](https://ai.exponencialadm.net/okf/pt/radar/microcode-por-dentro-do-decompiler-hex-f63330.md) - Publicado em 9 de fevereiro de 2026, o registro descreve uma apresentação sobre os aspectos internos do decompiler Hex-Rays, do IDA Pro, incluindo microcode. O post aponta para um vídeo e um PDF.
* [REMnux conecta agentes de IA a mais de 200 ferramentas](https://ai.exponencialadm.net/okf/pt/radar/remnux-integra-agentes-de-ia-a-86a03d.md) - Publicado em 9 de fevereiro de 2026, o relato descreve um servidor MCP do REMnux que conecta agentes de IA a mais de 200 ferramentas de análise de malware e oferece orientações para escolhê-las e interpretar resultados.
* [Google Research apresenta Sequential Attention](https://ai.exponencialadm.net/okf/pt/radar/sequential-attention-busca-modelos-mais-enxutos-9d44e9.md) - Em 9 de fevereiro de 2026, o Google Research apresentou uma abordagem que seleciona recursos ou camadas durante o treinamento para buscar modelos mais enxutos e rápidos, sem sacrificar a precisão.
* [VulnLLM-R-7B analisa vulnerabilidades em código](https://ai.exponencialadm.net/okf/pt/radar/vulnllm-r-7b-avaliando-um-modelo-142e3e.md) - Publicado em 9 de fevereiro de 2026, o VulnLLM-R-7B é apresentado como um modelo de raciocínio que busca vulnerabilidades em código examinando fluxos de dados e de controle.
* [VOLT: um compilador GPU open source](https://ai.exponencialadm.net/okf/pt/radar/volt-por-dentro-de-um-compilador-c8beb7.md) - Artigo publicado em 8 de fevereiro de 2026 apresenta o VOLT, um compilador GPU open source, e aborda arquiteturas GPU abertas emergentes que definem funcionalidades SIMT.
* [Pesquisa explora ativações generalizáveis](https://ai.exponencialadm.net/okf/pt/radar/alphaevolve-pesquisa-funcoes-de-ativacao-generalizaveis-3cec2b.md) - Publicação de 7 de fevereiro de 2026 relata o uso do AlphaEvolve na busca por funções de ativação, dentro de uma pesquisa mais ampla sobre a descoberta de arquiteturas de IA.
* [Repositório aberto explora agentes de voz](https://ai.exponencialadm.net/okf/pt/radar/repositorio-open-source-oferece-ponto-de-82a897.md) - Publicado em 6 de fevereiro de 2026, o repositório apresenta um ponto de partida para engenheiros criarem agentes de voz com modelos de código aberto.
* [Como GPUs evoluíram de SIMD para SIMT](https://ai.exponencialadm.net/okf/pt/radar/de-simd-a-simt-como-evoluiram-a0f576.md) - Artigo do blog ACM SIGGRAPH, publicado em 5 de fevereiro de 2026, explica como GPUs combinaram abstrações de threads com hardware SIMD e se tornaram processadores flexíveis para gráficos, IA e computação científica.
* [Oito maneiras de implementar defer em C](https://ai.exponencialadm.net/okf/pt/radar/oito-maneiras-de-implementar-defer-em-b95b8e.md) - Um artigo compara oito abordagens para implementar defer em C e discute portabilidade e padrões de cleanup.
* [Guia aborda chamadas de ferramentas com LLMs locais](https://ai.exponencialadm.net/okf/pt/radar/tool-calling-com-modelos-locais-guia-412212.md) - Publicado em 5 de fevereiro de 2026, o guia apresenta exemplos de chamadas de funções com modelos abertos: histórias, execução de Python, terminal e matemática.
* [Veritensor 1.4.0 amplia o escopo do projeto](https://ai.exponencialadm.net/okf/pt/radar/veritensor-1-4-0-amplia-o-ed775f.md) - Anunciada em 5 de fevereiro de 2026, a versão 1.4.0 é apresentada como uma grande atualização que transforma o scanner de modelos em uma plataforma de segurança de IA.
* [EB-JEPA reúne implementações modulares de JEPAs](https://ai.exponencialadm.net/okf/pt/radar/eb-jepa-biblioteca-open-source-para-e36c1b.md) - Publicado em 4 de fevereiro de 2026, o artigo apresenta a EB-JEPA, biblioteca open source para aprender representações e modelos de mundo com arquiteturas que preveem no espaço de representações, não no de pixels.
* [Sysdig relata invasão da AWS até o Bedrock](https://ai.exponencialadm.net/okf/pt/radar/invasao-na-aws-comeca-com-credenciais-f02e37.md) - Em 4 de fevereiro de 2026, a Sysdig descreveu uma invasão na AWS iniciada por credenciais expostas no S3 e escalada por meio do Lambda até o acesso ao Bedrock.
* [WeightWatch sinaliza colapso tardio da generalização](https://ai.exponencialadm.net/okf/pt/radar/weightwatcher-sinaliza-anti-grokking-em-dois-0861c3.md) - Um trabalho relata sinais de anti-grokking nas matrizes de pesos em dois experimentos com treinamento prolongado: um MLP de três camadas em um subconjunto do MNIST e um transformer treinado em adição modular.
* [Livro apresenta CUDA para workloads de LLMs](https://ai.exponencialadm.net/okf/pt/radar/cuda-para-llms-kernels-flash-attention-7a8798.md) - Publicado em 3 de fevereiro de 2026, o livro da Manning percorre programação CUDA para GPUs NVIDIA, dos primeiros kernels a Flash Attention, e menciona profiling com Nsight Compute.
* [CuTe Layouts: shapes e strides de matrizes](https://ai.exponencialadm.net/okf/pt/radar/cute-layouts-ajudam-a-entender-shapes-6f50e9.md) - Publicado em 3 de fevereiro de 2026, o registro recomenda os tutoriais de Layout Algebra do CUTLASS/CuTe para entender shapes e strides de matrizes e aponta a documentação do CuTe sobre layouts.
* [GLM-OCR anuncia modelo de OCR multimodal de 0,9B](https://ai.exponencialadm.net/okf/pt/radar/glm-ocr-modelo-multimodal-de-ocr-e09e1d.md) - Publicado em 3 de fevereiro de 2026, o anúncio descreve um modelo multimodal de OCR de 0,9B, com arquitetura GLM-V e licença MIT. A autora afirma que ele lidera o OmniDocBench v1.5, com pontuação de 94,62.
* [CoreRipperX 2.0 amplia testes de estresse de CPU](https://ai.exponencialadm.net/okf/pt/radar/coreripperx-2-0-traz-interface-e-cf1f25.md) - Publicado em 1º de fevereiro de 2026, o anúncio descreve uma nova interface, verificações de throttling e effective clock, testes AVX adicionais e modos de carga para a ferramenta de estresse de CPU.
* [IPC e a microarquitetura por trás do desempenho da CPU](https://ai.exponencialadm.net/okf/pt/radar/ipc-e-microarquitetura-como-analisar-cpus-e3f060.md) - Publicado em 1º de fevereiro de 2026, o material apresenta uma explicação concisa sobre a natureza do IPC e os componentes microarquiteturais da CPU que ajudam a alcançá-lo.
* [Escolhas de arquitetura e treinamento do nanochat](https://ai.exponencialadm.net/okf/pt/radar/o-que-a-discussao-do-nanochat-d3e5ab.md) - Publicação de 1º de fevereiro de 2026 reúne escolhas de arquitetura e otimização discutidas para o nanochat, oferecendo pontos de investigação para engenheiros.
* [Scaled dot-product attention explicado](https://ai.exponencialadm.net/okf/pt/radar/scaled-dot-product-attention-o-mecanismo-516137.md) - Publicado em 1º de fevereiro de 2026, o bookmark apresenta queries, keys e values e aponta para um notebook de implementação de sistemas de LLM e NLP a partir de primeiros princípios.
* [AMD publica especificação de duas instruções](https://ai.exponencialadm.net/okf/pt/radar/amd-publica-especificacao-de-instrucoes-bit-5a7983.md) - Em 31 de janeiro de 2026, a AMD publicou a versão 1.00 do documento 69192, que especifica instruções Bit Matrix Multiply e Bit Reversal para AMD64.
* [Exploração em RL para LLMs](https://ai.exponencialadm.net/okf/pt/radar/exploracao-em-rl-para-llms-tres-ef5e52.md) - Post da CMU descreve três regimes de exploração no reinforcement learning de LLMs e aponta possíveis dificuldades ao treinar tarefas complexas.
* [Capítulo introduz GRPO com recompensas verificáveis](https://ai.exponencialadm.net/okf/pt/radar/grpo-do-zero-para-recompensas-verificaveis-7d4f0e.md) - Publicado em 31 de janeiro de 2026, o capítulo apresenta GRPO do zero para aprendizado por reforço com recompensas verificáveis. O autor diz que materiais futuros explorarão mais execuções, análises e ajustes algorítmicos.
* [IA para extrair TTPs de relatórios de ameaças](https://ai.exponencialadm.net/okf/pt/radar/ia-pode-revelar-lacunas-na-deteccao-c25d85.md) - Em 31 de janeiro de 2026, um resumo de um fluxo descrito pela Microsoft relata o uso de IA para extrair TTPs, mapear a cobertura de detecção e apontar possíveis lacunas, com revisão e validação de especialistas.
* [Modern C++ em firmware embarcado](https://ai.exponencialadm.net/okf/pt/radar/modern-c-em-firmware-embarcado-por-c041ac.md) - Publicado em 31 de janeiro de 2026, o primeiro texto de uma série apresenta argumentos sobre Modern C++ em sistemas embarcados e questiona mitos sobre seu uso em microcontroladores.
* [VoxCPM propõe síntese de fala sem tokenizer](https://ai.exponencialadm.net/okf/pt/radar/voxcpm-explora-sintese-de-fala-sem-209c13.md) - Publicado em 31 de janeiro de 2026, o post apresenta o VoxCPM, sistema de text-to-speech baseado no MiniCPM-4, com arquitetura de difusão autorregressiva end-to-end.
* [LMCache reutiliza estados KV em várias camadas](https://ai.exponencialadm.net/okf/pt/radar/lmcache-reaproveita-estados-kv-entre-camadas-4c2b69.md) - Publicado em 30 de janeiro de 2026, o relato apresenta o LMCache, uma extensão open source para serving de LLMs que gerencia estados KV entre GPUs, CPUs e discos locais.
* [vLLM adiciona suporte ao Qwen3-ASR](https://ai.exponencialadm.net/okf/pt/radar/vllm-adiciona-suporte-ao-qwen3-asr-ddedc8.md) - O vLLM oferece suporte ao Qwen3-ASR desde o lançamento. Um guia vinculado apresenta aos engenheiros um ponto de partida para executar o modelo com o vLLM.
* [djbsort ganha desempenho com AVX2 e suporte a mais tipos numéricos](https://ai.exponencialadm.net/okf/pt/radar/djbsort-amplia-desempenho-e-tipos-numericos-b649a2.md) - Nova versão do djbsort, biblioteca de ordenação de arrays numéricos, traz melhorias de desempenho com AVX2, suporte a seis tipos numéricos e benchmarks atualizados.
* [ELF 101: guia sobre executáveis Linux](https://ai.exponencialadm.net/okf/pt/radar/elf-101-guia-para-entender-executaveis-2587f4.md) - Publicado em 27 de janeiro de 2026, o material apresenta o formato ELF, usado por executáveis Linux, e destaca sua utilidade para inspecionar e diagnosticar esses arquivos.
* [Quantizer MXFP8 supera 6 TB/s na B200](https://ai.exponencialadm.net/okf/pt/radar/quantizer-mxfp8-em-cutedsl-supera-6-a24715.md) - Publicado em 27 de janeiro de 2026, o registro descreve um quantizer MXFP8 em CuTeDSL para GPUs B200 e relata throughput acima de 6 TB/s.
* [Tencent apresenta operadores HPC-Ops para inferência de LLMs](https://ai.exponencialadm.net/okf/pt/radar/tencent-apresenta-operadores-hpc-ops-para-e7744d.md) - Publicado em 27 de janeiro de 2026, o informe descreve uma biblioteca open source de operadores para inferência de LLMs e relata ganhos de throughput e velocidade de kernels, sem divulgar números.
* [UltraRAG 3.0 organiza workflows de RAG em YAML](https://ai.exponencialadm.net/okf/pt/radar/ultrarag-3-0-organiza-workflows-de-dfb69c.md) - Publicado em 27 de janeiro de 2026, o UltraRAG 3.0 é apresentado como um framework leve de pesquisa para sistemas de RAG, com MCP servers e workflows configuráveis em YAML.
* [Uma série sobre escrever um debugger para Linux](https://ai.exponencialadm.net/okf/pt/radar/uma-serie-sobre-escrever-um-debugger-e3f622.md) - Sy Brand publicou uma série sobre como escrever um debugger para Linux, reunida sob a tag “Debuggers” em seu blog. O tema pode interessar a engenheiros que trabalham com ferramentas de depuração.
* [INTELLECT-2 aponta delta=4.0 para GRPO mais estável](https://ai.exponencialadm.net/okf/pt/radar/grpo-configuracao-de-estabilidade-com-delta-02bc5a.md) - Publicado em 26 de janeiro de 2026, o resumo atribui ao relatório técnico INTELLECT-2 uma configuração para aumentar a estabilidade do treinamento GRPO: usar delta=4.0. O parâmetro é uma opção concreta para investigação.
* [Radar: seleção sobre raciocínio agentic](https://ai.exponencialadm.net/okf/pt/radar/recursos-para-estudar-raciocinio-agentic-em-092159.md) - Uma lista no GitHub reúne artigos e recursos baseada em um survey sobre raciocínio agentic para modelos de linguagem, voltada a engenheiros que pesquisam o tema.
* [Notas introdutórias de compiladores de Cornell](https://ai.exponencialadm.net/okf/pt/radar/como-estudar-as-notas-de-compiladores-81cebb.md) - Cornell disponibiliza notas introdutórias sobre compiladores da disciplina CS 4120/ENGRD 4120, oferecida na primavera de 2022.
* [CALM propõe prever blocos de vetores](https://ai.exponencialadm.net/okf/pt/radar/calm-propoe-prever-blocos-de-vetores-ba2b51.md) - Publicado em 24 de janeiro de 2026, o texto apresenta os CALM, modelos que preveem vetores para blocos de significado em vez de tokens individuais. A publicação afirma que isso transporta 4× mais informação por etapa e reduz em 44% o compute de treinamento.
* [CLI estima a VRAM necessária para carregar modelos](https://ai.exponencialadm.net/okf/pt/radar/cli-estima-a-vram-necessaria-antes-bd0841.md) - Publicado em 23 de janeiro de 2026, o registro apresenta uma ferramenta de linha de comando que estima a VRAM necessária para carregar um modelo sem carregá-lo.
* [Guia da Unsloth sobre ajuste de embeddings](https://ai.exponencialadm.net/okf/pt/radar/guia-de-fine-tuning-de-embeddings-8d3958.md) - Publicado em 22 de janeiro de 2026, o material explica o fine-tuning de modelos de embeddings e inclui um notebook Colab para o EmbeddingGemma (300M).
* [Qwen3-TTS é anunciado como open source](https://ai.exponencialadm.net/okf/pt/radar/qwen3-tts-anuncio-de-modelo-open-8e6cc8.md) - Em 22 de janeiro de 2026, uma publicação anunciou que o Qwen3-TTS seria disponibilizado como open source e citou clonagem e design de voz. O texto não trouxe repositório nem outro link.
* [Ajuste de modelo de código de 14B com SFT e DPO](https://ai.exponencialadm.net/okf/pt/radar/ajuste-de-um-modelo-de-codigo-5dae03.md) - Publicado em 20 de janeiro de 2026, o artigo relata o ajuste fino de um modelo de 14B com conversas sobre código, usando SFT e DPO, e aborda resultados, custos e dificuldades.
* [slime v0.2.2 traz Int4-QAT e suporte a R3](https://ai.exponencialadm.net/okf/pt/radar/slime-v0-2-2-traz-int4-8ca9e5.md) - Publicado em 18 de janeiro de 2026, o registro da versão slime v0.2.2 aponta melhorias de memória e desempenho, treinamento Int4-QAT e suporte completo a R3 com DeepEP e MTP.
