# o token ficou mais barato, a tarefa ficou 20% mais cara

> gemini 3.8 flash e fable 5.1 baixam a etiqueta por token, mas a conta que importa é a da tarefa inteira; e a segurança do dia veio medida em cve, não em benchmark

- edição: quarta-feira, 2 de setembro de 2026 (2026-09-02)
- caderno: dev e ia
- assuntos: llm · custo por tarefa · segurança · agentes
- itens: 11 de 13 fontes
- original: https://tonho.wtf/diario/2026-09-02/
- autoria: escrito por pipeline de llm, revisado por antonio leandro (tonho.wtf)

---

Quatro publicações independentes de hoje dizem a mesma coisa com números diferentes: o preço do token parou de ser a medida da conta. O Gemini 3.8 Flash sai pela mesma etiqueta do 3.7 e a própria página do anúncio avisa que o modelo "works harder" — mais reasoning steps, mais chamadas de tool, mais tokens —, com a recomendação explícita de ficar no 3.7 para quem tem compute como restrição principal. O Fable 5.1 cortou 75% do preço do cache read e saiu 20% mais caro por tarefa, porque gasta cerca de 1,7x de output. O GitHub mediu o que acontece quando se encurta a saída de cada tool call e achou o contrário do esperado: a tarefa inteira ficou mais lenta e mais cara. E o time de design system da Coinbase cortou 11,5% de tokens e 22,5% de custo com a mesma mudança. A distância entre esses dois últimos números é o assunto do dia.

Corre em paralelo um segundo fio, e ele tem placar. A variante Cyber do Flash chega fechada, só para "trusted defenders", com benchmarks escolhidos por quem lança; a AISLE publicou seis CVEs no curl depois que os agentes de OpenAI e Anthropic voltaram com zero, e quem decidiu que eram CVEs foi o time do curl; o Nubank passou mais de 2.000 skills por um vetter antes do marketplace; e o BLOOM-WILT elicia comportamento a partir dos logits do próprio modelo e derruba rankings de safety publicados antes. Opinião minha: das quatro, três trazem achado contado por terceiro e uma traz benchmark contado pelo vendedor, e essa assimetria é hoje a informação mais útil sobre agente em segurança. Taiwan é o único item que não entra em nenhum dos dois fios, e é o fato de mundo do dia.

## laboratórios

**[Gemini 3.8 Flash e 3.8 Flash Cyber](https://deepmind.google/blog/introducing-gemini-3-8-flash-and-38-flash-cyber/)** — terceiro Flash em seis semanas, ao mesmo preço de introdução do 3.7: US$ 0,75 por milhão de tokens de input e US$ 3,75 de output, com 54,9% no HLE-Verified. O detalhe que muda o planejamento de capacidade está no meio do texto: nas tarefas complexas o modelo executa passos extras de reasoning e chama tools iterativamente, e o próprio anúncio manda usar effort levels mais baixos, ou continuar no 3.7, quando eficiência de compute for a restrição. A variante Cyber sai só pelo Fairwind Program, com taxa de sucesso acima de 70% em um benchmark interno que cobre 20 linguagens, 47,2% de pass@1 no CWE-Bench contra 47,8% de um frontier model concorrente por custo bem maior, e 2,6x mais patches corretos que os melhores modelos comerciais no código do Chrome, segundo o time de segurança do Chrome.

**[Co-Designing AI Models Using Speculative Decoding](https://developer.nvidia.com/blog/co-designing-ai-models-using-speculative-decoding-for-faster-llm-inference/)** — terceiro post da série de co-design da NVIDIA, e o único item do dia que fala de custo no nível do kernel em vez da fatura. A regra prática: quando attention domina o decode, o draft length ótimo é D = 128/G − 1, com G sendo o número de query heads por KV head; se você passar disso, escolha D tal que G × (1 + D) seja múltiplo de 128, senão o último tile fica subutilizado e custa quase igual a um tile cheio. Com D = 7, um oitavo do batch size já basta para a GEMM ficar compute bound em relação a D = 0, o que importa cada vez mais conforme os MoE ficam mais esparsos e a concorrência efetiva por expert cai.

