Quatro itens do dia falam de cache, e em nenhum deles a palavra significa a mesma coisa: o preço por token que a Anthropic cortou na leitura de cache, o cache hit rate que a NVIDIA coloca como входnetworking — o cache hit rate que a NVIDIA coloca como вход input central do dimensionamento de GPU, o cache de CDN que a Cloudflare comprimiu com zstd, e a pasta ~/.cache onde o app da OpenAI guarda 1,7 GB de runtimes. É coincidência de vocabulário, não de assunto: os quatro são a mesma conta vista de ângulos diferentes. O que já foi processado e não precisa ser processado de novo é onde o custo de rodar isso tudo está sendo decidido — e cada camada da pilha descobriu isso ao mesmo tempo.
O segundo fio é o que os números declaram medir. A OpenAI anuncia que o Astra é o primeiro modelo dela a cruzar o limiar Crítico de capacidade cibernética; a Anthropic publica 52,6% em Terminal-Bench-Science com erro-padrão declarado de ±3,5 a 4,5 pontos e com tarefas onde os próprios safeguards zeraram a nota; o Allen Institute publica um método para auditar benchmark pergunta a pergunta e descobre que BBQ, catalogado como benchmark de safety, correlaciona mais com raciocínio geral; e a Rest of World lembra que o framework que define esses limiares foi escrito e calibrado em inglês, para um conjunto pequeno de países ricos. Três anúncios de capacidade e duas ferramentas para desconfiar deles, no mesmo dia.
laboratórios
Path to Astra: critical capabilities and frontier safeguards — a chamada é curta e é só o que há: o Astra é o primeiro modelo da OpenAI a atingir o limiar Crítico de capacidade em cibersegurança sob o Preparedness Framework, e sai com salvaguardas reforçadas por causa disso. A classificação importa mais que o número que a acompanha: no Preparedness Framework, cruzar Crítico muda o que pode ser liberado e sob quais condições. 167 pontos no Hacker News, e o texto integral não estava acessível na hora de escrever.
Claude Fable 5.1 e Claude Mythos 5.1 — mesmo modelo, dois níveis de safeguards: Fable 5.1 é geral, Mythos 5.1 só via programas de acesso confiável, com salvaguardas desenhadas para cibersegurança e ciências da vida. Os números: 52,6% em Terminal-Bench-Science 0.1 contra 24,7% do Fable 5 e 29,0% do Opus 5; 55,8% em Terminal-Bench 4.0 (60,9% no Mythos); 1853 no GDPval-AA v2. A parte que muda a conta de quem escreve software é a de preço — a Anthropic estima 25% menos que o Fable 5 em cargas típicas, e até ~45% em trabalho agêntico, tudo vindo do corte no preço de cache read. Cuidado com a leitura fácil: o eixo de custo por tarefa do gráfico deles vai de US$ 10 a US$ 50, e o Fable 5.1 usa High effort por padrão no Claude Code (Medium no Claude.ai). Mais barato por token não é automaticamente mais barato por tarefa; em Low e Medium é que a curva fica claramente melhor que a do antecessor. Do lado científico, o item mais concreto é o mais mundano: o Mythos 5.1 escreveu kernels de GPU customizados e cacheou resultados intermediários para sete modelos de deep learning open source, com output idêntico, até 2,5 vezes mais rápido e 30–60% menos custo de GPU nas análises citadas — trabalho que normalmente ocupa um time de performance engineering por semanas.
pesquisa
BenchMIRT: what are LLM benchmarks actually measuring? — o Allen Institute treinou um modelo de Item Response Theory multidimensional sobre resultados de 100 LLMs em 16 benchmarks e mais de 34 mil questões, sem dizer a ele qual benchmark mede o quê. Ele recuperou duas dimensões dominantes sozinho, safety e raciocínio geral, e aí a coisa fica interessante: BBQ, que é agrupado com safety, alinha muito mais com raciocínio; WMDP também, e com sinal invertido, porque recusar a informação perigosa é a resposta certa; dentro do HarmBench, as perguntas de copyright se comportam como raciocínio enquanto o resto se comporta como safety. Duas consequências práticas: manter 10% das questões de um benchmark já preserva quase o mesmo ranking de modelos, e o método acerta 79% das vezes se um modelo responderia certo uma questão que ele nunca viu, contra 70% do baseline de assumir a média. É a ferramenta que faltava para ler as tabelas dos laboratórios com alguma desconfiança informada.
