# 14 cores renderizando commits, e a perplexidade que não prevê nada > nenhum laboratório publicou nada hoje; o que sobrou foi um dia inteiro de métricas que deixaram de medir o que prometiam, do roteador de moe ao "compilou, então está certo" - edição: segunda-feira, 7 de setembro de 2026 (2026-09-07) - caderno: dev e ia - assuntos: llm · papers · mercado · brasil - itens: 11 de 7 fontes - original: https://tonho.wtf/diario/2026-09-07/ - autoria: escrito por pipeline de llm, revisado por antonio leandro (tonho.wtf) --- Nenhum laboratório publicou nada primário hoje. O que sobrou, lido junto, tem uma forma só: em quase todo item de hoje um número que servia de atalho para outra coisa parou de servir de atalho. A probabilidade do roteador deixa de indicar qual expert importa quando o load-balancing foi agressivo demais no treino. A perplexidade, que normalmente degrada junto com a accuracy, anda ao contrário: no gpt-oss-20B a configuração de poda com a menor perplexidade é a pior em raciocínio matemático. Comparar mappings de hardware num Q&A (mais de 90% nos modelos fechados) não é saber escrever o modelo analítico que faz a conta (abaixo de 15% em quase todas as configurações). Taxa de sucesso de ataque não é propriedade da vítima, é função do compute que o atacante gastou procurando. E "compilou e a saída ficou verde" não é "faz o que eu queria" — três semanas de Claude Code em modo agente para redescobrir isso, com um cron falhando em silêncio às três da manhã como recibo. O outro lado do dia é quem paga a conta de manter as coisas verificáveis em público. O git.kernel.org renderiza commits em HTML para crawler abusivo mais do que para gente, e o que se paga por isso é CPU contínua em cinco nós. Renderizar commit em página navegável é exatamente o gesto de deixar o histórico auditável por qualquer um; o preço desse gesto mudou de dono. Os dois itens truncados de hoje batem no mesmo prego por caminhos diferentes: sequência não é distribuição, e manchete não é série de emprego. ## pesquisa **[When Load-Balancing Goes Too Far](https://arxiv.org/abs/2609.04453)** — a poda de experts em MoE assume que a probabilidade do roteador é sinal de importância. Sob roteamento over-dispersed (tokens quase uniformes entre experts, efeito de load-balancing agressivo no treino) o sinal colapsa, e a perplexidade deixa de prever accuracy downstream. Pior: nenhuma métrica de score domina — scoring por ativação preserva matemática e destrói ciência intensiva em conhecimento (18 pontos de diferença no GPQA), o scoring por frequência faz o inverso. O MESA proposto ataca a degradação de pior caso por domínio em vez da média, e a 25% de poda ganha em 7 de 11 benchmarks contra as baselines de ativação. Se você serve um MoE load-balanced, a receita antiga de cortar o expert de menor probabilidade está errada por construção. **[What Attention Recalls and Recurrence Controls](https://arxiv.org/abs/2609.04434)** — duas intervenções no nível de cache separam o que cada canal de um modelo híbrido faz. Split-prefill mantém só o KV cache ou só o estado recorrente; state-swap cruza o KV de um contexto com o estado recorrente de outro num único forward. Em Qwen3.5 e Falcon-H1 a divisão é limpa: retrieval exato sobrevive só pela attention (64-98% da accuracy cheia, zero pela recorrência), enquanto idioma de saída e persona sobrevivem pela recorrência e caem para ~1% de acerto de idioma com KV apenas. A resposta vem do lado KV, a língua vem do lado recorrente. É o mapa que faltava para decidir onde cortar memória sem perder recall. **[Distilled Continuous Diffusion Language Models Can Write Code in Few Steps---or One](https://arxiv.org/abs/2609.04531)** — PlaidQ é um modelo de difusão contínua de 0,7B que reaproveita um autoregressivo pré-treinado como denoiser bidirecional sobre embeddings. O detalhe que importa: o student de 16 passos chega a 31,78 e 40,49 pass@10 em HumanEval e MBPP+, acima do próprio teacher amostrado com 512 passos. No extremo, um único passo de denoising produz programas funcionalmente corretos a 7,07 pass@1. Números modestos em valor absoluto, mas a fronteira qualidade/compute se move: mais passos deixou de ser sinônimo de melhor. [Código e checkpoints estão publicados.](https://github.com/pengzhangzhi/plaidq) **[Rethinking Indirect Prompt Injection as a Test-Time Search Problem](https://arxiv.org/abs/2609.04495)** — injeção indireta reformulada como busca em test-time sobre a superfície de ataque que o ambiente, a tarefa do usuário e a tarefa da injeção induzem juntos. O atacante é um agente com harness próprio: faz reconhecimento do ambiente, raciocina sobre estratégias e adapta usando o feedback da vítima. Mais compute do atacante, mais vulnerabilidade encontrada e explorada; as ablations mostram que gerenciar estratégia explicitamente é o que evita busca redundante em budget alto. A consequência prática é que reportar "taxa de sucesso de ataque X%" sem dizer o budget do atacante não significa nada. É o complemento do que ficou pendente em 31/08, quando o agente saiu do sandbox e o verificador era ele mesmo: agora tem alguém do lado de fora procurando de propósito. **[PerfReasoning](https://arxiv.org/abs/2609.04476)** — benchmark