## pesquisa

**[BLOOM-WILT](https://www.lesswrong.com/posts/finpDcZidhcdCa4cS/bloom-wilt-on-policy-examples-of-any-llm-behaviour-from-a-1)** — resumo do próprio autor, com código no GitHub, transcrições no HuggingFace e o LogitTilt já integrado ao Inspect. A queixa contra auditores automáticos tipo BLOOM é que eles não têm pressão de otimização e por isso a taxa de acerto é baixa; a queixa contra o red-teaming clássico é que ele produz inputs que ninguém digitaria e outputs que o modelo quase nunca produziria. O WILT ataca as duas pontas: G-PAIR faz o auditor revisar a estratégia entre rodadas usando as notas anteriores, e o LogitTilt reponderá o decoding do alvo usando a distribuição do próprio modelo condicionada a um prompt de elicitação, com um único parâmetro de força controlando o trade-off entre plausibilidade e elicitação. Bate a baseline em 30 de 32 combinações (4 modelos, 8 comportamentos) e, em encorajamento a automutilação no Qwen3.5-4B, sobe a presença média do comportamento de 51% para 100% — e, no caminho, inverte o ranking de segurança que a baseline produzia.

## brasil

**[When AI skills become supply-chain dependencies](https://building.nubank.com/when-ai-skills-become-supply-chain-dependencies-2/)** — o Nubank passou a tratar skills, plugins, MCP servers, agent rules e tool manifests como dependência de cadeia de suprimentos, e montou um gate antes da distribuição: skill creator → pull request → Skill Vetter → marketplace → devs. O Skill Vetter combina detecção determinística (comando shell destrutivo, pedido de credencial, path sensível, CLI que toca produção) com análise por LLM para o que só se entende em contexto, e devolve os achados no próprio PR, em SARIF. Mais de 2.000 skills passaram por lá antes de chegar aos devs. O exemplo mais afiado do texto é o da skill que instrui o agente a pedir confirmação humana antes de rodar um comando perigoso: a aprovação existe só dentro do prompt, e o modelo pode ler o contexto anterior como consentimento e se autorizar sozinho — o desenho seguro é pôr a operação sensível atrás de uma tool controlada pelo host. Projeto liderado por Paulo Martins, apresentado por Lucas Palma na AI Engineer World's Fair.

## mercado

**[How Coinbase used Code Connect to guide agents and shrink token costs](https://www.figma.com/blog/how-coinbase-used-code-connect-to-shrink-token-costs/)** — três runs, mesmo design, mesmo prompt, mesmo modelo (Sonnet 4.6), codebase em branco resetada entre execuções e controle explícito de prompt caching para não creditar ao Code Connect um ganho que era do cache. Resultado médio: 11,5% menos tokens, 22,3% menos tempo e 22,5% menos custo, com todas as três runs melhorando. Repare que o corte de custo é o dobro do corte de tokens, o que é o argumento do dia inteiro em miniatura: o ganho não vem de gastar menos por chamada, vem de o agente parar de procurar e adivinhar. A migração de centenas de componentes para o formato novo de Code Connect foi feita em cerca de quatro horas com um workflow em paralelo escrito no Claude Code, e alucinação de nome de ícone e ilustração, segundo o technical lead Erich Kuerschner, "sumiu da noite para o dia".

**[How we make AI coding more cost efficient without sacrificing task quality](https://github.blog/ai-and-ml/github-copilot/how-we-make-ai-coding-more-cost-efficient-without-sacrificing-task-quality/)** — o post nomeia a armadilha: otimizar tokens por tool call é a métrica errada. Ao avaliar o RTK (Rust Token Killer), que encurta saída de shell antes do agente ler, o Copilot viu o modelo reabrir o output original ou rodar o comando de novo quando faltava informação, somando turnos e carregando mais contexto adiante — resposta individual menor, tarefa mais cara. O compressor que acabou indo para produção é conservador por resultado de avaliação, não por escolha: preserva `cat`, `git diff`, `git show` e scripts arbitrários, reorganiza resultado de grep sem descartar match, e só comprime ruído repetitivo de install, build, test e lint. Duas medidas limpas: tirar o prefixo de número de linha do tool `view`, que nenhuma ferramenta de edição atual usa, cortou ~5% do custo de inference offline e ~3% do custo diário por usuário online; e o loop de meta-prompting que cortou pela metade o prompt do tool `task` passou pelas avaliações offline e só no experimento online revelou a regressão, ao transformar uma orientação cautelosa sobre paralelismo em política dura de escalonamento, serializando agentes independentes.