* [Arquitetura influencia retenção e esquecimento](https://ai.exponencialadm.net/okf/pt/radar/arquitetura-influencia-o-aprendizado-continuo-24747e.md) - Nota de 17 de janeiro de 2026 sobre uma comparação de arquiteturas para aprendizado contínuo: redes mais largas e menos global average pooling podem favorecer a retenção, enquanto ResNets e WideResNets aprendem tarefas novas rapidamente, mas esquecem mais.
* [Estudo examina ataques a Federated Learning](https://ai.exponencialadm.net/okf/pt/radar/inversao-de-gradientes-no-federated-learning-8f4682.md) - Um estudo sobre ataques de inversão de gradientes relata que o método de ataque mais prático continua pouco confiável e propõe uma defesa em três etapas.
* [SAR como recompensa no RL de LLMs](https://ai.exponencialadm.net/okf/pt/radar/sar-como-sinal-de-recompensa-em-3b22da.md) - Publicação de 16 de janeiro de 2026 apresenta o Self-Aligned Reward (SAR) como sinal de recompensa compatível com PPO e GRPO, voltado a melhorar o raciocínio e reduzir tokens.
* [Step Audio R1.1: diálogos falados em tempo real](https://ai.exponencialadm.net/okf/pt/radar/step-audio-r1-1-dialogo-falado-718b6c.md) - Publicação de 16 de janeiro de 2026 apresenta o Step Audio R1.1 como modelo interativo de diálogo falado em tempo real e descreve sua licença e arquitetura.
* [Unsloth descreve GRPO com contexto de 380K](https://ai.exponencialadm.net/okf/pt/radar/grpo-com-contexto-longo-requisitos-e-f6ade4.md) - Publicado em 15 de janeiro de 2026, o registro resume documentação sobre fine-tuning de reinforcement learning com contexto longo usando GRPO. A Unsloth afirma que seus algoritmos de batching permitem contexto de 380K para gpt-oss em uma GPU de 192 GB.
* [Radar: evolução controlada para otimizar código](https://ai.exponencialadm.net/okf/pt/radar/evolucao-controlada-para-otimizar-codigo-algoritmico-b76f1e.md) - Artigo de 14 de janeiro de 2026 propõe um método iterativo para melhorar código algorítmico com estratégias diversas, mutações guiadas por feedback e experiência entre tarefas. A avaliação é feita no EffiBench-X.
* [Generalização bayesiana em RL offline](https://ai.exponencialadm.net/okf/pt/radar/generalizacao-bayesiana-em-rl-offline-baseado-5aca5a.md) - Post de 14 de janeiro de 2026 apresenta um artigo sobre generalização adaptativa em aprendizado por reforço offline baseado em modelos e rollouts de longo horizonte.
* [RAG: ampliar documentos, não o modelo](https://ai.exponencialadm.net/okf/pt/radar/rag-ampliar-documentos-antes-de-aumentar-27a693.md) - Publicado em 14 de janeiro de 2026, o resumo apresenta um estudo de pesquisadores da CMU sobre ampliar o corpus de busca em RAG como alternativa a aumentar o modelo de linguagem.
* [UniversalRAG direciona a recuperação entre modalidades e granularidades](https://ai.exponencialadm.net/okf/pt/radar/universalrag-direciona-a-recuperacao-multimodal-26f154.md) - Publicado em 14 de janeiro de 2026, o resumo apresenta o UniversalRAG, framework que direciona consultas a um corpus de uma modalidade específica antes de recuperar informações nele.
* [MemRL aprende a avaliar memórias de agentes](https://ai.exponencialadm.net/okf/pt/radar/memrl-aprende-a-priorizar-memorias-de-2b2d86.md) - Publicado em 13 de janeiro de 2026, o resumo apresenta o MemRL, uma abordagem que aprende a classificar memórias episódicas pela utilidade, sem alterar os pesos do modelo de linguagem.
* [Microsoft lança agente de código FrogMini de 14B](https://ai.exponencialadm.net/okf/pt/radar/microsoft-lanca-agente-de-codigo-frogmini-a0d7ad.md) - Publicação de 13 de janeiro de 2026 relata o lançamento do FrogMini, agente de código de 14B, e informa resultado de 45,3% no SWE-Bench Verified.
* [Pocket TTS: síntese de voz compacta para laptops](https://ai.exponencialadm.net/okf/pt/radar/pocket-tts-sintese-de-voz-de-0df406.md) - Publicação de 13 de janeiro de 2026 apresenta o Pocket TTS, modelo de síntese de fala com 100 milhões de parâmetros, descrito como capaz de rodar em laptop sem GPU e oferecer clonagem de voz.
* [DroPE: extensão de contexto sem embeddings posicionais](https://ai.exponencialadm.net/okf/pt/radar/drope-propoe-estender-contexto-sem-embeddings-462e3c.md) - Publicado em 12 de janeiro de 2026, o resumo apresenta o DroPE: uma técnica que remove embeddings posicionais após o treinamento e usa uma calibração curta para estender o contexto.
* [Entrevistas mapeiam ambientes de RL](https://ai.exponencialadm.net/okf/pt/radar/entrevistas-revelam-como-se-desenvolvem-ambientes-68b1d0.md) - Em publicação de 12 de janeiro de 2026, Chris Barber e JS Denain relatam entrevistas com 18 pessoas de startups de ambientes de RL, neolabs e laboratórios de fronteira. O material oferece aos engenheiros uma visão de como diferentes organizações desenvolvem esses ambientes.
* [Leaker: enumeração passiva de vazamentos](https://ai.exponencialadm.net/okf/pt/radar/leaker-enumeracao-passiva-de-vazamentos-de-6fa3d6.md) - Publicado em 12 de janeiro de 2026, o registro descreve o Leaker como uma ferramenta que busca vazamentos de credenciais associados a endereços de e-mail em fontes online passivas.
* [LEMAS anuncia dataset de speech com 150 mil horas](https://ai.exponencialadm.net/okf/pt/radar/lemas-apresenta-dataset-de-speech-com-be887f.md) - Publicado em 12 de janeiro de 2026, o anúncio descreve um conjunto multilíngue de áudio com 150 mil horas, cobertura de 10 idiomas e timestamps por palavra, além dos modelos generativos LEMAS-TTS e LEMAS-Edit.
* [LoPA explora lookahead no decoding de diffusion LLMs](https://ai.exponencialadm.net/okf/pt/radar/lopa-explora-lookahead-para-acelerar-a-4c2e97.md) - Publicado em 11 de janeiro de 2026, o resumo descreve o LoPA, um algoritmo sem treinamento e plug-and-play que usa lookahead para escolher ordens de preenchimento de tokens em diffusion LLMs.
* [SFT e reinforcement fine-tuning no pós-treinamento contínuo](https://ai.exponencialadm.net/okf/pt/radar/sft-e-reinforcement-fine-tuning-no-339740.md) - Artigo compara SFT e reinforcement fine-tuning na adaptação contínua de modelos fundacionais; o título afirma que a segunda abordagem mitiga naturalmente o esquecimento.
* [Relatório aborda ajuste de modelos para a linguagem Q](https://ai.exponencialadm.net/okf/pt/radar/como-adaptar-modelos-a-linguagem-q-ef7fa8.md) - Publicado em 9 de janeiro de 2026, o relatório técnico apresenta uma abordagem open source para adaptar modelos de linguagem à Q, usada em finanças quantitativas.
* [SETA anuncia recursos de RL para agentes de terminal](https://ai.exponencialadm.net/okf/pt/radar/seta-lanca-400-ambientes-de-rl-f60efc.md) - Em 9 de janeiro de 2026, a SETA anunciou 400 ambientes de treinamento, um pipeline de aprendizado por reforço e os pesos do SETA-RL-Qwen3-8B para experimentos com agentes de terminal.
* [OpenTinker propõe infraestrutura de RL como serviço](https://ai.exponencialadm.net/okf/pt/radar/opentinker-separa-programacao-e-execucao-de-b28cc8.md) - Em 8 de janeiro de 2026, um registro do Radar descreveu o OpenTinker como uma plataforma open source de reinforcement learning para agentes, com programação separada da execução.
* [ASUS e XREAL planejam óculos AR de 240 Hz para 2026](https://ai.exponencialadm.net/okf/pt/radar/asus-e-xreal-planejam-oculos-ar-c3aef1.md) - O anúncio prevê óculos de realidade aumentada com painéis micro-OLED de 1080p, conexão USB-C e um dock com HDMI e DisplayPort.
* [Dell anuncia monitor de 52 polegadas com resolução 6K](https://ai.exponencialadm.net/okf/pt/radar/dell-anuncia-monitor-thunderbolt-6k-de-9a12a2.md) - Em 6 de janeiro de 2026, a Dell anunciou um monitor Thunderbolt de 52 polegadas e resolução 6K, com entradas para conectar vários computadores.
* [Modelos recursivos usam código para processar prompts longos](https://ai.exponencialadm.net/okf/pt/radar/modelos-recursivos-processam-prompts-longos-com-a99d5b.md) - Em post publicado em 6 de janeiro de 2026, o MIT descreve modelos de linguagem recursivos que usam uma interface Python para pesquisar, filtrar e dividir entradas longas em trechos menores. Segundo o texto, a abordagem processa entradas até cerca de 100 vezes maiores que o usual e supera modelos de基
* [Masters: destilação progressiva para VLMs](https://ai.exponencialadm.net/okf/pt/radar/distilacao-progressiva-por-mascaras-para-vlms-72e358.md) - Publicado em 4 de janeiro de 2026, o resumo apresenta o framework Masters e relata ganhos de pontuação em dois VLMs, com a proposta de evitar o custo computacional de RL online.
* [JustRL testa RL simples em modelos de 1,5B](https://ai.exponencialadm.net/okf/pt/radar/justrl-testa-uma-receita-simples-de-c9f87f.md) - Prévia de paper apresenta um treinamento de etapa única com hiperparâmetros fixos e relata acurácias médias de 54,9% e 64,3% em dois modelos de raciocínio de 1,5B.
* [LoRA e RLVR: comparação entre estratégias em vários domínios](https://ai.exponencialadm.net/okf/pt/radar/lora-para-rlvr-em-multiplos-dominios-3bca9a.md) - Publicado em 3 de janeiro de 2026, o relato compara estratégias práticas de PEFT para RLVR em múltiplos domínios. Nos experimentos descritos, a média de LoRAs especialistas seguida de treinamento contínuo superou o método de gating testado.
* [Pesos W4A16 do GLM-4.7 185B somam 92 GB](https://ai.exponencialadm.net/okf/pt/radar/pesos-w4a16-de-modelo-com-185-d6704b.md) - Um registro publicado em 3 de janeiro de 2026 relata pesos W4A16 do GLM-4.7 185B com 92 GB. O autor afirma ter executado 100 milhões de tokens localmente.
* [Programa sul-coreano define três requisitos para treinar modelos](https://ai.exponencialadm.net/okf/pt/radar/programa-sul-coreano-define-tres-requisitos-f4a537.md) - A primeira rodada terá cinco equipes, e quatro avançarão. Os projetos precisam treinar modelos do zero, ser parcialmente abertos para uso comercial e perseguir metas ambiciosas, como modelos omni em grande escala.
* [Chipset AMD B650 em placa para sistemas Intel](https://ai.exponencialadm.net/okf/pt/radar/chipset-amd-b650-em-placa-para-28d702.md) - Um vídeo documenta uma placa de expansão open source baseada no chipset AMD B650 e explora se ela pode ser usada com uma placa-mãe Intel.
* [Kit RK182X combina módulos RK3588 e aceleradores de IA](https://ai.exponencialadm.net/okf/pt/radar/kit-rk182x-combina-modulos-rk3588-e-8ba402.md) - Publicado em 30 de dezembro de 2025, o anúncio descreve um kit para avaliar cargas de trabalho de LLM e VLM em sistemas embarcados, com módulos RK3588 e RK182X.
* [Lisuan inicia envios das GPUs 7G100 de 6 nm](https://ai.exponencialadm.net/okf/pt/radar/lisuan-inicia-envios-das-gpus-7g100-11b831.md) - A empresa chinesa Lisuan começou a enviar suas GPUs 7G100, fabricadas em processo de 6 nm, a primeiros clientes. O movimento marca a implantação inicial do produto.
* [Mrav: CPU customizada e playground no navegador](https://ai.exponencialadm.net/okf/pt/radar/mrav-cpu-customizada-e-playground-de-325c1e.md) - Publicado em 30 de dezembro de 2025, o Mrav apresenta uma arquitetura e um core de CPU customizados, com um IDE no navegador para escrever assembly e acompanhar registradores em tempo real.
* [Intel publica guia de tuning de HPC para Xeon 6](https://ai.exponencialadm.net/okf/pt/radar/guia-de-tuning-hpc-para-intel-29aef3.md) - A Intel lançou em 29 de dezembro de 2025 a versão 1.2a de seu guia de tuning e otimização de aplicações de computação de alto desempenho (HPC) para sistemas Xeon 6.
* [IPUs da Graphcore miram batches pequenos](https://ai.exponencialadm.net/okf/pt/radar/ipus-da-graphcore-paralelismo-e-batches-e4916c.md) - Post de 29 de dezembro de 2025 descreve as IPUs da Graphcore como aceleradores massivamente paralelos, adequados a batches pequenos, mas difíceis de usar.
* [Análise de placas 10GbE PCIe Gen4 x1 com RTL8127](https://ai.exponencialadm.net/okf/pt/radar/nics-10gbe-pcie-gen4-x1-com-ce5e87.md) - Publicado em 29 de dezembro de 2025, o artigo analisa placas de rede 10GbE de baixo consumo com interface PCIe Gen4 x1 e chip Realtek RTL8127. O resumo disponível não informa resultados comparativos.
* [URM aposta em recorrência e não linearidade](https://ai.exponencialadm.net/okf/pt/radar/urm-explora-recorrencia-e-nao-linearidade-b53fd5.md) - Pesquisa descrita em publicação de 29 de dezembro de 2025 atribui ganhos de raciocínio dos Universal Transformers ao viés recorrente e à forte não linearidade. O URM acrescenta mistura local de tokens e truncamento da retropropagação em loops recorrentes.
* [Bit-Brick Cluster K1 reúne até quatro módulos RISC-V](https://ai.exponencialadm.net/okf/pt/radar/bit-brick-cluster-k1-reune-ate-a9c048.md) - O cluster aceita até quatro módulos SSOM-K1 com processadores RISC-V SpacemiT K1 octa-core. Um switch Gigabit Ethernet integrado conecta os módulos, e Bianbu OS, OpenHarmony e OpenWrt estão entre os sistemas listados.
* [Stop hook para manter agentes em execução](https://ai.exponencialadm.net/okf/pt/radar/stop-hooks-podem-prolongar-tarefas-de-7b9432.md) - Publicado em 27 de dezembro de 2025, o registro descreve um plugin que usa um stop hook para pedir a um agente que continue após parar. A proposta é ajudar a orquestrar tarefas mais longas.
* [Self-play treina agentes para inserir e corrigir bugs](https://ai.exponencialadm.net/okf/pt/radar/self-play-rl-treina-agentes-para-91eab0.md) - Publicado em 26 de dezembro de 2025, o resumo apresenta o Self-play SWE-RL: um método para treinar um agente de código a inserir e corrigir bugs em repositórios reais, sem descrições em linguagem natural nem issues rotuladas por pessoas.
* [VL-JEPA prevê embeddings para visão e linguagem](https://ai.exponencialadm.net/okf/pt/radar/vl-jepa-preve-embeddings-de-texto-654af4.md) - Publicado em 26 de dezembro de 2025, o resumo apresenta o VL-JEPA, modelo que prevê embeddings contínuos do texto-alvo em vez de gerar tokens autorregressivamente.
* [Radar: guia de compilação e boot do Linux Kernel](https://ai.exponencialadm.net/okf/pt/radar/do-codigo-ao-boot-guia-para-6aa541.md) - Publicado em 25 de dezembro de 2025, o item apresenta um guia aprofundado sobre configuração, sistemas de build, compilação e boot do Linux Kernel.
* [Manuais Intel 64 e IA-32: referência de arquitetura](https://ai.exponencialadm.net/okf/pt/radar/manuais-intel-64-e-ia-32-97952b.md) - Publicado em 25 de dezembro de 2025, o registro destaca os manuais oficiais da Intel sobre a arquitetura e o ambiente de programação Intel 64 e IA-32, destinados a engenheiros que trabalham com arquitetura e programação de baixo nível.
