Gemini Robotics aproximam agentes de IA do mundo físico

ROBÓTICA

Gemini Robotics aproximam agentes de IA do mundo físico

Tão ou mais rápida que a evolução da Inteligência Artificial está sendo a dissolução da linha entre cognição digital e ação física. Contribuindo para isso, o Google DeepMind lançou dois novos modelos da família Gemini Robotics: Gemini Robotics 1.5 e Gemini Robotics-ER 1.5, abrindo caminho para uma nova era de agentes físicos.

Qual é a novidade? Esses modelos prometem transformar robôs de meros executores de instruções pré-programadas em agentes inteligentes capazes de perceber, planejar, raciocinar e agir no mundo real. Na prática, robôs movidos pelos modelos Gemini Robotics podem dividir tarefas, adaptar-se a novos ambientes e até explicar seu processo de raciocínio.

Como funcionam:

• Gemini Robotics-ER 1.5: É um modelo de linguagem visual (Vision Language Model - VLM) otimizado para compreensão de espaços físicos. Destaca-se em consciência espacial e interações em linguagem natural, estimando o progresso das tarefas e integrando ferramentas externas como Google Search ou funções personalizadas. É projetado para orquestrar atividades, tomando decisões lógicas com base em contextos do mundo real.

• Gemini Robotics 1.5: Atuando como executor, esse modelo do tipo visão-linguagem-ação (Vision-Language-Action - VLA) traduz entradas visuais e instruções em comandos motores precisos. O que o diferencia é a capacidade de “pensar antes de agir”, gerando sequências de raciocínio internas em linguagem natural para analisar tarefas passo a passo.

Essa estrutura colaborativa entre os modelos permite maior generalização para que os robôs enfrentem tarefas de horizonte mais longo em variadas configurações sem reprogramação constante.

A versão Gemini Robotics-ER 1.5 está acessível a desenvolvedores por meio da API do Gemini no Google AI Studio. Já a Gemini Robotics 1.5 está atualmente disponível apenas para alguns parceiros. Google DeepMind também liberou um relatório técnico sobre os novos modelos e um blog para quem se interessar em desenvolver agentes físicos para a família Gemini Robotics.

• Search Live é um novo recurso do app Google em Android e iOS que permite fazer perguntas por voz usando AI Mode e compartilhar contexto visual pela câmera. Por enquanto, disponível apenas nos Estados Unidos.

• Qwen3-Max é o mais avançado LLM da Alibaba e o carro-chefe da série Qwen3, com mais de 1 trilhão de parâmetros e pré-treinado com 36 trilhões de tokens.

• IBM Granite-Docling-258M é um modelo de linguagem visual que converte documentos não estruturados em formatos interpretáveis por máquinas.

• Novo modelo v5 da Suno para criação de músicas usando IA oferece vocais mais realistas, melhor qualidade de som e controle aprimorado.

• PDDL-INSTRUCT é uma estrutura que melhora a capacidade de LLMs para gerar planos de várias etapas logicamente válidos, em vez de apenas plausíveis.

• SCIGEN orienta modelos de IA Generativa na concepção de materiais com propriedades quânticas como supercondutividade e estados magnéticos únicos.

• SEAL Showdown, da Scale, é um novo ranking que avalia LLMs usando milhões de conversas autênticas em 100 países, 70 idiomas e 200 domínios profissionais.

• VibeSDK, da Cloudflare, permite que qualquer pessoa tenha uma plataforma de vibe coding para chamar de sua, de ponta a ponta, com apenas um clique. </>👩🏻‍💻

GERAÇÃO DE CÓDIGO

Modelo de mundo da Meta ensina IA a pensar como desenvolvedor

Modelos de IA tradicionais geram código, aprendendo a prever linha por linha, da esquerda para a direita e de cima para baixo, sem a compreensão intrínseca de seu comportamento. Por achar que isso não é suficiente, a Meta desenvolveu o Code World Model (CWM), modelo que vai além da aparência do código para também aprender o que ele faz quando é executado.

Como modelo de mundo, tipo de LLM que é treinado para entender a dinâmica de um ambiente, o CWM decifra o “universo do software”, entendendo estados do programa e a mudança das variáveis em diferentes pontos de execução e “raciocinando” sobre o comportamento do código além da sintaxe.

Para ganhar essa capacidade, o CWM foi treinado com base em trajetórias observação-ação de interpretadores Python e sessões em contêineres Docker. Falando de modo menos técnico, com a execução real de código e com tarefas interativas de programação, aprendeu a semântica do código – como cada linha altera as variáveis ​​e o estado do programa – em vez de apenas memorizar padrões de texto. Fez um modelo do mundo do software!

Proprietários de sites lidam há muito tempo com o seguinte dilema: manter o conteúdo aberto para que seja descoberto pelos mecanismos de busca ou protegê-lo atrás de paywalls contra bots sedentos por dados. A nova Content Signals Policy oferecida pela Cloudfare é uma extensão inteligente do famoso arquivo robots.txt que dá mais controle sobre como o conteúdo dos sites pode alimentar modelos de IA. É possível incorporar diretivas em linguagem simples no robots.txt para sinalizar como o conteúdo pode ser rastreado. São três os principais sinais da política: search (para indexação tradicional), ai-input (para respostas ou resumos gerados por IA (como no AI Overviews)) e ai-train (para treinamento de modelos de IA). Os operadores de sites podem escolher sim ou não para cada sinal e aplicar as regras globalmente, a bots ou até páginas específicas.

O governo do Reino Unido recuperou quase £ 500 milhões no ano passado usando uma ferramenta de IA chamada Fraud Risk Assessment Accelerator, a maior recuperação já feita por equipes antifraude britânicas. Os golpes abordados estão relacionados à Covid-19, reivindicações fiscais ilegais, sublocação de habitação social e foram identificados por referência cruzada de dados departamentais. Os valores recuperados vão financiar o recrutamento de enfermeiros, professores e policiais. No entanto, grupos de liberdades civis levantaram preocupações sobre possíveis vieses na detecção das fraudes, citando disparidades em fatores como idade, deficiência e nacionalidade.