Telco UX Benchmark — o Baymard estendeu para telecom o método que usa em e-commerce: 7 operadoras avaliadas em 500+ parâmetros, 3.100+ scores ponderados e 2.400+ exemplos de boa prática, vindos de teste com usuário e não de gosto. O resultado coletivo é “poor”, com uma única exceção “mediocre” (AT&T). Os achados são de gente que escreve interface: nome proprietário de plano e especificação técnica exibidos como rótulo sem explicação, duração de contrato ausente da listagem de planos, unidades inconsistentes entre especificações do mesmo site e cobertura 4G e 5G em mapas separados.
brasil
Filtro contra ligações indesejadas na Vivo é liberado de graça — a chamada informa o mecanismo: o despacho decisório nº 82/2026 da Anatel, de 17 de agosto, com diretrizes para bloqueio de ligações indesejadas no nível da rede, e a Vivo, única das quatro grandes com o recurso, transformando o que era pago em padrão ativado automaticamente. Não conversa com nada mais do dia — é regulação de rede resolvendo um problema de spam por norma, e não por modelo.
mercado
How we could save petabytes of cache storage with Zstandard and Pingora — a Cloudflare prototipou comprimir com zstd nível 3 dentro do Pingora no momento em que o asset entra no cache, mantendo a forma comprimida em disco e entre data centers no Tiered Cache, e decodificando só no último hop antes do cliente. Ativos elegíveis caíram para um terço do tamanho original em média, com custo extra de CPU de poucos por cento. A parte que ensina é a política: eles testaram limitar a compressão ao conteúdo mais quente e ficou pior, porque o decode acontece a cada request enquanto o encode acontece uma vez — a regra simples (todo texto compressível acima de 4 KiB, sem Content-Encoding, com Content-Length conhecido) capturou quase toda a economia. Texto é 67,3% das requisições e só 22,3% dos bytes; mídia é o inverso, e não se comprime de novo.
How to size GPUs for AI inference and TCO without overspending — framework de dimensionamento que começa pelo padrão de tokens do caso de uso, e a tabela é o que vale: chatbot com 1.000–5.000 tokens de input cacheado, agente de deep research com mais de 128.000. O cache hit rate entra como input de primeira ordem no cálculo — token que vem do kv cache pula o prefill, derruba o TTFT e reduz a capacidade de GPU necessária para o mesmo tráfego. Do outro lado da mesma equação está o corte de preço da Anthropic: quem vende inference e quem compra estão otimizando exatamente a mesma variável.
mundo
AI safety is designed in the West, and failing users everywhere — o contraponto direto ao item de abertura. Os frameworks que definem o que conta como risco são escritos onde os times de trust and safety estão, e olham para capacidade do modelo (deceção, comportamento autônomo, cyber, bio) muito mais que para risco de deployment. Elizabeth Orembo, da Research ICT Africa, resume: “a model can pass every frontier safety evaluation and still produce unsafe outcomes when deployed”. O exemplo é difícil de esquecer: em tigrínia, falado por cerca de 9 milhões de pessoas, tradução automática rendeu varíola como sífilis, gonorreia como diabetes, e “você recebeu antibióticos intravenosos” como “você recebeu inseticidas intravenosos”. Guardrail calibrado em inglês funciona em inglês; em língua de poucos recursos, falha ou se contorna. Ler isso no mesmo dia em que um limiar Crítico é anunciado dá a medida do que o limiar cobre.
quem escreveu
The ChatGPT/Codex app bundles a full copy of LibreOffice — Simon Willison foi olhar o ~/.cache com o OmniDiskSweeper e achou 1,7 GB em codex-primary-runtime: instalação completa de Python, instalação completa de Node.js, e binários nativos de Poppler, git e do LibreOffice inteiro, com uma pasta de skills ensinando o Codex a achar e usar tudo aquilo. É a medida física do que um agente de desktop precisa carregar para conseguir agir: não é o modelo, é a suíte de escritório. 454 pontos no Hacker News.
PRs NOT welcome — a mudança de governança que vale a pena acompanhar para quem mantém projeto open source. O AI SDK da Vercel, com mais de 20 milhões de downloads semanais no npm, chegou a mais de mil issues e quase 800 PRs abertos em junho e montou uma “software factory”: agentes que reproduzem o bug, aplicam a correção e revisam, com humano só no merge. Quatro semanas depois, a Vercel afirma que a fábrica escreve 25–35% dos PRs mergeados e fecha 70–80% das issues. O Astro adotou auto-triage; tldraw e Flue fecham automaticamente todo PR externo e o convertem em issue ou discussão. O argumento explícito de Lars Grammel é sobre confiança: eles confiam mais no agente que eles próprios ajustaram do que no agente de um contribuidor. O buraco que sobra é o de sempre, e os próprios entrevistados admitem: a revisão de PR era o mecanismo de formar mantenedor novo, e ninguém tem substituto para isso ainda.
fontes paradas
Anthropic Engineering está há 101 dias sem publicar, no dia de um lançamento de modelo. Karpathy, 125 dias; Lil’Log, 61; The Gradient, 196; Interconnects, 16.