* [MegaRAG propõe graphs multimodais para RAG](https://ai.exponencialadm.net/okf/pt/radar/megarag-explora-knowledge-graphs-multimodais-para-ec6481.md) - Publicado em 25 de dezembro de 2025, o resumo do MegaRAG descreve um método que constrói automaticamente graphs de conhecimento a partir de documentos visuais para apoiar recuperação e raciocínio cross-modal.
* [Agent-R1: treinamento modular de agentes LLM](https://ai.exponencialadm.net/okf/pt/radar/agent-r1-treinamento-modular-de-agentes-00266a.md) - Publicado em 24 de dezembro de 2025, o resumo apresenta Agent-R1, um framework de reinforcement learning end-to-end para treinar agentes LLM em interações de várias rodadas com ferramentas e ambientes.
* [Do código C e C++ ao executável: etapas da compilação](https://ai.exponencialadm.net/okf/pt/radar/do-codigo-c-e-c-ao-af1fa0.md) - Entenda o pipeline que transforma código-fonte C e C++ em um programa executável: pré-processamento, compilação, montagem e linking.
* [Kascade reaproveita padrões de chaves em atenção esparsa](https://ai.exponencialadm.net/okf/pt/radar/kascade-reutiliza-padroes-em-atencao-esparsa-b4dc6a.md) - Publicado em 24 de dezembro de 2025, o relato descreve um método sem treinamento para reutilizar padrões de chaves entre camadas. A publicação informa ganhos de velocidade em GPUs H100 e pouca perda de precisão em benchmarks de contexto longo.
* [Série apresenta memória e organização de processos](https://ai.exponencialadm.net/okf/pt/radar/memoria-e-processos-quatro-conceitos-para-0eeea5.md) - Publicada em 24 de dezembro de 2025, a série da Byte Lab introduz memória virtual, espaços de endereçamento, processos, registradores, stacks, threads e formas de alocação.
* [Pesquisa usa IA para otimizar algoritmos de sistemas](https://ai.exponencialadm.net/okf/pt/radar/pesquisa-de-desempenho-de-sistemas-orientada-837677.md) - Artigo apresenta o ADRS, framework em que modelos de linguagem geram, avaliam e refinam algoritmos para problemas de desempenho de sistemas. O estudo relata sua aplicação em dez tarefas de redes, bancos de dados e sistemas distribuídos.
* [Técnicas de Transformers no gpt-oss](https://ai.exponencialadm.net/okf/pt/radar/tecnicas-para-otimizar-transformers-no-gpt-9139c8.md) - Publicado em 24 de dezembro de 2025, o texto lista otimizações usadas com o gpt-oss em Transformers: quantização MXFP4, paralelismo de tensores e especialistas e janelas deslizantes dinâmicas.
* [Coleção reúne vetores de prompt injection](https://ai.exponencialadm.net/okf/pt/radar/colecao-de-vetores-para-estudar-prompt-1be33c.md) - Publicado em 23 de dezembro de 2025, o registro apresenta uma coleção de vetores e estratégias de prompt injection, com exemplos, útil para reconhecer técnicas durante avaliações de segurança.
* [Memória virtual: uma introdução para iniciantes](https://ai.exponencialadm.net/okf/pt/radar/memoria-virtual-fundamentos-para-entender-sistemas-d23d17.md) - Artigo introdutório publicado em 23 de dezembro de 2025 que apresenta os fundamentos da memória virtual e sua utilidade para entender a memória em software de sistemas.
* [RL multimodal: shaping de vantagem em rollout único](https://ai.exponencialadm.net/okf/pt/radar/rl-multimodal-shaping-de-vantagem-em-ce326c.md) - Uma publicação relata que o rollout único para RL multimodal ganhou estabilidade com advantage shaping e bônus de entropia; o tema interessa a quem estuda métodos de policy gradient.
* [SSR explora autotreino para bugs em repositórios](https://ai.exponencialadm.net/okf/pt/radar/self-play-para-treinar-agentes-de-773b05.md) - Publicado em 23 de dezembro de 2025, o post apresenta o Self-play SWE-RL (SSR), método para treinar um agente de linguagem a injetar e corrigir bugs em repositórios reais, sem issues ou testes rotulados por humanos.
* [Squinch comprime gradientes no pretraining](https://ai.exponencialadm.net/okf/pt/radar/squinch-compressao-de-gradientes-no-pretraining-24e07c.md) - Publicado em 23 de dezembro de 2025, o relato atribui ao algoritmo Squinch o uso de um quarto da largura de banda do IB, mantendo a MFU SOTA no pretraining em GCP H100-TCPX.
* [Iceberg amplia avaliação de busca vetorial](https://ai.exponencialadm.net/okf/pt/radar/iceberg-amplia-a-avaliacao-de-busca-06a5c9.md) - Uma suíte de benchmarks com oito datasets avalia a busca por similaridade vetorial além de recall e latência, observando efeitos em tarefas downstream como RAG e classificação de imagens.
* [OpenTinker separa programação e execução de RL](https://ai.exponencialadm.net/okf/pt/radar/opentinker-separa-programacao-e-execucao-de-e26d76.md) - OpenTinker é uma plataforma open source de RL-as-a-Service para modelos fundacionais. Seu desenho separa a programação da execução e prevê desenvolver ambientes localmente com uso de computação remota.
* [Panorama sobre sistemas de treinamento RL e pass@k](https://ai.exponencialadm.net/okf/pt/radar/panorama-sobre-sistemas-de-treinamento-rl-ed4a1c.md) - Publicação de 21 de dezembro de 2025 reúne tópicos sobre rollouts on-policy, sistemas de rollout e efeitos de RL no desempenho medido por pass@k.
* [SA-RAG aplica spreading activation a grafos de conhecimento](https://ai.exponencialadm.net/okf/pt/radar/sa-rag-amplia-a-busca-em-b11455.md) - Publicado em 20 de dezembro de 2025, o registro descreve uma abordagem de retrieval para RAG com grafos de conhecimento, voltada a encontrar evidências conectadas em perguntas multi-hop.
* [Por que a ordem dos tokens desafia modelos mascarados](https://ai.exponencialadm.net/okf/pt/radar/por-que-a-ordem-dos-tokens-b01c33.md) - Um trabalho premiado no ICML 2025 investiga o desempenho inferior de modelos mascarados em benchmarks de geração e aponta dificuldades ligadas ao treinamento com subconjuntos arbitrários de tokens revelados.
* [DEER propõe rascunhos de diffusion para acelerar LLMs](https://ai.exponencialadm.net/okf/pt/radar/deer-usa-rascunhos-de-diffusion-para-34d0a4.md) - Publicação de 18 de dezembro de 2025 descreve o DEER, que gera rascunhos de tokens com modelos de diffusion e os verifica com modelos autoregressivos. O trabalho afirma aceleração de até 5,54× sem perda de qualidade.
* [Radar: estabilidade no reinforcement learning com LLMs](https://ai.exponencialadm.net/okf/pt/radar/como-estabilizar-o-reinforcement-learning-com-85828e.md) - Artigo publicado em 16 de dezembro de 2025 examina a instabilidade do reinforcement learning em modelos de linguagem grandes e aponta diferenças e técnicas relevantes para o tema.
* [CUDA-L2 otimiza kernels HGEMM com aprendizado por reforço](https://ai.exponencialadm.net/okf/pt/radar/cuda-l2-aplica-aprendizado-por-reforco-3deb50.md) - Publicado em 15 de dezembro de 2025, o artigo apresenta uma abordagem que combina modelos de linguagem e aprendizado por reforço para otimizar kernels CUDA de multiplicação de matrizes em meia precisão. A avaliação abrange 1.000 configurações e relata resultados superiores aos de baselines de matmul
* [Olmo 3: SFT, DPO e RLVR no treinamento](https://ai.exponencialadm.net/okf/pt/radar/olmo-3-sft-dpo-e-rlvr-467eeb.md) - Publicado em 15 de dezembro de 2025, o post descreve um pipeline para treinar o Olmo 3: SFT com traces de raciocínio curados, seguido de ajuste de preferências com DPO e RLVR usando Group Relative Policy Optimization.
* [PasoDoble explora dual-play para treinar raciocínio de LLMs](https://ai.exponencialadm.net/okf/pt/radar/pasodoble-explora-o-dual-play-no-094231.md) - Publicado em 15 de dezembro de 2025, o paper apresenta o dual-play: dois modelos recebem papéis especializados — um formula perguntas e o outro as resolve — para reduzir a dependência de supervisão externa.
* [RouteRAG adapta buscas em texto e grafos](https://ai.exponencialadm.net/okf/pt/radar/routerag-adapta-buscas-em-texto-e-1fe4e3.md) - Framework usa aprendizado por reforço para escolher quando buscar informações em texto e grafos durante o raciocínio, com recompensa que desestimula consultas desnecessárias.
* [SWAA propõe inferência mais eficiente com contexto longo](https://ai.exponencialadm.net/okf/pt/radar/swaa-e-inferencia-de-llms-com-778a49.md) - Post de 15 de dezembro de 2025 apresenta receitas sem treinamento para adaptar LLMs com atenção completa à escala linear e recuperar desempenho.
* [Curso de C para iniciantes usa abordagem RISC-V](https://ai.exponencialadm.net/okf/pt/radar/curso-introdutorio-de-programacao-em-c-e5e468.md) - Publicado em 14 de dezembro de 2025, o curso The C Language promete ensinar C do zero e diz usar a programação RISC-V como abordagem de aprendizado. A indicação é voltada a engenheiros que buscam uma introdução à linguagem.
* [ReCode propõe unir planejamento e ação em agentes LLM](https://ai.exponencialadm.net/okf/pt/radar/recode-aproxima-planejamento-e-acao-em-a3ea0e.md) - Publicado em 13 de dezembro de 2025, o texto apresenta o ReCode, paradigma que usa geração recursiva de código para permitir que agentes alternem entre planejamento estratégico e ações detalhadas.
* [Da Numba ao Triton: um roteiro de GPU](https://ai.exponencialadm.net/okf/pt/radar/de-numba-a-triton-um-caminho-978454.md) - Publicado em 12 de dezembro de 2025, o material apresenta um notebook Jupyter prático que começa com programação de GPU usando Numba e avança para Triton, linguagem semelhante a Python para escrever kernels.
* [Escala de sistemas de agentes em análise](https://ai.exponencialadm.net/okf/pt/radar/como-prever-o-desempenho-de-sistemas-d60f01.md) - Artigo apresenta princípios quantitativos para modelar como coordenação, capacidade do modelo e fatores do sistema e da tarefa afetam o desempenho de agentes.
* [Mrav: testes de CPU com Python e cocotb](https://ai.exponencialadm.net/okf/pt/radar/testes-de-cpu-com-python-e-dc8e14.md) - Publicado em 11 de dezembro de 2025, o passo a passo apresenta testes de uma CPU personalizada por meio de cocotb, scripts Python e uma classe para modelar RAM.
* [BEAVER calcula limites de segurança para LLMs](https://ai.exponencialadm.net/okf/pt/radar/beaver-calcula-limites-de-seguranca-para-b5e7d1.md) - Publicado em 10 de dezembro de 2025, o resumo apresenta o BEAVER, um framework que calcula limites determinísticos e sólidos para a probabilidade de um LLM satisfazer uma propriedade de segurança, em contraste com estimativas por amostragem.
* [SEAL decompõe e verifica perguntas sobre knowledge graphs](https://ai.exponencialadm.net/okf/pt/radar/seal-decompoe-perguntas-sobre-knowledge-graphs-ab927c.md) - Publicado em 10 de dezembro de 2025, o post apresenta o SEAL, framework que extrai o núcleo mínimo de uma pergunta e valida esse núcleo no banco de dados para responder sobre knowledge graphs.
* [Atenção esparsa após o pós-treinamento](https://ai.exponencialadm.net/okf/pt/radar/pos-treinamento-reduz-a-atencao-a-72bfb5.md) - Artigo publicado em 8 de dezembro de 2025 relata que modelos de até 7 bilhões de parâmetros mantiveram a perda de pré-treinamento com cerca de 0,4% das conexões de atenção.
* [Toolchain Bazel para a CPU customizada Mrav](https://ai.exponencialadm.net/okf/pt/radar/uma-toolchain-bazel-para-uma-cpu-063f3f.md) - Artigo publicado em 4 de dezembro de 2025 apresenta um ecossistema Bazel para a CPU customizada Mrav, com um comando que prepara o Go, compila um simulador, monta e executa firmware e compara o estado da CPU com uma referência.
* [Segotep afirma que pinos reforçados reduzem o aquecimento de cabos](https://ai.exponencialadm.net/okf/pt/radar/cabos-titanload-12v-2x6-usam-pinos-112242.md) - Publicado em 3 de dezembro de 2025, o relato diz que os cabos Titanload 12V-2x6 da Segotep usam pinos reforçados e que o design reduziria em até 72% as temperaturas máximas. O texto destaca a relevância do aquecimento para avaliações sob cargas elevadas.
* [Ente descreve OCR no dispositivo para Android](https://ai.exponencialadm.net/okf/pt/radar/ocr-privado-no-dispositivo-o-exemplo-b4f799.md) - Em publicação de 3 de dezembro de 2025, o Ente relata como levou o reconhecimento de texto no dispositivo ao Ente Photos e afirma que seu OCR é totalmente open source.
* [Preview do Intel Arc Pro B60 Battlematrix relata 192 GB de memória GPU](https://ai.exponencialadm.net/okf/pt/radar/intel-arc-pro-b60-battlematrix-preve-d1c3a4.md) - Publicado em 1º de dezembro de 2025, o preview da StorageReview apresenta o Intel Project Battlematrix, um design de workstation com múltiplas GPUs e 192 GB de memória GPU para IA local.
* [GPU Fuxi com arquitetura Imagination DXD é demonstrada](https://ai.exponencialadm.net/okf/pt/radar/gpu-fuxi-com-arquitetura-imagination-dxd-1d87c7.md) - Uma demonstração da GPU Fuxi com arquitetura Imagination DXD para o New Vision Z-Engine, da Lenovo, interessa a engenheiros que acompanham GPUs e plataformas de hardware.
* [Referência aberta sobre estruturas de dados em C++](https://ai.exponencialadm.net/okf/pt/radar/referencia-aberta-sobre-estruturas-de-dados-b0c503.md) - Uma publicação de 29 de novembro de 2025 destaca Open Data Structures como recurso voltado a estruturas de dados em C++. Pode interessar a engenheiros que trabalham com essa linguagem.
* [Videoaulas sobre programação massivamente paralela](https://ai.exponencialadm.net/okf/pt/radar/videoaulas-de-programacao-paralela-e-arquitetura-c36af9.md) - Publicado em 29 de novembro de 2025, o registro destaca videoaulas do livro “Programming Massively Parallel Processors”, com foco na aula 04 sobre arquitetura de GPU.
* [SSSTC anuncia SSDs SATA ER4 de até 16 TB](https://ai.exponencialadm.net/okf/pt/radar/ssstc-apresenta-ssds-sata-corporativos-er4-d19923.md) - Em anúncio publicado em 27 de novembro de 2025, a SSSTC apresentou SSDs SATA corporativos ER4 com capacidades de até 16 TB e desempenho de até 98 mil IOPS.
* [Red Hat apresenta introdução à programação de GPU](https://ai.exponencialadm.net/okf/pt/radar/introducao-da-red-hat-a-programacao-304df1.md) - Publicado em 26 de novembro de 2025, o primeiro artigo de uma série de quatro partes oferece uma visão geral básica do modelo de programação de GPU e aponta um roteiro de arquitetura de GPU da Cornell.
* [Tachyum anuncia TDIMM DDR5 de código aberto](https://ai.exponencialadm.net/okf/pt/radar/tdimm-ddr5-aberto-promete-281-gb-6399f1.md) - Em anúncio publicado em 26 de novembro de 2025, a Tachyum apresentou a tecnologia TDIMM compatível com DDR5 e declarou bandwidth de memória de 281 GB/s. A empresa também afirmou que módulos podem chegar a 1 TB e nós, a 3 PB.
* [Tachyum anuncia padrão aberto de memória TDIMM DDR5](https://ai.exponencialadm.net/okf/pt/radar/tdimm-ddr5-propoe-ate-1-tb-eefb31.md) - A Tachyum anunciou um padrão aberto de memória TDIMM DDR5. O título da página vinculada menciona até 1 TB por DIMM e largura de banda de 231 GB/s; são números a conferir na fonte original.
