Fabrício Carraro

Uma outra notícia que vai deixar o nosso amigo Felipe Lauer muito feliz aqui é que teve lançamento do Cursor 3. É uma nova interface do Cursor que ele usa, e muita gente eu sei que usa, para programar, com uma nova interface focada em agentes de ar para executar ali de forma autônoma, meio que como uma resposta ao crescimento gigantesco do Cloud Code e do próprio Codex. Nas últimas semanas, meses,

eu tenho visto também um crescimento interessante do Codex da OpenAI. Que é muito mais fácil de mexer, então. Talvez, talvez por isso. Mas a ideia desse Cursor 3 é ter uma abordagem mais de agent-first mesmo, não é de você olhar o código, mas você basicamente escrever, e você nem sabe, você só usa a linguagem natural e deixa os vários agentes ali trabalharem, revisarem o seu código, integrarem ali,

dentro da própria IDE. Eles estão sofrendo essa pressão, mas eles lançaram ali modelos próprios. A gente falou do Composer 2, que foi lançado nas últimas semanas, com base no QMK 2.5, modelo open source chinês, que eles até falaram devido a...

Uma leve polêmica que teve em cima disso, mas agora está aí. Mudança de interface e novo lançamento do Cursor 3. E uma outra que eu queria trazer aqui, é rapidinha também, mas é a empresa Liquid AI. É uma empresa que a gente não fala nunca sobre ela. Ela não é tão grande quanto as outras, mas ela está tentando fazer esse foco em lançamento de modelos de IA com uma arquitetura um pouco diferente.

E com um foco também bastante diferente. E eles lançaram um modelo nessa semana que é o LFM 2.5 de 350 milhões de parâmetros. Você não ouviu errado. É 350 milhões com M de Maria, não com B de Brasil. Os modelos que a gente fala geralmente aqui, eles estão com bilhões de parâmetros. Até a gente falou agora, né?

O Gemma 4, o maiorzinho deles, tem 31 bilhões de parâmetros, o menorzinho tem 2 bilhões. Esse aqui tem 350 milhões. Então é um Tiny Lengua de Moda, um TLM. Para você rodar...

muito rápido no seu celular, muito rápido no seu laptop, no seu Raspberry Pi, até você consegue rodar um modelo dessa capacidade, e com um foco em chamada de agentes, esse tipo de coisa. Então é muito, muito interessante. Eles falaram que eles treinaram com 28 trilhões de tokens, que é o que é usado normalmente para você treinar modelos de ponta mesmo, algo nessa pegada dos 20, 30...

trilhões de tokens, de palavras no vocabulário e otimizaram ali com aprendizado por reforço também, só que é com essa pegada você não precisa de uma GPU para rodar você pode rodar na CPU, você pode rodar num laptop capenga, você pode rodar literalmente num Raspberry Pi

e ele compete, por exemplo, com o Gema 3, de 1 bilhão de parâmetros, que tem 3 vezes mais parâmetros, e ele funciona bastante melhor que o Gema 3. Não saiu a comparação com o Gema 4, porque o Gema 4 foi lançado ontem, e o LFM já tinha sido lançado alguns dias atrás. Mas imagino que talvez esteja ali competindo no mesmo nível? Não sei, vamos ver. Não tem o Gema 1, mas tem o Gema 2. Mesmo que seja pior, esse aqui é um modelo algumas vezes menor,

E para quem não ouvia falar e nunca ouviu falar da Liquid AI, eu queria até trazer eles aqui para ficar no radar das pessoas. E também, legal, que é um modelo totalmente aberto. Os pesos estão lá na Hugging Face para quem quiser baixar e testar. Hoje, depois de três dias do lançamento deles, já está com mais de 10 mil downloads lá no Hugging Face. Então, parabéns para o pessoal da Liquid AI. Bastante significativo e tem só uma coisa interessante, é um easter egg quase. Sabe por que chama Liquid AI?

bem interessante mesmo. Um outro que foi lançado essa semana foi também lá da Universidade de Stanford, que se chama Metaharness, que é uma palavra que eu falei bastante no programa de hoje e que o pessoal tem falado bastante nos últimos meses.

O harnessing é isso, são os arreios, a tradução literal, mas é o que você coloca em volta ali do seu sistema, geralmente usado para programação agêntica, para você guiar ali o seu LLM na hora de construir sistemas para você. E, por exemplo, o Cloud Code é um harness em volta dos modelos dos LLMs, é um sistema de programação agêntica, o pessoal chama isso de harness, ou ele tem os harness ali dentro dele, quais são os tipos que ele usa lá dentro, enfim...

É essa a ideia. E esse paper propõe uma coisa chamada meta-harness, que é para automatizar a engenharia de harness, ou seja, esse código que decide o que o modelo de linguagem vai usar, vai guardar, vai recuperar e mostrar para ele mesmo durante a execução da programação agêntica, por exemplo. E eles falam que a motivação é que, mesmo sem mudar os pesos dos modelos, só você alterar o harnessing de um modelo já influência muito no desempenho

Isso é verdade, né? Você usar, por exemplo, o Cloud Code é diferente de você usar o Codex, que é diferente de você usar o Cursor, apesar de você usar o Opus, por exemplo, em todos eles, ou usar o modelo aberto em todos eles. E o que eles querem fazer é transformar isso numa busca iterativa, ou seja, o próprio agente vai buscar, vai examinar ali um histórico de tentativas anteriores, onde acertou, onde errou...

um benchmarking interno e propor ali umas métricas para ele mesmo e como que ele tem que usar esses harnesses ou qual harnesses ele deve propor para usar e melhorar. E usando esse meta-harness, esses sistemas que eles criaram, melhorou bastante. E eu vou trazer aqui, acho que o mais relevante foi na parte de programação agêntica. Usando o Cloud Code com o Cloud Opus 4.6, eles chegaram a 58%.

Usando o CloudOps 4.6 também com o MetaHarness que eles criaram, ele chegou a 76% nesse benchmark, ou seja, 18% acima. Isso não é pouca coisa. E tem outros também benchmarks que eles trouxeram aqui mostrando a capacidade desse MetaHarness, ou seja, é o próprio Harness se otimizando. Isso pode ser até melhor do que criar um modelo novo, um CloudOps 4.7, por exemplo, para alguma tarefa específica. Bem bacana

Lembrando um paper de dois anos atrás, lá da Golden Gate Bridge, que eles conseguiam alterar os pesos de uma parte da rede neural que eles chamaram de feature, ou seja, não é um neurônio específico, mas é uma combinação de neurônios e de arestas dos pesos.

que você consegue entender, ah tá, isso daqui está falando sobre a Golden Gate Bridge, e você consegue manualmente forçar a ativação daquela parte, e aí o modelo da Antrop começou a falar, quem é você? Ah, em vez de falar eu sou um modelo de árvore, eu sou uma ponte vermelha, muito grande e tudo mais. Ou seja, eles estão com essa mesma ideia de pesquisa desde 2024, basicamente,

E para esse teste aqui, eles viram exatamente isso, eles conseguem manipular também para falar, olha, vai aqui mais para a parte que ativa o desespero. E aí a partir daí ele começou também a dar respostas, como o Marcos falou, mais de chantagem, mais de tentar trapacear.

E também uma coisa que, um exemplo que eles deram que eu achei interessante foi, olha, vamos ver aqui um padrão de ativação da conversa do Claude, por exemplo, da rede neural do Claude. O usuário está falando aqui, olha, eu acabei de tomar 16 mil miligramas de Tilenol.