que separa o LLM como raciocinador sobre performance de hardware do LLM como gerador do código do modelo analítico. A primeira tarefa está resolvida na prática: acima de 90% nos fechados, 82,4% no melhor open-weight. A segunda não: só o GPT-5.6 Sol passa de 80% de pass rate, todo o resto fica abaixo de 15% em média e com variância alta entre runs. RL específico da tarefa sobe 15,7 pontos num modelo de 4B; self-revision em múltiplas rodadas sem feedback externo não entrega ganho confiável. Raciocínio arquitetural plausível e construção de modelo de performance confiável são habilidades diferentes. **[A Cost-Aware Agentic Architecture for NL-to-SQL over Nested Enterprise Schemas](https://arxiv.org/abs/2609.04641)** — schema de produção é grafo, semiestruturado e profundamente aninhado, e é isso que os benchmarks acadêmicos não medem. O trabalho traz 900 queries verificadas por execução sobre esse regime, com uma rubrica de profundidade analítica agnóstica de schema, e uma arquitetura de geração única com seleção de schema, retrieval de metadados e reparo de erro. No benchmark novo, 91,7% de acerto, 54,6 pontos percentuais acima da segunda melhor baseline; no Spider 2.0 Snowflake, competitivo num ponto operacional de geração única. A margem enorme diz mais sobre o quanto o resto foi ajustado para o benchmark de brinquedo do que sobre o sistema. ## brasil **[Confiei no Claude: 3 vieses da era IA que peguei](https://www.tabnews.com.br/kenimo49/confiei-no-claude-3-vieses-da-era-ia-que-peguei)** — três semanas de Claude Code em modo agente num monorepo de 40 mil linhas, três projetos, RTX 4070 num lab caseiro em Tóquio, e três decisões críticas perdidas. Automação: a reescrita do script de deploy trocou o `set -e` global por try/catch artesanal por função, duas funções ficaram sem wrapper, o cron engoliu o erro e saiu com exit 0. Ancoragem: pediu um schema ao Claude antes de pensar no próprio, refinou duas horas em cima da primeira sugestão, e só uma semana depois percebeu que o eixo era event sourcing e não snapshot. Deferência: um parágrafo articulado sobre `setImmediate` versus `process.nextTick` produziu um fix que passou em staging pela razão errada, mascarando um `await` faltando três funções acima. O melhor do texto são os contra-hábitos, e o primeiro é o mais barato de adotar: no diff, perguntar o que a versão nova removeu, não o que ela adicionou. Uma ressalva: o autor usa o estudo da METR de 2025 como número fechado, e [em 5 de setembro](/diario/2026-09-05) o ponto aqui foi justamente que aquele intervalo vai de -55% a +193%. A anedota dele se sustenta sozinha; não precisa do apoio. ## mercado **[AI is not yet driving US job losses](https://www.semafor.com/article/09/07/2026/ai-is-not-yet-driving-us-job-losses)** — chamada do Semafor: os últimos números de emprego dos EUA não mostram a onda de demissões por IA que se anuncia há dois anos, e vários analistas apontaram isso. O texto reúne Noah Smith dizendo que é extremamente difícil identificar qualquer ocupação já obsoleta, a estimativa do Economist de 1 milhão de empregos novos criados pela tecnologia nos EUA, e a apuração do WSJ sobre o mercado aquecido para trabalhadores sem diploma, apesar da pausa nas contratações de colarinho branco. Não li além da chamada. Fica o registro de que a tese continua sem dado que a sustente. **[HTMX 4.0](https://www.publickey1.jp/blog/26/htmx_40xhrfetchstreaming_html.html)** — a implementação interna sai de XHR e vai para fetch, o que destrava streaming de HTML, e atributos deixam de ser herdados pelos elementos filhos por padrão. As duas coisas são mudança de arquitetura, não release note: a segunda quebra código existente de forma silenciosa em qualquer página que dependia da herança implícita. Para quem serve HTML de um backend Go ou Elixir e usa HTMX como camada inteira de interatividade, é a migração do semestre. ## quem escreveu **[Creepy crawlies](https://simonwillison.net/2026/Sep/7/creepy-crawlies/)** — Simon Willison aponta o texto de Konstantin Ryabitsev sobre a radiação de fundo dos crawlers abusivos vista do git.kernel.org. O TL;DR reproduzido na chamada: mais ciclos de CPU renderizando commits para scrapers do que em todo o resto de acesso legítimo somado, clones incluídos, e a qualquer momento 14 cores em cinco nós geodistribuídos fazendo só isso. Willison diz que se preocupa com o mesmo no Datasette, que serve um número enorme de páginas navegáveis. Não li o post do Ryabitsev, só a chamada; mas o número já muda como qualquer mantenedor dimensiona e protege um servidor de código aberto. **[Tetris had to cheat to feel random](https://uxdesign.cc/tetris-had-to-cheat-to-feel-random-201913dc69ed?source=rss----138adf9c44c---4)** — a chamada de Takuma Kakehi no UX Collective vale por si: ninguém enxerga uma distribuição de probabilidade, só sequências, e é na sequência que a intuição humana quebra. O Tetris precisou trapacear na aleatoriedade para parecer aleatório. Quem constrói recomendação, sorteio ou qualquer amostragem visível para usuário já brigou com isso. ## fontes paradas Anthropic News em 7 dias, Anthropic Engineering em 106, Interconnects em 21, Sebastian Raschka em 17. Karpathy chegou a 130 dias e Lil'Log a 66.