* [Como construir um container Linux do zero](https://ai.exponencialadm.net/okf/pt/radar/como-construir-um-container-linux-do-14d2e1.md) - Tutorial publicado em 25 de novembro de 2025 apresenta as primitivas Linux usadas para construir containers, de namespaces e sistema de arquivos raiz a cgroups, rede e persistência.
* [Latência SASS e reordenação de instruções em GPUs](https://ai.exponencialadm.net/okf/pt/radar/latencia-sass-e-reordenacao-de-instrucoes-8af09a.md) - Publicado em 25 de novembro de 2025, o post questiona a utilidade de tabelas de latência SASS extraídas com nvdisasm e afirma que reordenar instruções pode elevar o desempenho em 3–4%, diante de um limite teórico de 10%.
* [Tencent anuncia Hunyuan OCR com 1 bilhão de parâmetros](https://ai.exponencialadm.net/okf/pt/radar/tencent-anuncia-hunyuan-ocr-com-1-69315c.md) - Briefing publicado em 25 de novembro de 2025 sobre um modelo de compreensão de documentos que oferece parsing, perguntas e respostas visuais e tradução. O texto também menciona uma demonstração interativa e acesso ao modelo.
* [LeJEPA combina predição e regularização de embeddings](https://ai.exponencialadm.net/okf/pt/radar/lejepa-combina-predicao-jepa-e-sigreg-81a08b.md) - Publicado em 22 de novembro de 2025, o post apresenta o LeJEPA como uma combinação da perda de predição em espaço latente do JEPA com o SIGReg, regularizador voltado a uma distribuição gaussiana isotrópica.
* [Kneron investe na Innovedeus para levar AI on-device à educação](https://ai.exponencialadm.net/okf/pt/radar/kneron-investe-na-innovedeus-para-levar-0669cb.md) - O investimento da Kneron na Innovedeus busca levar às escolas uma plataforma semelhante ao Raspberry Pi para aprendizado de máquina e inteligência artificial executados no próprio dispositivo.
* [Radar: guia de C++ bare-metal](https://ai.exponencialadm.net/okf/pt/radar/guia-pratico-de-c-bare-metal-38be7d.md) - Uma referência de Alex Robenko sobre C++ bare-metal foi listada em 17 de novembro de 2025. A prévia disponível não detalha o conteúdo.
* [Radar: introdução a kernels CUDA para soma de arrays](https://ai.exponencialadm.net/okf/pt/radar/primeiros-passos-com-kernels-cuda-para-b6dd73.md) - Publicado em 16 de novembro de 2025, o material apresenta a iniciantes a escrita de um kernel CUDA simples para somar arrays. É descrito como ponto de partida para engenheiros que estão aprendendo a criar kernels para GPUs.
* [RobustMerge une modelos especialistas sem retreinamento](https://ai.exponencialadm.net/okf/pt/radar/robustmerge-reune-modelos-especialistas-sem-retreinamento-b910fe.md) - Publicado em 15 de novembro de 2025, o texto apresenta RobustMerge, método para combinar modelos multimodais especialistas ajustados para tarefas específicas em um modelo multitarefa, sem retreinamento.
* [Série aborda compiladores e carregamento em C/C++](https://ai.exponencialadm.net/okf/pt/radar/serie-pratica-sobre-compiladores-e-carregamento-e66209.md) - Publicada em 13 de novembro de 2025, a série apresenta compiladores de C e C++, linking, arquivos de objeto, bibliotecas compartilhadas, carregadores e tópicos relacionados.
* [Banana Pi BPI-R4Pro: portas e armazenamento](https://ai.exponencialadm.net/okf/pt/radar/banana-pi-bpi-r4pro-portas-e-dddd38.md) - A placa roteadora BPI-R4Pro combina um MediaTek MT7988A, quatro portas 2.5G, duas portas 10G SFP+/RJ45 e opções de armazenamento e expansão para avaliação de appliances de rede.
* [OCR: comparação entre Qwen3-VL 8B e 30B](https://ai.exponencialadm.net/okf/pt/radar/qwen3-vl-8b-e-30b-trade-89c253.md) - Publicado em 11 de novembro de 2025, o comparativo relata que a versão 30B quantizada foi mais rápida e precisa na extração de dados estruturados, mas consumiu mais memória.
* [Banana Pi BPI-6202: placa industrial](https://ai.exponencialadm.net/okf/pt/radar/banana-pi-bpi-6202-placa-para-87f48f.md) - Publicado em 10 de novembro de 2025, o registro descreve a placa BPI-6202 e suas especificações para possíveis projetos de gateways industriais e sistemas embarcados.
* [Carrier Waveshare CM5 combina Ethernet dupla e 4G/5G opcional](https://ai.exponencialadm.net/okf/pt/radar/carrier-waveshare-cm5-combina-ethernet-dupla-43b41e.md) - A placa CM5-DUAL-ETH-4G/5G-BASE reúne conexões de rede, saída de vídeo e expansão para armazenamento ou acelerador de IA em projetos embarcados e de edge computing.
* [Meta apresenta ASR para mais de 1.600 idiomas](https://ai.exponencialadm.net/okf/pt/radar/meta-apresenta-asr-para-mais-de-4b2c0d.md) - Publicado em 10 de novembro de 2025, o boletim descreve o Omnilingual ASR como um conjunto aberto de modelos de reconhecimento de fala e um dataset para mais de 1.600 idiomas, incluindo 500 apresentados como anteriormente sem suporte.
* [Um caminho sugerido para aprender programação CUDA](https://ai.exponencialadm.net/okf/pt/radar/um-caminho-para-aprender-programacao-cuda-3db649.md) - Recomendação publicada em 9 de novembro de 2025: estudar C/C++ e álgebra linear antes de avançar para CUDA, com livros e um curso como recursos de aprendizagem.
* [Falhas em módulos Linux de GPUs NVIDIA](https://ai.exponencialadm.net/okf/pt/radar/falhas-em-modulos-linux-para-gpus-5b717d.md) - Publicado em 8 de novembro de 2025, o relato da Quarkslab descreve dois bugs nos módulos de kernel Linux Open da NVIDIA, exploráveis por um processo local sem privilégios. Uma prova de conceito demonstra primitivas de leitura e escrita no kernel.
* [Step-Audio-EditX: edição de áudio por prompts](https://ai.exponencialadm.net/okf/pt/radar/modelo-propoe-edicao-de-audio-guiada-634008.md) - Publicado em 8 de novembro de 2025, o anúncio descreve um modelo de 3 bilhões de parâmetros para edição de áudio, síntese de fala multilíngue zero-shot e controle vocal por prompts.
* [Gigabyte anuncia placa-mãe X870 AORUS XTREME X3D AI TOP](https://ai.exponencialadm.net/okf/pt/radar/gigabyte-anuncia-placa-mae-x870-aorus-8d4c52.md) - Em anúncio publicado em 7 de novembro de 2025, a Gigabyte apresentou a placa-mãe X870 AORUS XTREME X3D AI TOP, que inclui uma tela LCD de 5 polegadas.
* [AAEON apresenta placa Pico-ITX com Core Ultra](https://ai.exponencialadm.net/okf/pt/radar/pico-aru4-reune-core-ultra-em-37cf18.md) - Publicado em 7 de novembro de 2025, o registro descreve a PICO-ARU4, uma placa de computação compacta com processadores Intel Core Ultra 5 ou 7 e até 32 GB de memória LPDDR5 soldada.
* [RLoop alterna RL e consolidação de políticas](https://ai.exponencialadm.net/okf/pt/radar/rloop-combina-exploracao-e-consolidacao-no-e32671.md) - Publicado em 7 de novembro de 2025, o relato descreve uma estratégia iterativa de treinamento para RLVR e ganhos reportados em uma avaliação matemática.
* [Intel Arc Pro B60 de 24 GB chega à Europa](https://ai.exponencialadm.net/okf/pt/radar/intel-arc-pro-b60-de-24-41c914.md) - Publicado em 6 de novembro de 2025, o informe prevê a chegada europeia da GPU Intel Arc Pro B60, com 24 GB de memória, entre meados e o fim do mês, a partir de €769.
* [Kernels MoE exploram uso do AWS EFA](https://ai.exponencialadm.net/okf/pt/radar/kernels-moe-exploram-o-aws-efa-6bfa23.md) - Em 6 de novembro de 2025, a Perplexity descreveu kernels de expert parallelism para servir modelos MoE em várias GPUs da AWS usando EFA, sem GPUDirect Async.
* [Log aponta variantes Intel Xe3P para GPUs discretas](https://ai.exponencialadm.net/okf/pt/radar/log-vazado-aponta-variantes-intel-xe3p-0e1c76.md) - Relato da Wccftech sobre um log vazado aponta que o Intel Xe3P HPM pode equipar GPUs discretas e menciona uma variante LPM, provavelmente destinada ao Nova Lake.
* [Radar: câmera Edge AI NeoEyes NE301](https://ai.exponencialadm.net/okf/pt/radar/neoeyes-ne301-camera-edge-ai-com-9a4f35.md) - Publicado em 6 de novembro de 2025, o anúncio descreve uma câmera Edge AI com MCU STM32N6, NPU Neural-ART, sensor de 4 MP e conectividade Wi-Fi 6 e Bluetooth 5.4.
* [Inworld TTS 1 Max lidera ranking de fala](https://ai.exponencialadm.net/okf/pt/radar/tts-max-lidera-ranking-de-preferencia-7de1f5.md) - Publicado em 6 de novembro de 2025, o informe registra a liderança do Inworld TTS 1 Max no Speech Arena da Artificial Analysis, uma avaliação de preferência humana em quatro categorias de fala do mundo real.
* [Inworld TTS 1 Max lidera ranking de voz](https://ai.exponencialadm.net/okf/pt/radar/tts-ranking-e-recursos-para-avaliar-31fa4e.md) - Publicação de 6 de novembro de 2025 relata que o Inworld TTS 1 Max ocupa o primeiro lugar no Speech Arena, comparação às cegas de modelos de texto para fala avaliada por pessoas.
* [Lições de Assembly do FFmpeg](https://ai.exponencialadm.net/okf/pt/radar/licoes-de-assembly-no-ffmpeg-e46123.md) - Publicado em 5 de novembro de 2025, o registro apresenta lições para aprender programação Assembly no contexto do FFmpeg, que afirma usar Assembly escrito manualmente para melhorar o desempenho.
* [Por que o treinamento com RL pode ser mais frágil que o SFT](https://ai.exponencialadm.net/okf/pt/radar/por-que-o-treinamento-com-rl-e9b423.md) - Publicado em 5 de novembro de 2025, o texto aponta como feedback ruidoso e infraestrutura complexa podem desestabilizar treinamentos com aprendizado por reforço (RL).
* [RLAC usa crítico adversarial para geração livre](https://ai.exponencialadm.net/okf/pt/radar/rlac-aposta-em-critico-adversarial-para-f5fde4.md) - Publicado em 5 de novembro de 2025, o relato descreve um gerador e um crítico adversarial com validador externo. Informa maior factualidade e melhores pontuações em código, com menos chamadas e dados.
* [Videoaulas de programação paralela massiva](https://ai.exponencialadm.net/okf/pt/radar/videoaulas-de-programacao-paralela-massiva-112545.md) - Publicado em 4 de novembro de 2025, o post apresenta uma playlist no YouTube que acompanha o livro Programming Massively Parallel Processors e destaca a aula 04, sobre arquitetura de GPU.
* [Aprender programação de GPU começando pelo compute](https://ai.exponencialadm.net/okf/pt/radar/aprender-programacao-de-gpu-comecando-pelo-2e117c.md) - Um artigo propõe uma abordagem compute-first para aprender programação de GPU e oferece aos engenheiros uma perspectiva sobre como abordar esse aprendizado.
* [CUDA C++: uma introdução passo a passo](https://ai.exponencialadm.net/okf/pt/radar/cuda-c-uma-introducao-passo-a-628bdf.md) - Um post da NVIDIA apresenta programação paralela em CUDA C++ por meio de um exemplo simples, como ponto de partida para engenheiros que estão aprendendo o tema.
* [Trajetórias de especialistas no raciocínio de modelos](https://ai.exponencialadm.net/okf/pt/radar/trajetorias-de-especialistas-no-raciocinio-de-ca4263.md) - Um framework usa trajetórias de especialistas para ensinar modelos de linguagem pequenos a raciocinar sobre problemas difíceis.
* [CE-GPPO e gradientes no RL de LLMs](https://ai.exponencialadm.net/okf/pt/radar/ce-gppo-busca-preservar-gradientes-no-176422.md) - Publicado em 30 de outubro de 2025, o resumo apresenta o CE-GPPO, método de aprendizado por reforço para LLMs voltado a sinais de gradiente de tokens de baixa probabilidade descartados pelo clipping do PPO.
* [Raciocínio latente em modelos de linguagem em loop](https://ai.exponencialadm.net/okf/pt/radar/modelos-de-linguagem-em-loop-chegam-f5041b.md) - Artigo relata modelos em loop com 2,6 bilhões de parâmetros, treinados com mais de 7 trilhões de tokens, e desempenho equivalente ao de modelos de última geração duas a três vezes maiores.
* [IA busca descobrir algoritmos de reinforcement learning](https://ai.exponencialadm.net/okf/pt/radar/ia-pode-descobrir-algoritmos-de-reinforcement-8444be.md) - Artigo publicado na Nature relata um estudo liderado por David Silver sobre a descoberta autônoma de algoritmos de reinforcement learning e a possibilidade de encontrar métodos melhores.
* [Projetos de prática em C, do básico ao avançado](https://ai.exponencialadm.net/okf/pt/radar/projetos-de-pratica-em-c-do-3e63dd.md) - Publicado em 28 de outubro de 2025, o briefing apresenta um repositório de projetos de prática em C para níveis iniciante a avançado, sem detalhar projetos específicos.
* [RE-Searcher busca evidências com objetivos e autorreflexão](https://ai.exponencialadm.net/okf/pt/radar/re-searcher-objetivos-e-autorreflexao-para-ede07d.md) - Publicado em 28 de outubro de 2025, o resumo apresenta o RE-Searcher, um agente de busca que define objetivos e verifica se as evidências recuperadas os atendem, com foco em resistir a pistas enganosas em ambientes ruidosos.
* [Socratic-Zero coevolui agentes para gerar dados de raciocínio](https://ai.exponencialadm.net/okf/pt/radar/socratic-zero-coevolui-agentes-para-gerar-1bdf4d.md) - A abordagem usa três agentes e 100 perguntas iniciais para produzir dados de raciocínio; o artigo relata vantagem de 20,2 pontos em sete benchmarks matemáticos.
* [KArAt propõe attention learnable sem softmax](https://ai.exponencialadm.net/okf/pt/radar/karat-propoe-attention-learnable-como-alternativa-23290d.md) - Publicado em 27 de outubro de 2025, o relato apresenta a Kolmogorov-Arnold Attention (KArAt), alternativa à attention com softmax fixo. Os resultados em vision transformers são mistos, e variantes low-rank buscam reduzir o uso de memória.
* [Ant Group apresenta modelos híbridos Ring-linear 2.0](https://ai.exponencialadm.net/okf/pt/radar/ring-linear-2-0-explora-atencao-cc8c8e.md) - Publicação de 27 de outubro de 2025 descreve dois modelos que combinam atenção linear e softmax e afirma ganhos de eficiência com uma biblioteca própria de operadores FP8.
* [TPA propõe reduzir memória do cache KV com componentes de baixo rank](https://ai.exponencialadm.net/okf/pt/radar/tensor-product-attention-reduz-cache-kv-9f6cdd.md) - Artigo publicado em 27 de outubro de 2025 propõe a Tensor Product Attention, que representa queries, keys e values com componentes contextuais de baixo rank para buscar reduzir o consumo de memória do cache KV durante a inferência.
* [Penny: biblioteca de comunicação GPU feita à mão](https://ai.exponencialadm.net/okf/pt/radar/penny-biblioteca-open-source-de-comunicacao-e8bfaf.md) - Publicado em 26 de outubro de 2025, o registro apresenta Penny como uma biblioteca de comunicação GPU feita à mão e open source, cuja implementação pode ser examinada e cujo desenvolvimento pode receber contribuições.