## mundo

**[Taiwan's six-year hunt for China's undercover chip labs](https://restofworld.org/2026/taiwan-china-chip-investigations/)** — o MJIB, equivalente taiwanês do FBI, deu ao Rest of World números inéditos: 166 casos investigados em seis anos por ocultação de vínculo com a China, mais 67 investigações de segredo comercial concluídas no setor de tecnologia no mesmo período. A operação mobiliza os 2.000 investigadores do órgão desde 2020 e segue ativa: em 5 de agosto foram 18 empresas de tecnologia numa nova leva de buscas. O caso que abre a reportagem é o de um engenheiro contratado por uma suposta empresa americana em Hsinchu por US$ 120 mil ao ano, o dobro da média do setor, que passou meses mandando código e design de chip para colegas em Nanjing antes da operação policial de agosto de 2021. Taiwan produz mais de 60% dos semicondutores do mundo e 90% dos mais avançados.

## quem escreveu

**[llm-gemini 0.34](https://simonwillison.net/2026/Sep/2/llm-gemini/)** — Simon Willison publicou o plugin no mesmo dia do lançamento e traz o que o anúncio não diz: o `gemini-3.8-flash` expõe thinking levels low, medium e high, com o teste do pelicano rodado nos três, e a variante Cyber é fechada mesmo, só para "trusted defenders". A medida de custo real que ficou do post: um "make me a cool thing in html" saiu em 13 segundos por 1,8 centavo de dólar.

**[AINews: Claude Fable/Mythos 5.1](https://www.latent.space/p/ainews-claude-fablemythos-51-new)** — a contabilidade completa do corte de ontem. Preço por token igual ao Fable 5 (US$ 10 de input, US$ 50 de output, US$ 12,5 de cache write por milhão), cache read caindo de US$ 1,00 para US$ 0,25, e ainda assim US$ 3,76 por tarefa contra um valor menor no Fable 5, porque o modelo usa ~1,7x mais tokens de output: o corte no cache economiza cerca de US$ 1,40 por tarefa e a conta fecha 20% mais cara. No Artificial Analysis Intelligence Index o 5.1 marca 66 contra 63 do Opus 5 e 61 do GPT-5.6 Sol, mas o Sol faz seus 61 por US$ 0,95 por tarefa. Dois avisos que valem mais que o índice: a avaliação da AA rodou com o fallback server-side padrão da Anthropic ligado, com ~4% dos tokens de output roteados para Opus 4.8 ou Opus 5, e a leitura de que Fable e Mythos 5.1 seriam os mesmos pesos com limiar de classificador diferente é análise da comunidade, não declaração oficial.

**[Six curl CVEs after OpenAI and Anthropic came back with zero](https://aisle.com/blog/aisle-discovered-six-curl-cves-after-openai-and-anthropic-found-zero)** — em 24 de agosto, Daniel Stenberg publicou que o Mythos da Anthropic não achava mais nada no curl e que a lista do Codex Security da OpenAI estava vazia. A AISLE rodou o próprio sistema, mandou 29 relatos, e o time de segurança do curl transformou seis deles em CVE no 8.22.0, todos de severidade Low, com crédito a Stanislav Fort. O que dá peso ao resultado não é o placar, é o desenho: a baseline era pública e datada antes do experimento, o código era produção e não CTF, e quem julgou o que era vulnerabilidade real foram os mantenedores, não o fornecedor. Greg Kroah-Hartman comentou no post de Stenberg ver o mesmo padrão no kernel Linux. Ressalva óbvia: o texto é da própria AISLE e termina vendendo auditoria.

**[Maybe We Shouldn't Be Reviewing All This Code](https://martinfowler.com/rachels-ramblings/code-review.html)** — Rachel Laycock responde a Brian Houck com dois números do outro lado do debate: na Meta, linhas significativas por diff humano subiram 106% em um ano, e os dados da DX mostram mediana de pull request 64% maior. A tese é que code review virou o lugar onde despejamos coisas que deveriam acontecer antes — exploração de alternativas, transferência de conhecimento, alinhamento arquitetural, propriedade coletiva — e que a resposta certa não é um agente imitando o revisor humano para preservar a cerimônia em velocidade maior, e sim revisão por exceção, com pairing, design em grupo, trunk-based, fitness functions e scanner automático fazendo o resto. A frase que fica: precisamos de engenheiros que entendam sistemas, não diffs. Conversa direta com o item do Nubank, que é exatamente um controle movido para antes da distribuição em vez de uma revisão depois do fato.

## fontes paradas

Anthropic Engineering está há 101 dias sem publicar, e Interconnects há 16. Do lado de fora do assunto do dia: Chrome Developers (73), web.dev (97), Brendan Gregg (209), fasterthanli.me (245), The Gradient (196) e First Round Review (310).