Modelos de vídeo: próximos generalistas em inteligência visual

PRÓXIMA FRONTEIRA

Modelos de vídeo: próximos generalistas em inteligência visual

Será que modelos de geração de vídeo, como o Veo 3 do Google, podem espelhar o sucesso do ChatGPT e dos demais grandes modelos de linguagem (LLMs), tornando-se uma ferramenta de propósito geral? Pesquisadores do Google DeepMind se fizeram essa pergunta e buscaram um possível resposta.

Essa classe de modelos de IA, que cria vídeos a partir de descrições em prompts, está começando a exibir capacidade de percepção, modelagem, manipulação e até raciocínio. Para testar essas habilidades, os pesquisadores colocaram o Veo 3 à prova aplicando 62 tarefas qualitativas e 7 sistemas de benchmarking quantitativos, tentando revelar seu potencial para enfrentar desafios como segmentação de objetos, detecção de bordas, edição de imagens, simulações físicas e lógica visual.

Os resultados? Ao contrário dos modelos de visão tradicionais que exigem ajuste fino para realizar tarefas específicas, o Veo 3 as executou contando apenas com prompts. Como nem tudo é perfeito, o Veo 3, às vezes, viola leis da física ou tem dificuldade com trabalhos complexos envolvendo raciocínio.

Por que isso importa? Essa flexibilidade do Veo reflete a maneira como LLMs lidam com diversas tarefas em linguagem natural, sugerindo que modelos de geração de vídeo podem unificar a paisagem fragmentada da visão computacional sob uma única interface baseada em prompts – sem necessidade de treinamento especializado.

Isso ajudará a simplificar a vida de setores como cinema, jogos e sistemas autônomos, além de acelerar a pesquisa de IA, reduzindo dependência de modelos específicos para diferentes tarefas.

• Microsoft 365 Copilot agora oferece como opção Claude Sonnet 4 e Claude Opus 4.1 da Anthropic, além dos modelos da OpenAI.

• Vibes é o novo recurso no app da Meta AI para criar, remixar ou apenas assistir a vídeos curtos gerados por IA para inspirar a criatividade.

• ChatGPT Pulse gera resumos matinais personalizados com base em bate-papos e aplicativos como caixa de e-mails e agenda; disponível para planos Pro.

• Adobe Firefly Boards é um espaço de criação para explorar os principais modelos do IA, como Firefly, Google, Luma AI, Moonvalley, Pika e Runway.

• Nova Perplexity Search API dá acesso à mesma infraestrutura global que alimenta o mecanismo de respostas na página Web do Perplexity.

• Google atualiza Gemini 2.5 Flash e 2.5 Flash-Lite para oferecer mais qualidade e eficiência.

• Wan 2.5, da Alibaba, cria clipes com som sincronizado nativamente, integrando vídeo e áudio em um único processo.

• Também da Alibaba, Qwen3-VL é um novo modelo visual com versões Instruct e Thinking, esta última com excelente desempenho em raciocínio multimodal.

• Kling 2.5 Turbo é a nova versão do modelo de geração de vídeo com avanços em adesão aos prompts, controle da câmera e realismo.

• Microsoft integrou agentes de IA ao GitHub Copilot que modernizam aplicações Java desatualizadas, automatizando tarefas como refatoração de código, resolução de dependências e correção de vulnerabilidades.</>👩🏻‍💻

TREINAMENTO

Quando menos é mais para sistemas de IA

Um estudo recente está desafiando a noção de que treinamento com grandes conjuntos de dados sempre leva a sistemas de IA melhores. A pesquisa apresenta uma estrutura chamada LIMI (Less Is More for Intelligent Agency) projetada para estimular a capacidade de autonomamente identificar problemas, criar hipóteses e executar soluções a partir de poucas demonstrações.

Ao contrário das abordagens tradicionais que dependem de volumes de dados em massa, a LIMI usa apenas 78 amostras de treinamento cuidadosamente selecionadas com foco em desenvolvimento colaborativo de software e pesquisa científica. Essa abordagem minimalista produz resultados impressionantes, alcançando precisão de 73,5% no AgencyBench, ferramenta de benchmarking que avalia LLMs como agentes autônomos, superando em muito Qwen3-235B-A22B-Instruct (27.5%), Kimi-K2-Instruct (24,1%) e DeepSeek-V3.1 (11.9%) e mesmo modelos treinados com 10 mil amostras.

O resultado? O estudo estabeleceu um princípio: a autonomia não emerge da abundância de dados, mas da curadoria estratégica de demonstrações de comportamento de alta qualidade.

Por que isso importa? Ao priorizar amostras qualificadas, a LIMI transforma a forma como se desenvolvem sistemas de IA autônomos para tarefas práticas, desde programação até pesquisa, tornando o processo mais rápido e eficaz.

O GDPval da OpenAI é uma nova estrutura de avaliação dos modelos de IA em tarefas com valor econômico do mundo real. A ferramenta abrange 44 ocupações em nove setores que contribuem para o PIB dos Estados Unidos e veio preencher a lacuna entre sistemas de benchmarking acadêmicos e aplicações práticas no ambiente de trabalho - concentra-se em funções baseadas em conhecimento nas quais a IA tem potencial para poupar tempo e reduzir custos. Os resultados? Claude Opus 4.1 foi o modelo com melhor desempenho no conjunto, destacando-se particularmente em estética (por exemplo, formatação de documentos, layout de slides). Já o GPT-5 se destacou em precisão (por exemplo, encontrar dados específicos em algum domínio).

Um novo programa-piloto do sistema de saúde Medicare dos Estados Unidos em 2026 usará IA para avaliar a autorização prévia de procedimentos médicos e assim ajudar a reduzir desperdícios. O programa segue a prática já comum em seguradoras particulares e será conduzido até 2031 em seis estados. No entanto, a iniciativa gerou preocupações entre legisladores, médicos e pesquisadores sobre os impacto no acesso e na qualidade dos cuidados de saúde. Críticos argumentam que a autorização prévia guiada pela IA tem elevado as taxas de negação, muitas vezes por pouca supervisão humana, o que pode minar o julgamento médico e atrasar tratamentos necessários, em particular entre idosos.