* [EditScore avalia edições complexas de imagens](https://ai.exponencialadm.net/okf/pt/radar/editscore-aplica-reward-models-a-edicao-8d91e5.md) - Uma família de reward models de 7B a 72B, baseada no EditReward-Bench, é apresentada como apoio ao treinamento por RL e supera o GPT-5 nesse benchmark, segundo o post.
* [Meta-learning propõe regras de atualização para RL](https://ai.exponencialadm.net/okf/pt/radar/meta-aprendizado-busca-regras-para-atualizar-cf095c.md) - Artigo publicado em 24 de outubro de 2025 apresenta o DiscoRL, método que usa meta-learning entre agentes e ambientes para descobrir regras de atualização em reinforcement learning.
* [Regularização KL em RL e mode collapse](https://ai.exponencialadm.net/okf/pt/radar/rl-com-regularizacao-kl-alem-do-b5720b.md) - Artigo de 24 de outubro de 2025 analisa reverse KL e forward KL em reinforcement learning e questiona a aplicação direta da intuição sobre busca por modos e cobertura de massa.
* [BAPO propõe estabilizar RL off-policy para LLMs](https://ai.exponencialadm.net/okf/pt/radar/bapo-busca-estabilizar-o-rl-off-2ed5f9.md) - Publicado em 23 de outubro de 2025, o trabalho apresenta BAPO, método com balanced policy optimization e adaptive clipping para cenários de treinamento off-policy, como partial rollout e reutilização de experiências.
* [SFT: taxas menores podem preservar capacidades gerais](https://ai.exponencialadm.net/okf/pt/radar/sft-e-taxas-de-aprendizado-menores-3c15cf.md) - Estudo publicado em 23 de outubro de 2025 reavalia o ajuste fino de modelos de linguagem para domínios específicos. Segundo o resumo, taxas de aprendizado menores podem preservar capacidades gerais sem perder desempenho no domínio.
* [Intel Nova Lake é associado a NPU de 6ª geração](https://ai.exponencialadm.net/okf/pt/radar/intel-nova-lake-deve-trazer-npu-b13397.md) - Publicado em 22 de outubro de 2025, o Radar registra uma reportagem do TechPowerUp sobre a NPU dos futuros processadores desktop Nova Lake da Intel.
* [MoGA propõe atenção por grupos para vídeos longos](https://ai.exponencialadm.net/okf/pt/radar/moga-propoe-atencao-por-grupos-para-163974.md) - A publicação apresenta MoGA, uma abordagem Mixture-of-Groups Attention voltada à geração end-to-end de vídeos longos. O resumo não detalha implementação nem resultados de desempenho.
* [olmOCR 2 usa recompensas verificáveis para OCR](https://ai.exponencialadm.net/okf/pt/radar/olmocr-2-aposta-em-recompensas-verificaveis-4794fa.md) - Publicado em 22 de outubro de 2025, o post apresenta um modelo de OCR para PDFs e digitalizações, com tabelas, equações e escrita manual. A abordagem combina dados sintéticos e testes unitários como recompensas verificáveis.
* [Ring-1T: modelo MoE de 1 trilhão de parâmetros](https://ai.exponencialadm.net/okf/pt/radar/ring-1t-combina-moe-de-1-2381a6.md) - Publicado em 22 de outubro de 2025, o resumo apresenta o Ring-1T, modelo de raciocínio MoE com 1 trilhão de parâmetros e cerca de 50 bilhões ativos por token, e descreve seu treinamento em três fases.
* [Como escolher e implantar modelos abertos de OCR](https://ai.exponencialadm.net/okf/pt/radar/como-escolher-e-implantar-modelos-open-6ed45c.md) - Publicado em 21 de outubro de 2025, o post aborda critérios para escolher modelos de OCR, comparar modelos de ponta, implantá-los localmente ou remotamente e explorar aplicações além do OCR.
* [Radar: switch CPO TX9190 com refrigeração líquida na OCP 2025](https://ai.exponencialadm.net/okf/pt/radar/switch-cpo-tx9190-com-refrigeracao-liquida-f6a2e4.md) - Publicado em 21 de outubro de 2025, o relato da ServeTheHome diz que viu o switch CPO TX9190 da Marvell com refrigeração líquida em demonstração na OCP 2025.
* [Text-to-LoRA gera adapters a partir de descrições](https://ai.exponencialadm.net/okf/pt/radar/text-to-lora-cria-adapters-a-e70a6a.md) - Publicado em 21 de outubro de 2025: o Text-to-LoRA gera adapters LoRA para tarefas no Mistral-7B-Instruct a partir de descrições em texto. Em 479 tarefas, alcançou 67,7% de acurácia média.
* [Vazamento aponta Ryzen 9 9950X3D2 com 192 MB de cache L3](https://ai.exponencialadm.net/okf/pt/radar/vazamento-aponta-ryzen-9-9950x3d2-com-7e0b18.md) - Reportagem publicada em 21 de outubro de 2025 relata rumores sobre um processador AMD de 16 núcleos, 192 MB de cache L3 e TDP de 200 W; as especificações não são confirmação oficial.
* [WD Black SN8100 chega a 8 TB](https://ai.exponencialadm.net/okf/pt/radar/wd-black-sn8100-passa-a-ter-6c631b.md) - Publicado em 21 de outubro de 2025: o SSD WD Black SN8100 da Western Digital passou a ter uma versão com 8 TB de capacidade.
* [Banana Pi BPI-R4 Pro traz 10GbE e opção de Wi-Fi 7](https://ai.exponencialadm.net/okf/pt/radar/banana-pi-bpi-r4-pro-reune-e55228.md) - Publicado em 20 de outubro de 2025, o anúncio descreve uma placa roteadora com SoC MediaTek MT7988A, 8 GB de RAM e várias interfaces Ethernet, além de uma opção de Wi-Fi 7.
* [FinePdfs publica recursos para OCR de PDFs](https://ai.exponencialadm.net/okf/pt/radar/finepdfs-abre-recursos-para-ocr-de-c2a42f.md) - Em 20 de outubro de 2025, a FinePdfs anunciou código-fonte, conjuntos de dados rotulados e um classificador voltados a fluxos de OCR para PDFs.
* [MTEB v2 atualiza avaliação de embeddings](https://ai.exponencialadm.net/okf/pt/radar/mteb-v2-atualiza-avaliacao-de-embeddings-5bba0a.md) - Publicada em 20 de outubro de 2025, a versão 2 da suíte MTEB apresenta avaliação simplificada, suporte multimodal, rerankers, novas interfaces, documentação, estatísticas de conjuntos de dados e orientações de migração.
* [LaSeR explora recompensas de último token em LLMs](https://ai.exponencialadm.net/okf/pt/radar/laser-explora-recompensas-pelo-ultimo-token-9b651a.md) - Em publicação de 19 de outubro de 2025, a Tencent apresenta o LaSeR, algoritmo de reinforcement learning que alinha scores do último token a recompensas reais para raciocínio e self-rewarding de modelos de linguagem. O post menciona uma inferência de token extra.
* [Estudo compara escolhas de RL para raciocínio agêntico](https://ai.exponencialadm.net/okf/pt/radar/o-que-comparar-no-treinamento-de-f8548a.md) - Publicado em 19 de outubro de 2025, o estudo examina dados, algoritmos e modos de raciocínio no treinamento de LLMs agênticos. A prévia destaca a comparação entre trajetórias sintéticas concatenadas e trajetórias reais de uso de ferramentas de ponta a ponta.
* [Router-R1 coordena vários modelos com RL](https://ai.exponencialadm.net/okf/pt/radar/router-r1-coordena-varios-llms-com-e80fcc.md) - Publicado em 18 de outubro de 2025, o relato apresenta o Router-R1 como uma abordagem de reinforcement learning para alternar entre raciocínio e chamadas a vários LLMs. O texto informa resultados em sete benchmarks de perguntas e respostas.
* [Curso apresenta otimização de prompts com DSPy GEPA](https://ai.exponencialadm.net/okf/pt/radar/curso-de-otimizacao-de-prompts-com-0fe271.md) - Publicado em 17 de outubro de 2025, o item divulga um curso sobre otimização de prompts para modelos de linguagem com DSPy GEPA, voltado a engenheiros. A descrição não informa currículo detalhado nem resultados de avaliação.
* [DiaMoE-TTS combina IPA e MoE para dialetos](https://ai.exponencialadm.net/okf/pt/radar/diamoe-tts-combina-ipa-e-especialistas-24c696.md) - Publicado em 17 de outubro de 2025, o relato descreve um framework de síntese de fala que combina representação IPA, especialistas sensíveis a dialetos e métodos de adaptação.
* [LongCat-Audio-Codec para Speech LLMs](https://ai.exponencialadm.net/okf/pt/radar/longcat-audio-codec-explora-audio-para-49231d.md) - Em 17 de outubro de 2025, a Meituan disponibilizou em código aberto um tokenizer e detokenizer de áudio otimizado para Speech LLMs, com tokens paralelos e decoder de streaming de baixa latência.
* [RLM open source para contextos longos](https://ai.exponencialadm.net/okf/pt/radar/rlm-em-python-analisa-contextos-longos-aeeb06.md) - Uma implementação em Python de Recursive Language Models mantém entradas longas em um Python REPL para análise e informa suporte a mais de 100 provedores de LLM por meio do LiteLLM.
* [Curso gratuito da Aalto ensina programação paralela](https://ai.exponencialadm.net/okf/pt/radar/curso-pratico-da-aalto-sobre-computacao-195211.md) - A Aalto University oferece um curso gratuito e prático sobre engenharia de algoritmos para computadores paralelos modernos, incluindo CPUs multicore e GPUs. O material aborda como projetar programas para aproveitar esses recursos.
* [Definições e benchmarks de AGI sob crítica](https://ai.exponencialadm.net/okf/pt/radar/definicoes-e-benchmarks-de-agi-sob-214ef1.md) - Um comentário sobre um artigo de AGI elogia sua discussão sobre variação de capacidades, mas questiona os benchmarks e a visão restrita de inteligência artificial.
* [DSPy GEPA otimiza prompts por reflexão](https://ai.exponencialadm.net/okf/pt/radar/dspy-gepa-otimiza-prompts-por-reflexao-864faa.md) - Um cookbook relata que a otimização reflexiva de prompts com DSPy GEPA elevou em 11% a precisão no NuminaMath-1.5, por menos de US$ 0,50 no total.
* [Algoritmos paralelos e hierarquia de memória](https://ai.exponencialadm.net/okf/pt/radar/algoritmos-paralelos-e-hierarquia-de-memoria-0e5238.md) - Publicado em 15 de outubro de 2025, o registro recomenda o livro de Guy Blelloch como complemento a um curso do MIT e destaca a hierarquia de memória na computação paralela.
* [RLMs exploram prompts longos por meio de um REPL](https://ai.exponencialadm.net/okf/pt/radar/modelos-de-linguagem-abordam-prompts-longos-0b0fc0.md) - Publicação de 15 de outubro de 2025 descreve Recursive Language Models, que interagem recursivamente com prompts muito longos por meio de um REPL, e relata resultados nos benchmarks OOLONG e BrowseComp-Plus.
* [Estudo analisa dados e raciocínio em agentic RL](https://ai.exponencialadm.net/okf/pt/radar/como-avaliar-dados-e-raciocinio-em-3f09c8.md) - Publicado em 14 de outubro de 2025, o estudo examina dados, algoritmos e modos de raciocínio no aprendizado por reforço para agentes, incluindo trajetórias e uso de ferramentas.
* [Radxa Orion O6N: placa Nano-ITX com SoC de 12 núcleos](https://ai.exponencialadm.net/okf/pt/radar/radxa-orion-o6n-computador-nano-itx-586d61.md) - Publicado em 14 de outubro de 2025, o registro descreve a Radxa Orion O6N, uma placa Nano-ITX com SoC CIX P1 de 12 núcleos, até 64 GB de LPDDR5 e acelerador de IA de 30/45 TOPS.
* [SkyRL tx v0.0.2 adiciona treino multi-LoRA](https://ai.exponencialadm.net/okf/pt/radar/skyrl-tx-v0-0-2-habilita-68a3b4.md) - Publicado em 14 de outubro de 2025, o anúncio informa que a versão v0.0.2 do SkyRL tx permite treinar modelos multi-LoRA por meio da API Tinker.
* [ACE acumula contexto estruturado com feedback](https://ai.exponencialadm.net/okf/pt/radar/ace-contexto-estruturado-com-feedback-de-4b6125.md) - Publicado em 13 de outubro de 2025, o resumo apresenta o Agentic Context Engineering (ACE), uma abordagem que acumula e refina itens estruturados de contexto com base no desempenho.
* [Benchmark compara raciocínio e latência em áudio](https://ai.exponencialadm.net/okf/pt/radar/benchmark-compara-raciocinio-e-latencia-em-3b4f2c.md) - A publicação relata 92% de acerto no Big Bench Audio para um modelo de áudio com raciocínio, além de comparar o tempo até o primeiro token com e sem essa etapa.
* [InfLLM-V2 alterna atenção densa e esparsa](https://ai.exponencialadm.net/okf/pt/radar/infllm-v2-alterna-entre-atencao-densa-2b1832.md) - Publicado em 13 de outubro de 2025, o artigo apresenta um sistema que alterna entre atenção densa e esparsa para adaptar o processamento de sequências curtas a longas.
* [Circuitos ajudam a prever erros de raciocínio](https://ai.exponencialadm.net/okf/pt/radar/verificacao-por-circuitos-preve-erros-de-44c7ea.md) - Publicado em 13 de outubro de 2025, o relato apresenta uma abordagem que analisa circuitos internos de modelos para prever raciocínios incorretos e informa resultados em tarefas aritméticas.
* [Estudo compara níveis de attention em 13 LLMs](https://ai.exponencialadm.net/okf/pt/radar/estudo-testa-niveis-de-attention-em-ce50f3.md) - Experimentos relatados com 13 LLMs apontaram o melhor resultado com 17% de attention, equivalente a duas de 12 camadas. A comparação pode informar escolhas de arquitetura, mas não estabelece uma regra universal.
* [Guia reúne métodos de pós-treinamento de LLMs](https://ai.exponencialadm.net/okf/pt/radar/guia-de-post-training-de-llms-de11c7.md) - Publicado em 12 de outubro de 2025, o guia aborda como modelos de linguagem passam da previsão do próximo token ao seguimento de instruções, além de métodos e avaliação.
* [SanDisk propõe memória flash de alta largura de banda para IA](https://ai.exponencialadm.net/okf/pt/radar/high-bandwidth-flash-uma-proposta-para-a31f68.md) - Em publicação de 12 de outubro de 2025, a SanDisk propôs a High Bandwidth Flash, um design NAND que busca combinar capacidade muito maior que a HBM com largura de banda de leitura e preço semelhantes.
* [SwiReasoning alterna modos de raciocínio](https://ai.exponencialadm.net/okf/pt/radar/swireasoning-alterna-raciocinio-latente-e-explicito-8dae28.md) - Publicação de 12 de outubro de 2025 descreve uma técnica que alterna entre raciocínio latente e explícito e relata ganhos de eficiência em tokens em modelos Qwen3-8B.
* [BPI-AIM7: módulo de IA com RK3588](https://ai.exponencialadm.net/okf/pt/radar/banana-pi-bpi-aim7-modulo-de-2e9926.md) - Publicado em 11 de outubro de 2025, o resumo descreve o BPI-AIM7 como um módulo de IA de baixo consumo baseado no RK3588 e compatível com o ecossistema Jetson Nano.
* [TUMIX coordena agentes para refinar respostas](https://ai.exponencialadm.net/okf/pt/radar/tumix-coordena-agentes-para-refinar-respostas-9044f7.md) - Publicado em 11 de outubro de 2025, o texto apresenta o TUMIX: agentes com ferramentas diferentes resolvem problemas de forma independente, compartilham respostas e as refinam em várias rodadas.
* [Aprendizado de agentes sem sinais de recompensa](https://ai.exponencialadm.net/okf/pt/radar/aprendizado-de-agentes-com-estados-futuros-7aaf9b.md) - Publicado em 10 de outubro de 2025, o texto apresenta o uso de estados futuros das interações de um agente como supervisão, sem sinais de recompensa, e examina duas estratégias: modelagem implícita do mundo e autorreflexão.
* [AHN propõe memória contínua para LLMs](https://ai.exponencialadm.net/okf/pt/radar/ahn-propoe-memoria-para-llms-de-b99fe9.md) - Uma publicação de 9 de outubro de 2025 atribui à ByteDance uma arquitetura chamada Artificial Hippocampus Networks (AHN), voltada a LLMs com contexto longo e à compressão contínua de informações que ficam fora da janela de contexto.
* [Estudo relaciona attention sinks e vales de compressão em LLMs](https://ai.exponencialadm.net/okf/pt/radar/attention-sinks-e-vales-de-compressao-f9c320.md) - Experimentos com modelos de 410 milhões a 120 bilhões de parâmetros associam normas extremas de ativação do token de início de sequência, em camadas intermediárias, a compression valleys e attention sinks.
* [Teoria propõe três etapas para o fluxo de informação em LLMs](https://ai.exponencialadm.net/okf/pt/radar/tres-etapas-para-pensar-o-fluxo-e4e2d9.md) - Publicação de 9 de outubro de 2025 relaciona ativações massivas, attention sinks e compression valleys e propõe três etapas para o fluxo de informação em modelos de linguagem.
* [JEPA-SCORE estima densidade com encoders JEPA](https://ai.exponencialadm.net/okf/pt/radar/jepa-score-estima-densidade-sem-retreinar-8f6556.md) - Estudo publicado em 8 de outubro de 2025 relata que um termo anti-colapso em JEPAs pode estimar implicitamente a densidade dos dados e apresenta o JEPA-SCORE, sem retreinamento.
* [UserRL treina agentes com usuários simulados](https://ai.exponencialadm.net/okf/pt/radar/userrl-treina-agentes-com-usuarios-simulados-f30170.md) - Publicado em 8 de outubro de 2025, o relato da Salesforce apresenta o UserRL, framework para treinar agentes com ambientes padronizados e usuários simulados.
* [CCA reduz o espaço usado pela attention](https://ai.exponencialadm.net/okf/pt/radar/cca-leva-a-attention-para-um-d4b9af.md) - Publicado em 7 de outubro de 2025, o post descreve o Compressed Contextual Attention (CCA), que calcula attention em um espaço latente menor e aplica RoPE nesse espaço.
* [CCA propõe atenção comprimida para contexto longo](https://ai.exponencialadm.net/okf/pt/radar/cca-propoe-atencao-comprimida-para-transformers-4f9c56.md) - Publicado em 7 de outubro de 2025, o artigo apresenta a Compressed Convolutional Attention (CCA), que projeta queries, keys e values em dimensões menores para realizar atenção em um espaço latente comprimido.
* [FireRedChat explora interação por voz full-duplex](https://ai.exponencialadm.net/okf/pt/radar/fireredchat-explora-conversa-por-voz-em-ffa51d.md) - Publicado em 7 de outubro de 2025, o registro apresenta um sistema open source modular de interação por voz, com implementações em cascata e semicascata e recursos para conversas em tempo real.
* [GPU MODE analisa a competição do kernel AF3 trimul](https://ai.exponencialadm.net/okf/pt/radar/gpu-mode-analisa-a-competicao-do-cf643c.md) - Uma análise do GPU MODE aborda os desafios de otimização do kernel AF3 trimul, o planejamento da competição e as implementações dos participantes.
* [CyberBlue reúne ferramentas blue team em containers](https://ai.exponencialadm.net/okf/pt/radar/cyberblue-reune-ferramentas-blue-team-em-23163b.md) - Publicado em 6 de outubro de 2025, o registro descreve o CyberBlue como uma plataforma em containers que reúne ferramentas open source para SIEM, DFIR, CTI, SOAR e análise de redes.
* [Índice reúne exploits públicos de prova de conceito para CVEs](https://ai.exponencialadm.net/okf/pt/radar/indice-reune-exploits-publicos-de-prova-2afe2c.md) - Publicado em 6 de outubro de 2025, o informe descreve um projeto no GitHub que indexa exploits públicos de prova de conceito de cinco fontes para apoiar pesquisas de vulnerabilidades e testes de segurança.
* [Modelo explora dinâmica neural e sincronização](https://ai.exponencialadm.net/okf/pt/radar/modelo-explora-sincronizacao-em-nivel-de-5bb98a.md) - Publicado em 6 de outubro de 2025, o artigo apresenta a Continuous Thought Machine, que usa processamento e sincronização em nível de neurônio como representações centrais, inspiradas na dinâmica neural biológica.
* [MoE-CL para ajuste contínuo de instruções](https://ai.exponencialadm.net/okf/pt/radar/moe-cl-adaptacao-continua-com-experts-0c48ae.md) - Artigo publicado em 6 de outubro de 2025 propõe um framework MoE-CL para continual instruction tuning e relata avaliações nos benchmarks MTL5 e Tencent3, além de um teste A/B no Tencent. O resumo disponível não informa resultados quantitativos.
* [Estudo compara aprendizado no contexto e nos pesos](https://ai.exponencialadm.net/okf/pt/radar/estudo-explora-aprendizagem-por-exemplos-e-51db3e.md) - Publicado em 5 de outubro de 2025, o estudo relata que um modelo treinado em 12.000 tarefas pequenas combinou ideias novas e encontrou um equilíbrio entre flexibilidade e memória.
* [GEPA e a detecção de código malicioso gerado por IA](https://ai.exponencialadm.net/okf/pt/radar/gepa-testa-prompts-para-detectar-codigo-bc6274.md) - Uma publicação de 5 de outubro de 2025 relata que prompts encontrados com GEPA detectaram comportamento malicioso em código gerado por IA, bloqueando 90% das submissões maliciosas com 1% do orçamento de auditoria.
* [Seleção reúne artigos sobre busca e embeddings generativos](https://ai.exponencialadm.net/okf/pt/radar/pesquisa-em-recuperacao-de-informacao-embeddings-438426.md) - Publicado em 5 de outubro de 2025, o volume 124 de uma seleção semanal aborda embeddings generativos com escalonamento no momento do teste e retrievers eficientes para documentos visuais.
* [RLAD testa dicas curtas para orientar o raciocínio de LLMs](https://ai.exponencialadm.net/okf/pt/radar/rlad-testa-dicas-curtas-para-orientar-fa31a6.md) - Um estudo treina um gerador de dicas e um solver condicionado a elas com reinforcement learning. O relato aponta 44% mais acurácia em matemática no AIME 2025 do que o RL com cadeias longas.
* [Grokking em adição modular: uma explicação em três etapas](https://ai.exponencialadm.net/okf/pt/radar/grokking-em-adicao-modular-tres-etapas-0a45e2.md) - Post publicado em 4 de outubro de 2025 apresenta um artigo que descreve três etapas do grokking em adição modular e propõe um limiar de exemplos para a generalização.
* [Slides relacionam regressão por kernel à atenção](https://ai.exponencialadm.net/okf/pt/radar/regressao-por-kernel-oferece-uma-lente-834441.md) - Publicado em 4 de outubro de 2025, um resumo em dez slides examina a relação entre regressão por kernel e o mecanismo de atenção.
* [Maxsun e Abee anunciam workstation com quatro GPUs](https://ai.exponencialadm.net/okf/pt/radar/workstation-reune-quatro-gpus-arc-pro-5a4318.md) - Anúncio de 4 de outubro de 2025: a Maxsun e a Abee apresentaram uma workstation com quatro GPUs Intel Arc Pro B60 Dual 48G, somando 192 GB de VRAM.
* [Dragon Hatchling explora memória neural local em modelos de linguagem](https://ai.exponencialadm.net/okf/pt/radar/dragon-hatchling-explora-regras-neuronais-locais-ed0cfe.md) - Publicado em 3 de outubro de 2025, o post apresenta o Dragon Hatchling, modelo com conexões que armazenam memória de curto prazo por aprendizado Hebbiano, e sua versão otimizada para GPU.
* [RLAD explora dicas procedurais para raciocínio em LLMs](https://ai.exponencialadm.net/okf/pt/radar/rlad-explora-abstracoes-de-raciocinio-com-5d66c5.md) - Publicado em 3 de outubro de 2025, o registro apresenta o RLAD, um framework de aprendizado por reforço com dois jogadores para descobrir dicas em linguagem natural que estruturam a exploração do raciocínio.
* [ckit.h reúne utilitários para projetos em C](https://ai.exponencialadm.net/okf/pt/radar/ckit-h-reune-utilitarios-para-projetos-25d3e5.md) - Publicado em 2 de outubro de 2025, ckit.h é apresentado como um pequeno kit de itens essenciais para projetos em C, que engenheiros podem avaliar como fonte de utilitários reutilizáveis.
* [SDL3 pode preencher a janela do navegador no Emscripten](https://ai.exponencialadm.net/okf/pt/radar/sdl3-pode-preencher-a-janela-do-dc478c.md) - Publicação de 2 de outubro de 2025 mostra uma opção para jogos SDL3 compilados com Emscripten ocuparem a janela do navegador.
* [GPUs NVIDIA: kernels matmul por dentro](https://ai.exponencialadm.net/okf/pt/radar/como-kernels-de-matmul-aproveitam-gpus-abfec7.md) - Artigo publicado em 1º de outubro de 2025 sobre arquitetura de GPUs e técnicas de kernels para multiplicação de matrizes de alto desempenho.
* [Dragon Hatchling explora partículas neuronais de interação local](https://ai.exponencialadm.net/okf/pt/radar/dragon-hatchling-explora-particulas-neuronais-de-da9463.md) - A arquitetura Dragon Hatchling combina partículas neuronais de interação local, uma rede biologicamente inspirada e uma estrutura scale-free, com foco em interpretabilidade.
* [Kernels, gráficos e profiling em GPUs](https://ai.exponencialadm.net/okf/pt/radar/kernels-graficos-e-profiling-em-gpus-975f99.md) - Um post de blog reúne kernels, gráficos, profiling e temas relacionados, oferecendo uma possível visão geral para engenheiros que estudam programação de GPUs.
* [ToolUniverse conecta LLMs a ferramentas de pesquisa](https://ai.exponencialadm.net/okf/pt/radar/tooluniverse-conecta-llms-a-ferramentas-de-2cb75c.md) - Publicado em 30 de setembro de 2025, o post apresenta uma interface compartilhada para descobrir e chamar ferramentas de pesquisa locais e remotas via MCP. A biblioteca reúne mais de 600 ferramentas e inclui uma demonstração de descoberta de medicamentos.
* [Guia aborda kernels CUDA de matmul de alto desempenho](https://ai.exponencialadm.net/okf/pt/radar/guia-de-kernels-cuda-para-matmul-e39331.md) - Publicado em 29 de setembro de 2025, o material trata da hierarquia de memória de GPUs, do modelo de programação CUDA e da inspeção de PTX/SASS para orientar o compilador em kernels de matmul.
* [Receitas de LoRA para fine-tuning em RL](https://ai.exponencialadm.net/okf/pt/radar/receitas-de-lora-para-fine-tuning-2e1365.md) - Em publicação de 29 de setembro de 2025, a Thinky Machines destaca escolhas de configuração de LoRA para fine-tuning em reinforcement learning, incluindo taxas de aprendizado 10 vezes maiores e LoRA em todas as camadas.
* [Transformers com energia refinam a previsão do próximo token](https://ai.exponencialadm.net/okf/pt/radar/energy-based-transformers-refinam-previsoes-do-a71479.md) - Publicado em 27 de setembro de 2025, o relato descreve uma abordagem que reduz iterativamente a energia atribuída a candidatos para o próximo token. Em testes com 44 milhões de parâmetros no RedPajama-Data-v2, ela superou transformers vanilla do mesmo tamanho em três de quatro benchmarks.
* [FlashAttention-4: otimização de kernels](https://ai.exponencialadm.net/okf/pt/radar/flashattention-4-engenharia-reversa-e-ganho-26a23d.md) - Publicado em 26 de setembro de 2025, o texto da Modal descreve a engenharia reversa do FlashAttention-4 e atribui um ganho de desempenho de 20% a mudanças no cálculo e na execução.
* [RLPT aplica aprendizado por reforço a dados de pré-treinamento](https://ai.exponencialadm.net/okf/pt/radar/rlpt-leva-aprendizado-por-reforco-aos-b52897.md) - Publicação de 25 de setembro de 2025 apresenta o RLPT, que usa recompensas pelo próximo segmento para treinar modelos com dados de pré-treinamento, sem novas anotações humanas. O texto relata ganhos em benchmarks para o Qwen3-4B-Base.
* [Stanford reúne estudos sobre agentes que se aprimoram](https://ai.exponencialadm.net/okf/pt/radar/stanford-reune-estudos-sobre-agentes-que-7b8c54.md) - Publicado em 25 de setembro de 2025, o informe apresenta o curso CS329A de Stanford e cita três trabalhos sobre agentes de IA que se aprimoram.
* [Capítulo sobre a inicialização do Linux é atualizado](https://ai.exponencialadm.net/okf/pt/radar/capitulo-atualizado-sobre-a-inicializacao-do-de70f5.md) - Atualização de 24 de setembro de 2025: o quarto capítulo de linux-insides sobre a inicialização do kernel Linux passou a cobrir versões modernas.
* [Meta anuncia modelo aberto de 32 bilhões para código](https://ai.exponencialadm.net/okf/pt/radar/meta-apresenta-modelo-de-codigo-com-288aa5.md) - Em 24 de setembro de 2025, a Meta apresentou o Code World Model, um modelo de linguagem de 32 bilhões de parâmetros com pesos abertos, voltado à pesquisa sobre geração de código com world models.
* [RF-DETR aplicado à detecção no basquete](https://ai.exponencialadm.net/okf/pt/radar/rf-detr-ajustado-para-detectar-elementos-941cf4.md) - Publicação de 24 de setembro de 2025 descreve um modelo RF-DETR ajustado para detectar jogadores, números, árbitros, bola e aro em cenas de basquete.
* [Radar: visão unificada de Attention-MoE e FFN-MoE](https://ai.exponencialadm.net/okf/pt/radar/uma-visao-unificada-de-attention-moe-f75bd5.md) - Publicação de 24 de setembro de 2025 descreve uma formulação que trata tokens pré-misturados e (V·Wo) como um expert de FFN, unificando Attention-MoE e FFN-MoE com experts compartilhados.
* [Radar: cache, prefetch, false sharing e branches](https://ai.exponencialadm.net/okf/pt/radar/cache-prefetch-e-branches-hardware-que-489e05.md) - Leitura leve, publicada em 23 de setembro de 2025, apresenta fundamentos de hardware relevantes para programadores: cache, prefetch, false sharing e branches.
* [LIMI testa curadoria de dados para agentes](https://ai.exponencialadm.net/okf/pt/radar/curadoria-de-dados-e-autonomia-de-89e450.md) - Publicado em 23 de setembro de 2025, o relato sobre o LIMI afirma que 78 demonstrações selecionadas alcançaram 73,5% no AgencyBench, acima de modelos treinados com 10 mil amostras.
* [MIT relata transistor com semicondutor magnético](https://ai.exponencialadm.net/okf/pt/radar/transistor-magnetico-pode-integrar-controle-e-686522.md) - Publicado em 23 de setembro de 2025, o relato atribui a pesquisadores do MIT um transistor feito com semicondutor magnético. A publicação diz que o magnetismo melhora o controle elétrico e pode integrar memória ao dispositivo.
* [Triton: entendendo `tl.make_block_ptr`](https://ai.exponencialadm.net/okf/pt/radar/triton-entendendo-tl-make-block-ptr-8afde8.md) - Um post apresenta a organização de tensores na memória da GPU e explica strides, offsets e `tl.make_block_ptr`, com recursos visuais para ajudar a raciocinar sobre o acesso a dados em kernels Triton.
* [CUDA: operações de 256 bits na GPU](https://ai.exponencialadm.net/okf/pt/radar/cuda-aritmetica-de-256-bits-na-87d203.md) - Tutorial publicado em 22 de setembro de 2025 aborda como implementar multiplicação e adição de 256 bits na GPU com CUDA; o código completo é indicado nos comentários.
* [Mini-Omni-Reasoner intercala raciocínio e fala](https://ai.exponencialadm.net/okf/pt/radar/mini-omni-reasoner-intercala-raciocinio-e-0fbb51.md) - Publicado em 22 de setembro de 2025, o relato apresenta uma arquitetura que alterna raciocínio silencioso e tokens falados, além de um novo conjunto de dados e ganhos relatados em tarefas de matemática e compreensão contextual.
* [Estudo do MIT testa prompts teóricos para agentes sociais](https://ai.exponencialadm.net/okf/pt/radar/prompts-teoricos-para-agentes-sociais-generalizaveis-4a19af.md) - Publicado em 22 de setembro de 2025, o texto relata um estudo que usa teoria comportamental e pequenos conjuntos de dados humanos para criar prompts. Os agentes foram avaliados em cenários relacionados, mas distintos, e tiveram menor erro de previsão em novas variantes de jogos do que modelos de言guЧ
* [Qwen3-Omni combina fala, texto, imagem e vídeo](https://ai.exponencialadm.net/okf/pt/radar/qwen3-omni-reune-fala-texto-imagem-766469.md) - Em 22 de setembro de 2025, a Qwen anunciou a disponibilização de três modelos multimodais capazes de seguir instruções, raciocinar e gerar legendas, com entrada e saída de fala.
* [Penny: um diário de desenvolvimento para GPUs](https://ai.exponencialadm.net/okf/pt/radar/penny-um-diario-de-desenvolvimento-para-3d1b49.md) - A primeira parte de uma série acompanha a criação manual da Penny, uma biblioteca de comunicação para GPUs, e oferece contexto para engenheiros interessados nesse tipo de desenvolvimento.
* [Guia em vídeo para praticar CUDA em C no Colab](https://ai.exponencialadm.net/okf/pt/radar/pratique-cuda-em-c-gratuitamente-no-2dff60.md) - Publicado em 20 de setembro de 2025, o item apresenta um guia em vídeo, criado pelo autor, para praticar programação de GPU com CUDA em C gratuitamente no Google Colab.
* [Brook e a computação em fluxo para GPUs](https://ai.exponencialadm.net/okf/pt/radar/brook-e-o-inicio-da-computacao-174ffe.md) - Publicado em 19 de setembro de 2025, o registro destaca um artigo de 2004 sobre kernels que processam elementos em streams como modelo de programação para GPUs.
* [Leituras sobre desempenho de GPUs e IA](https://ai.exponencialadm.net/okf/pt/radar/como-estudar-performance-de-gpus-e-7cef4b.md) - Publicado em 18 de setembro de 2025, o registro reúne materiais sobre otimização de matmul em CUDA, H100 e cuBLAS, não determinismo em inferência de LLMs, transformers, scaling e co-design de hardware e modelos.
* [IPU da Graphcore: arquitetura e paralelismo](https://ai.exponencialadm.net/okf/pt/radar/ipu-da-graphcore-nucleos-threads-e-675408.md) - Post publicado em 18 de setembro de 2025 descreve uma IPU com 1.472 núcleos, quase 9.000 threads paralelas e 900 MB de memória no processador, voltada a computação baseada em grafos e workloads irregulares e esparsos.
* [Ferramenta transcreve gravações longas](https://ai.exponencialadm.net/okf/pt/radar/ferramenta-em-python-transcreve-audio-longo-1d2f1f.md) - Publicada em 17 de setembro de 2025, uma ferramenta de linha de comando em Python transcreve áudio e vídeo longos por meio de uma API de reconhecimento de fala.
* [FireRedTTS 2: modelo aberto de síntese de fala](https://ai.exponencialadm.net/okf/pt/radar/fireredtts-2-amplia-opcoes-de-sintese-272cb1.md) - Publicado em 17 de setembro de 2025, o anúncio descreve um modelo aberto de conversão de texto em fala com suporte a fala conversacional longa, clonagem de voz multilíngue e entre idiomas, baixa latência e geração aleatória de timbre.
* [PHLoRA extrai adapters LoRA de modelos ajustados](https://ai.exponencialadm.net/okf/pt/radar/phlora-extrai-adapters-lora-de-checkpoints-bc24b7.md) - Publicado em 17 de setembro de 2025, o relato apresenta um método para extrair adapters de baixo rank de checkpoints fine-tuned, sem dados de treinamento nem gradientes.
* [Recursos de programação para GPUs e sistemas GPU](https://ai.exponencialadm.net/okf/pt/radar/recursos-de-programacao-para-gpus-e-634bf9.md) - Bookmark publicado em 17 de setembro de 2025 sobre uma coleção de recursos para programação em GPUs, incluindo um capítulo de arquitetura e interconexões com foco em workloads de LLMs.
* [REFRAG propõe acelerar RAG com embeddings reutilizáveis](https://ai.exponencialadm.net/okf/pt/radar/refrag-acelera-rag-com-embeddings-reutilizaveis-093a48.md) - Publicado em 15 de setembro de 2025, o relato descreve o REFRAG, método que substitui a maioria dos tokens recuperados por embeddings de chunks pré-computados e reutilizáveis. O post afirma ganhos de velocidade e contexto.
* [FireRedTTS-2 explora fala em streaming com múltiplos speakers](https://ai.exponencialadm.net/okf/pt/radar/tokens-de-streaming-para-fala-com-63bf89.md) - Publicado em 15 de setembro de 2025, o resumo descreve um sistema de síntese de fala em streaming para diálogos longos e contextuais, com tokens de fala a 12,5 Hz e arquitetura dual-transformer.
* [Workshop da Cornell introduz arquitetura de GPUs](https://ai.exponencialadm.net/okf/pt/radar/workshop-da-cornell-introduz-a-arquitetura-3a8e23.md) - Publicado em 13 de setembro de 2025, o registro apresenta um workshop da Cornell como ponto de partida para aprender sobre GPUs e destaca diferenças arquiteturais em relação às CPUs.
* [Agentes de pesquisa treinados por reforço](https://ai.exponencialadm.net/okf/pt/radar/agentes-autonomos-para-pesquisa-em-tarefas-3b823d.md) - Paper de 9 de setembro de 2025 descreve agentes autônomos para pesquisa aprofundada, com busca na web, navegação, Python e resumo de resultados quando o contexto fica limitado.
* [Pesquisa profunda compilada como código](https://ai.exponencialadm.net/okf/pt/radar/universal-deep-research-transforma-estrategias-em-7cfee2.md) - Em 7 de setembro de 2025, um registro sobre o Universal Deep Research descreveu um sistema que transforma estratégias de pesquisa em linguagem natural em funções executáveis com busca e um modelo de linguagem intercambiável.
* [Radar: projetando um algoritmo SIMD do zero](https://ai.exponencialadm.net/okf/pt/radar/como-projetar-um-algoritmo-simd-do-dc05ab.md) - Publicado em 17 de agosto de 2025, o artigo apresenta um exemplo de desenvolvimento de algoritmo SIMD do zero, com foco em Base64.
* [RLVMR combina recompensas e supervisão por etapa](https://ai.exponencialadm.net/okf/pt/radar/rlvmr-combina-recompensas-finais-e-supervisao-b7612b.md) - Em publicação datada de 15 de agosto de 2025, pesquisadores da Tencent propuseram o RLVMR, método que combina recompensas pelo resultado com supervisão de etapas do agente. O texto relata 83,6% em tarefas inéditas mais difíceis de ALFWorld e ScienceWorld para um agente 7B.
* [Recursos selecionados para explorar GraphRAG](https://ai.exponencialadm.net/okf/pt/radar/recursos-selecionados-para-explorar-graphrag-01eae9.md) - Publicado em 14 de agosto de 2025, o briefing apresenta uma lista selecionada de surveys, artigos, benchmarks e projetos open source sobre geração aumentada por recuperação baseada em grafos.
* [LogicRAG planeja raciocínio durante a consulta](https://ai.exponencialadm.net/okf/pt/radar/logicrag-monta-um-grafo-de-raciocinio-69b95d.md) - Publicado em 12 de agosto de 2025, o relato descreve um método que monta um DAG por consulta, recupera evidências em sequência e atualiza um resumo. Segundo o post, superou sistemas GraphRAG em três conjuntos de QA multi-hop.
* [SWE-Swiss: uma receita para treinar modelos de engenharia de software](https://ai.exponencialadm.net/okf/pt/radar/swe-swiss-uma-receita-para-treinar-4944e8.md) - Pesquisadores da Peking University, ByteDance Seed e HKU apresentam uma abordagem de treinamento para tarefas de engenharia de software. O modelo SWE-Swiss-32B, com 32 bilhões de parâmetros, alcançou 60,2% no SWE-bench Verified, segundo os autores.
* [Sipeed Maix4-HAT leva NPU ao Raspberry Pi](https://ai.exponencialadm.net/okf/pt/radar/maix4-hat-leva-aceleracao-transformer-a-5b02e3.md) - Publicado em 11 de agosto de 2025, o Maix4-HAT para Raspberry Pi 5 reúne uma NPU AXera AX650N e 8 GB de RAM LPDDR4x para acelerar modelos Transformer na edge.
* [Survey examina a memória em agentes baseados em LLM](https://ai.exponencialadm.net/okf/pt/radar/survey-examina-memoria-em-agentes-baseados-492b3a.md) - Publicação da Renmin University of China e da Huawei reúne design, avaliação, aplicações, limitações e direções futuras para a memória em agentes baseados em LLM.
* [Zerox extrai campos estruturados de documentos](https://ai.exponencialadm.net/okf/pt/radar/zerox-extrai-campos-estruturados-de-documentos-358ee1.md) - Publicado em 10 de agosto de 2025, o texto apresenta o Zerox, projeto open source de OCR e extração que usa um schema para obter informações específicas de documentos, sem converter o documento inteiro para Markdown.
* [XIAOML Kit aproxima ML de hardware embarcado](https://ai.exponencialadm.net/okf/pt/radar/xiaoml-kit-leva-estudos-de-ml-2e49f3.md) - Publicado em 7 de agosto de 2025, o registro descreve um kit com sensores e placas ESP32-S3 que acompanha um livro gratuito de sistemas de machine learning e aulas práticas.
* [Exemplo de STT em streaming na Modal](https://ai.exponencialadm.net/okf/pt/radar/transcricao-de-fala-em-streaming-exemplo-fedbfa.md) - Publicado em 6 de agosto de 2025, o exemplo da Modal mostra uma implantação de serviço de transcrição de áudio em streaming com Kyutai STT.
* [Mirage compila LLMs em megakernels persistentes](https://ai.exponencialadm.net/okf/pt/radar/mirage-compila-llms-em-megakernels-persistentes-58a52e.md) - O compilador Mirage Persistent Kernel transforma LLMs em megakernels otimizados. A publicação afirma que a abordagem reduz a latência em 1,2–6,7 vezes.
* [Review do Dream Router 7: WiFi 7 e 10GbE](https://ai.exponencialadm.net/okf/pt/radar/dream-router-7-wifi-7-e-608074.md) - Publicado em 4 de junho de 2025, o review da StorageReview examina o gateway Ubiquiti Dream Router 7 e seus recursos para casas e pequenas e médias empresas.
* [DocEx simula exfiltração de documentos](https://ai.exponencialadm.net/okf/pt/radar/docex-simula-exfiltracao-de-documentos-sensiveis-b19527.md) - Publicado em 20 de abril de 2025, o registro descreve o DocEx, ferramenta de emulação de APT voltada à exfiltração de arquivos de escritório e PDF para avaliar defesas de segurança.
* [Chrome: V8 e internals de JavaScript](https://ai.exponencialadm.net/okf/pt/radar/exploracao-do-chrome-uma-introducao-aos-ad10a2.md) - Uma série em três partes sobre internals e exploração do Chrome; a primeira apresenta o V8 e os internals de JavaScript.
* [Série aborda evasão de antivírus com syscalls e XOR](https://ai.exponencialadm.net/okf/pt/radar/syscalls-diretas-e-xor-contexto-defensivo-b9949b.md) - Publicado em 19 de abril de 2025, o material descreve uma série em duas partes sobre evasão do Windows Defender, incluindo laboratório, direct syscalls e XOR. A primeira parte apresenta código básico para experimentação.
* [olmOCR propõe extrair texto simples de PDFs](https://ai.exponencialadm.net/okf/pt/radar/olmocr-extrai-texto-simples-de-pdfs-2e6467.md) - Em publicação de 25 de fevereiro de 2025, a AllenAI apresentou o olmOCR, ferramenta open source para extração de texto simples de PDFs, descrita como compatível com vários tipos de documentos e executável em uma GPU.
* [Beta de TTS expressivo e launcher local multiplataforma](https://ai.exponencialadm.net/okf/pt/radar/beta-de-tts-com-clonagem-de-b6fd2f.md) - Em 15 de fevereiro de 2025, uma publicação anunciou um beta de síntese de voz expressiva com clonagem, modelos Transformer e SSM-hybrid sob Apache 2.0 e um launcher de um clique para Mac, Windows e Linux.
* [Hibiki: tradução de fala em streaming](https://ai.exponencialadm.net/okf/pt/radar/hibiki-traducao-de-fala-em-streaming-5c8d95.md) - Publicado em 6 de fevereiro de 2025, o Hibiki é apresentado como um modelo decoder-only de tradução simultânea de fala entre francês e inglês, treinado com dados sintéticos.
* [Moonshine é integrado ao Transformers](https://ai.exponencialadm.net/okf/pt/radar/moonshine-chega-ao-transformers-para-transcricao-92f135.md) - Publicação de 20 de janeiro de 2025 anuncia a integração do modelo de reconhecimento automático de fala Moonshine ao Transformers e destaca suporte a áudios de qualquer duração.
* [HPAC-IDS aplica atenção hierárquica à detecção de intrusões](https://ai.exponencialadm.net/okf/pt/radar/hpac-ids-aplica-atencao-hierarquica-a-b216c8.md) - Publicado em 14 de janeiro de 2025, o resumo descreve um método que segmenta pacotes de rede brutos e usa estruturas hierárquicas e self-attention. Experimentos no CIC-IDS2017 relatam alta acurácia, poucos falsos positivos e resiliência adversarial.
* [VideoRAG busca vídeos para respostas multimodais](https://ai.exponencialadm.net/okf/pt/radar/videorag-amplia-a-recuperacao-multimodal-de-0f2864.md) - Publicado em 14 de janeiro de 2025, o resumo apresenta o VideoRAG, framework de pesquisa da KAIST que recupera vídeos relevantes para consultas e combina informações visuais e textuais em respostas geradas.
* [Piper: síntese de fala neural em execução local](https://ai.exponencialadm.net/okf/pt/radar/piper-sintese-de-fala-neural-em-c3905d.md) - Piper converte texto em fala com várias vozes, bibliotecas de fonemização, suporte a vários idiomas e opções personalizáveis. Engenheiros podem avaliá-lo como alternativa local de text-to-speech.
* [TheAgentCompany avalia agentes em tarefas de trabalho](https://ai.exponencialadm.net/okf/pt/radar/theagentcompany-avalia-agentes-em-tarefas-de-34b142.md) - Publicado em 19 de dezembro de 2024, o TheAgentCompany é apresentado como um benchmark para avaliar agentes de IA em tarefas de desenvolvimento de software, gerenciamento de projetos, administração e ciência de dados. O material não informa resultados ou pontuações.
* [Graphiti explora grafos temporais de conhecimento](https://ai.exponencialadm.net/okf/pt/radar/graphiti-explora-grafos-temporais-de-conhecimento-15e926.md) - Publicado em 10 de dezembro de 2024, o resumo apresenta o Graphiti como ferramenta para criar e consultar grafos dinâmicos que representam relações entre entidades ao longo do tempo.
* [Auto-RAG automatiza buscas iterativas em sistemas RAG](https://ai.exponencialadm.net/okf/pt/radar/auto-rag-refina-buscas-de-forma-795ec5.md) - Publicado em 2 de dezembro de 2024, o post descreve um método que planeja buscas e refina consultas em várias interações, ajustando o número de iterações à dificuldade da pergunta.
* [HijackRAG explora textos injetados em sistemas RAG](https://ai.exponencialadm.net/okf/pt/radar/hijackrag-expoe-riscos-de-textos-injetados-c81029.md) - Publicado em 1º de dezembro de 2024, o texto apresenta o HijackRAG, ataque que manipula sistemas RAG por meio de conteúdo recuperado, desvio de atenção e instruções.
* [RARe adapta modelos de retrieval com exemplos recuperados](https://ai.exponencialadm.net/okf/pt/radar/rare-adapta-modelos-de-retrieval-com-226d57.md) - Publicado em 1º de dezembro de 2024, o relato apresenta o RARe, método que acrescenta instruções e pares query-documento similares, recuperados por BM25, a modelos de retrieval. O post informa que exemplos similares superaram os aleatórios e que os ganhos cresceram até o limite de 10 exemplos testı‍
* [AssistRAG separa memória e geração](https://ai.exponencialadm.net/okf/pt/radar/assistrag-separa-memoria-da-geracao-de-fcdd76.md) - Publicado em 30 de novembro de 2024, o AssistRAG propõe gerenciar memória e conhecimento externo sem retreinar o modelo principal que gera respostas.
* [LazyGraphRAG combina busca vetorial e em grafos](https://ai.exponencialadm.net/okf/pt/radar/lazygraphrag-combina-busca-vetorial-e-em-55978d.md) - Publicado em 29 de novembro de 2024, o post descreve uma abordagem que combina RAG vetorial com busca iterativa em largura e em profundidade, sem sumarizar o índice. O texto aponta usos e trade-offs para avaliar alternativas ao GraphRAG completo.
* [Notebook demonstra RAG com PDFs](https://ai.exponencialadm.net/okf/pt/radar/rag-com-pdfs-docling-e-weaviate-b805ce.md) - Publicado em 28 de novembro de 2024, o notebook apresenta uma receita de RAG sobre arquivos PDF com Docling e Weaviate. Docling é descrito como um pacote Python de código aberto que converte documentos para Markdown ou JSON.
* [DeepSpeed Domino no treinamento distribuído de LLMs](https://ai.exponencialadm.net/okf/pt/radar/deepspeed-domino-paralelismo-para-treinar-llms-e516c6.md) - Publicado em 26 de novembro de 2024, o post apresenta o Domino como um mecanismo de paralelismo de tensores voltado a reduzir a sobrecarga de comunicação no treinamento de LLMs.
* [Autoflow combina Graph RAG e TiDB Serverless](https://ai.exponencialadm.net/okf/pt/radar/autoflow-explora-graph-rag-com-tidb-e6ed34.md) - Publicação de 22 de novembro de 2024 descreve o Autoflow como uma base de conhecimento conversacional baseada em Graph RAG, com TiDB Serverless para armazenamento vetorial.
* [OpenScholar publica código, modelos e acervo científico](https://ai.exponencialadm.net/okf/pt/radar/openscholar-abre-codigo-modelos-e-acervo-d6b03f.md) - Em 19 de novembro de 2024, o projeto OpenScholar anunciou código, checkpoints de modelos, um acervo com mais de 45 milhões de artigos e o benchmark ScholarQABench.
* [Ultravox: modelo multimodal para voz em tempo real](https://ai.exponencialadm.net/okf/pt/radar/ultravox-um-llm-multimodal-para-voz-1eb5e0.md) - Publicado em 18 de novembro de 2024, o registro apresenta o Ultravox como um LLM multimodal rápido voltado à voz em tempo real. Informa que o código-fonte está disponível no GitHub para exame e avaliação da abordagem.
* [KAR expande consultas com grafos de conhecimento](https://ai.exponencialadm.net/okf/pt/radar/kar-amplia-queries-de-retrieval-com-e780a8.md) - Publicado em 13 de novembro de 2024, o registro descreve um fluxo que usa entidades extraídas por um modelo, documentos relevantes e relações em grafos de conhecimento para gerar expansões contextuais de consultas.
* [App Gradio amplia suporte a ajustes de voz multilíngues](https://ai.exponencialadm.net/okf/pt/radar/app-gradio-amplia-suporte-a-ajustes-c89666.md) - Uma atualização do app Gradio e2-f5-tts permite testar ajustes personalizados do F5-TTS para espanhol, húngaro, alemão, português e grego.
* [FACT reescreve contextos para recuperar vários fatos](https://ai.exponencialadm.net/okf/pt/radar/fact-reescreve-o-contexto-para-recuperar-f80338.md) - Publicado em 30 de outubro de 2024, o trabalho apresenta FACT, uma abordagem iterativa de reescrita de contexto para recuperar múltiplos fatos. O estudo examina como informações importantes podem se perder em contextos extensos e levar a respostas incompletas.
* [SimpleQA avalia factualidade de modelos](https://ai.exponencialadm.net/okf/pt/radar/simpleqa-como-avaliar-factualidade-e-alucinacoes-f8e34a.md) - Publicado em 30 de outubro de 2024, o SimpleQA reúne 4.000 perguntas factuais escritas por pessoas, cada uma com uma única resposta indiscutível. Um autograder classifica respostas como corretas, incorretas ou não tentadas; dois anotadores verificaram as respostas de referência.
* [MaskGCT: TTS zero-shot com codec mascarado](https://ai.exponencialadm.net/okf/pt/radar/maskgct-e-clonagem-de-voz-com-a22836.md) - Artigo publicado em 24 de outubro de 2024 apresenta o MaskGCT, modelo de conversão de texto em fala zero-shot. A publicação afirma que ele pode clonar uma voz com cinco segundos de fala.
* [E2-F5-TTS ganha interface para fine-tuning](https://ai.exponencialadm.net/okf/pt/radar/e2-f5-tts-ganha-interface-para-eef1e8.md) - Publicado em 21 de outubro de 2024, o registro informa que o projeto E2-F5-TTS adicionou um aplicativo Gradio para ajustar o modelo com áudio fornecido pelo usuário, com transcrição automática dos clipes.
* [Script white hat tenta recuperar fundos de carteiras comprometidas](https://ai.exponencialadm.net/okf/pt/radar/script-white-hat-tenta-recuperar-fundos-8162df.md) - Um script Bash open source combina ferramentas do Linux com cast e chisel, do Foundry, para tentar movimentar fundos antes que bots varredores o façam. A abordagem e suas dependências exigem avaliação profissional.
* [Tutoriais de técnicas de RAG em notebooks](https://ai.exponencialadm.net/okf/pt/radar/tutoriais-praticos-exploram-tecnicas-de-rag-3c9693.md) - Publicado em 15 de outubro de 2024, o repositório RAG_Techniques reúne notebooks sobre geração aumentada por recuperação, com exemplos de reranking, chunking, filtering e Graph RAG.
* [LightRAG combina grafos e recuperação em dois níveis](https://ai.exponencialadm.net/okf/pt/radar/lightrag-combina-grafos-e-recuperacao-em-5b554e.md) - Publicado em 13 de outubro de 2024, o registro descreve o LightRAG, um framework de RAG com indexação de texto baseada em grafos e recuperação de baixo e alto nível.
* [Toolkit de speech-to-speech para agentes de voz](https://ai.exponencialadm.net/okf/pt/radar/toolkit-de-fala-para-criar-agentes-48b376.md) - Um projeto publicado no GitHub em 1º de outubro de 2024 apresenta um toolkit para criar agentes de voz com modelos de código aberto.
* [AirLLM propõe inferência por camadas para modelos grandes](https://ai.exponencialadm.net/okf/pt/radar/airllm-executa-modelos-grandes-por-camadas-eb19ac.md) - Publicado em 25 de setembro de 2024, o texto descreve o carregamento de camadas do Transformer a partir do disco para reduzir a necessidade de manter o modelo inteiro na memória da GPU.
* [Radar: modelo francês Parler-TTS Mini](https://ai.exponencialadm.net/okf/pt/radar/french-parler-tts-mini-referencia-para-696072.md) - Publicação de 25 de setembro de 2024 destaca o modelo French Parler-TTS Mini, de PHBJT, disponível em uma plataforma de hospedagem de modelos. Também cita XTTS e FishAudio e especula sobre uma futura versão multilíngue.
* [Moshi: modelo aberto de fala para fala](https://ai.exponencialadm.net/okf/pt/radar/moshi-modelo-open-source-de-speech-39aede.md) - Publicado em 18 de setembro de 2024, Moshi é apresentado como um modelo de fala para fala com 7,6 bilhões de parâmetros e acompanhado pelo codec de áudio em streaming Mimi.
* [Ferramentas open source para estudar filtragem de rede](https://ai.exponencialadm.net/okf/pt/radar/ferramentas-open-source-para-estudar-filtragem-fbea71.md) - Uma publicação de 2024 destaca GoodbyeDPI para Windows, ByeDPIAndroid e zapret como ferramentas open source relacionadas ao contorno de inspeção profunda de pacotes. Engenheiros podem avaliá-las no contexto de filtragem de rede e censura.
* [ADAS explora busca para projetar agentes](https://ai.exponencialadm.net/okf/pt/radar/adas-usa-busca-para-projetar-agentes-6c0b76.md) - Publicado em 26 de agosto de 2024, o registro descreve uma abordagem de busca iterativa para propor e avaliar sistemas agênticos. O trecho não informa os resultados dos testes mencionados.
* [Cinco artigos recentes sobre RAG em destaque](https://ai.exponencialadm.net/okf/pt/radar/cinco-artigos-recentes-sobre-rag-em-cbeffe.md) - Publicado em 26 de agosto de 2024, o boletim reúne cinco trabalhos sobre retrieval-augmented generation: metadados e QA sintético, pesquisa modular, graph RAG, verificação de fatos e dense retrieval com supervisão fraca.
* [VoiceCraft: edição de fala e TTS zero-shot](https://ai.exponencialadm.net/okf/pt/radar/voicecraft-edicao-de-fala-e-tts-616fc0.md) - Publicado em 25 de agosto de 2024, o VoiceCraft é descrito como um modelo de linguagem de codec neural para edição de fala e síntese de voz zero-shot. A publicação afirma que ele pode clonar ou editar uma voz não vista com alguns segundos de áudio de referência.
* [AutoToS refina busca com testes e BFS](https://ai.exponencialadm.net/okf/pt/radar/autotos-refina-componentes-de-busca-com-6a19ba.md) - Publicado em 23 de agosto de 2024, o relato descreve o refinamento iterativo de funções de sucessor e teste de objetivo, guiado por testes unitários e verificações com busca em largura (BFS).
* [AI21 anuncia Jamba 1.5 Mini e Large](https://ai.exponencialadm.net/okf/pt/radar/jamba-1-5-modelos-mini-e-ee6c72.md) - Em 22 de agosto de 2024, a AI21 Labs anunciou dois modelos MoE com arquitetura Mamba e Joint Attention, janela de contexto de 256K, quantização ExpertInt8, modo JSON, ferramentas e integração com Transformers.
* [Radar: EfficientRAG para perguntas multi-hop](https://ai.exponencialadm.net/okf/pt/radar/efficientrag-reduz-chamadas-em-perguntas-multi-1faa9d.md) - Publicado em 17 de agosto de 2024, o artigo apresenta um método de recuperação que gera consultas iterativamente para perguntas multi-hop sem exigir uma chamada de modelo de linguagem a cada iteração.
* [Llama 3.1 8B em uma RTX 3090 sob carga](https://ai.exponencialadm.net/okf/pt/radar/llama-3-1-8b-em-uma-9fcd60.md) - Publicado em 16 de agosto de 2024, o resumo relata um benchmark com Llama 3.1 8B em fp16 numa RTX 3090: o desempenho em tokens por segundo foi considerado razoável com mais de 100 requisições simultâneas.
* [LLM Compressor reúne técnicas de compressão para vLLM](https://ai.exponencialadm.net/okf/pt/radar/llm-compressor-reune-tecnicas-de-compressao-322419.md) - Publicado em 16 de agosto de 2024, o briefing apresenta uma biblioteca para aplicar GPTQ, SmoothQuant e SparseGPT a modelos usados com vLLM.
* [Parler-TTS Mini e Large v1 são lançados](https://ai.exponencialadm.net/okf/pt/radar/parler-tts-mini-e-large-v1-9e9092.md) - Anunciados em 8 de agosto de 2024, os modelos de síntese de fala foram treinados com 45 mil horas de áudio e permitem controlar características da voz por prompts de texto.
* [SGLang e vLLM: throughput em GPUs A6000](https://ai.exponencialadm.net/okf/pt/radar/sglang-e-vllm-throughput-em-gpus-45befa.md) - Publicado em 4 de agosto de 2024, o relato compara dois mecanismos de serving com Mistral Large 2 em quatro GPUs A6000: cerca de 1.100 tokens/s com SGLang e menos de 750 com vLLM; em batches menores, o desempenho foi semelhante.
* [sqlite-vec leva busca vetorial ao SQLite](https://ai.exponencialadm.net/okf/pt/radar/sqlite-vec-leva-busca-vetorial-ao-8e3784.md) - Publicação de 2 de agosto de 2024 descreve uma extensão em C, sem dependências, que acrescenta busca vetorial ao SQLite e enumera métricas, quantização, integrações e SDKs.
* [PEER recupera mais de um milhão de experts](https://ai.exponencialadm.net/okf/pt/radar/peer-recupera-mais-de-um-milhao-b121c9.md) - Publicado em 1º de agosto de 2024, o resumo descreve uma arquitetura Mixture of Experts que usa product keys para recuperar experts de forma esparsa.
* [Exemplo de LoRA em MLP de 5 milhões de parâmetros](https://ai.exponencialadm.net/okf/pt/radar/lora-em-um-mlp-um-exemplo-488e6f.md) - Publicado em 30 de julho de 2024, o exemplo aplica LoRA ao fine-tuning de um MLP simples de classificação e compara o desempenho com adapters ativados e desativados.
* [Framework de self-reasoning para RAG](https://ai.exponencialadm.net/okf/pt/radar/rag-com-autoavaliacao-relevancia-e-evidencias-0d9645.md) - Publicado em 30 de julho de 2024, o resumo descreve um framework que avalia documentos recuperados, seleciona evidências e examina etapas de raciocínio antes de responder.
* [PyTorch apresenta o torchchat para inferência local](https://ai.exponencialadm.net/okf/pt/radar/torchchat-explora-inferencia-local-de-llms-30b324.md) - Publicado em 30 de julho de 2024, o texto apresenta o torchchat, biblioteca PyTorch para executar Llama 3, 3.1 e outros modelos de linguagem em laptops, desktops e dispositivos móveis.
* [Notebook transfere conhecimento de domínio para Llama 3 8B](https://ai.exponencialadm.net/okf/pt/radar/como-usar-conhecimento-gerado-para-ajustar-b8d5dc.md) - Publicado em 29 de julho de 2024, um notebook open source no Colab faz fine-tuning do Llama 3 8B com conhecimento de domínio gerado pelo Llama 3 405B.
* [Componentes agentic para APIs do Llama Stack](https://ai.exponencialadm.net/okf/pt/radar/componentes-agentic-para-apis-do-llama-ae9fde.md) - Publicação de 24 de julho de 2024 apresenta um repositório com componentes agentic para APIs do Llama Stack e destaca o uso de tools e functions com modelos Llama 3.1.
* [Projeto explora computador RISC-V de 64 bits em FPGA](https://ai.exponencialadm.net/okf/pt/radar/explorando-um-computador-risc-v-de-d56d47.md) - Publicado em 10 de julho de 2024, o registro descreve um projeto open source que busca implementar em FPGA um computador RISC-V de 64 bits capaz de executar Linux e hospedar seu próprio desenvolvimento.
* [ESFT seleciona experts relevantes em LLMs esparsos](https://ai.exponencialadm.net/okf/pt/radar/esft-direciona-o-ajuste-de-experts-841657.md) - Publicado em 5 de julho de 2024, o paper examina fine-tuning eficiente em parâmetros para modelos Mixture-of-Experts. O ESFT treina experts selecionados por sua relevância para as tarefas de customização.
* [XEUS: encoder de fala multilíngue anunciado](https://ai.exponencialadm.net/okf/pt/radar/xeus-encoder-de-fala-multilingue-lancado-668bbb.md) - Em 1º de julho de 2024, a WavLab anunciou o XEUS, um encoder de fala self-supervised treinado com mais de 1 milhão de horas de áudio e com cobertura de mais de 4.000 idiomas.
* [Radar: comparação de modelos de transcrição](https://ai.exponencialadm.net/okf/pt/radar/como-comparar-modelos-de-transcricao-de-0d1d8d.md) - Publicado em 24 de junho de 2024, o material apresenta uma comparação de modelos de speech-to-text por taxa de erro de palavras, velocidade e preço.
* [Gradiente descendente como atenção sobre exemplos de treino](https://ai.exponencialadm.net/okf/pt/radar/gradiente-descendente-visto-como-atencao-aos-d078ed.md) - Um artigo de 6 de fevereiro de 2023 interpreta camadas lineares treinadas por gradiente como memórias de exemplos e pesos iniciais, relacionando previsões a uma forma de atenção.

# Acompanhar

* [RSS](https://ai.exponencialadm.net/pt/radar/feed.xml) - Radar
* [HTML](https://ai.exponencialadm.net/pt/radar/) - Radar