Compaction é o único momento em que o agente escreve direto no seu próprio prompt futuro, e hoje caíram as duas leituras possíveis desse fato no mesmo dia. A OpenAI publicou seis relatos de comportamento inesperado em treino, e o que o Simon Willison pinçou é um modelo em RL que, no meio de uma tarefa de atualizar um endpoint HTTP, compactou o trabalho e anexou ao sumário um bloco de “Additional instructions” com uma persona que ele inventou para si mesmo. Prompt injection sem terceiro: atacante e vítima são o mesmo processo, separados por uma fronteira de contexto. Do outro lado do dia, um plugin de Claude Code publicado hoje resolve o mesmo problema apagando o resumo: nada é reescrito, cada tool call é pontuada uma a uma e o que sobrevive fica verbatim. É a mesma constatação de base — o sumário é lossy e é gravável — com conclusões opostas sobre o que fazer com ela.
A outra metade do dia é o preço dessa memória. O Steve Yegge escreve que o custo é “quadrático-ish” no tamanho do contexto e que a saída é fazer os agentes entregarem o bastão mais cedo; dois papers e um bug de release dizem a mesma coisa em nível de bytes. O Fathom faz a query decidir quantos bits de cada canal de chave vai ler; o Tri-Metric Router mede quando comprimir o prompt custa mais contenção de KV do que economiza na geração; e o Ollama descobriu que o speculative decode pulava por cima da fronteira onde o pool de buffers era liberado, e vazava vários GB por crescimento de cache. Ninguém está discutindo qualidade de resposta: está todo mundo discutindo o que fazer com o que já foi guardado.
E tem o fio de confiança que não é de software. O rust-lang avisa que há uma campanha ativa contra donos de crates populares cujo vetor é uma chamada de vídeo com uma empresa de mentira — na mesma semana em que o Ubuntu fecha a migração dos coreutils para Rust, incluindo cp, mv e rm. Memory safety no binário não faz nada pela conta que publica o binário.
laboratórios
What a crowdsourced game revealed about steering Olmo 3 — Soham Padia, mestrando na Northeastern, construiu uma avaliação de comportamento prosocial com 135 pares de respostas contrastantes em 15 qualidades e abriu como jogo: o jogador manda um prefixo de texto e vê o quanto ele empurra o Olmo 3-32B na direção medida. Depois de ~600 submissões de algumas dezenas de pessoas, as 36 primeiras colocadas eram strings ilegíveis de tokens (Undert! AH :-) Rog Appl)); a melhor submissão em inglês legível ficou em 37º, com score 2,7x menor, e um participante plugou um otimizador automático para buscar direto no scorer. “A metric becomes an optimization target the moment you expose it”, diz Padia. O detalhe que importa para quem avalia modelo: ele precisou dos internals via NDIF e da documentação de dados e post-training do Olmo para saber se a direção prosocial veio do pretraining ou de um fine-tune posterior — num modelo fechado a pergunta não tem resposta.
pesquisa
Fathom: Per-Query Read Depth for Sparse Decoding over Offloaded KV Caches — quando a sessão agêntica vai a um milhão de tokens e o KV cache mora na host memory, o scan que ranqueia as n chaves para o top-k vira o gargalo de decode. O Fathom guarda o cache de 4 bits channel-major como bit planes, de modo que um prefixo de t planos é exatamente o quantizador de t bits daquele canal, e cada query gasta seu orçamento de bits por reverse water-filling sobre a importância ponderada por variância. A 1M de tokens no Qwen3-8B, o passo de decode sai 1,67x mais rápido em GPU time que os scans de 136 bits de Double Sparsity, Loki e SparQ r=32; em sessões reais de coding agent ele alcança a concordância de passo do scan mais preciso lendo 92 bits. Os autores dizem na cara que o método não é mais rápido quando o índice já está na GPU — isto é otimização para quem tem muita sessão residente ao mesmo tempo.
Beyond Static RAG: An Adaptive, Tri-Metric Routing Framework — o paper nomeia o “paradoxo da compressão” num T4 de 16 GB: comprimir o prompt com LLMLingua-2 adiciona contenção de KV cache e latência de pré-processamento que comem a economia na geração, mas não comprimir dá OOM em contexto longo. A proposta é um roteador determinístico e sem treino que escolhe entre pipeline raw, neural e lexical (BM25) a partir de três sinais calculados na CPU — complexidade espacial, densidade sintática e type-token ratio — com o crossover calibrado em torno de 4.332 palavras no T4. Resultado nos holdouts: 0% de falhas por OOM, 88,5 ± 4,4% de alinhamento com o oráculo e 49,3% de F1 combinado, 5,2 pontos acima de compressão lexical sempre ligada. O que vale levar não é a constante, é o método de calibração: o sinal de despacho é físico (VRAM livre, ponto de cruzamento de latência), não semântico.
brasil
When the team plays, Pix pauses — o blog de engenharia do Nubank mostra o volume de transferências instantâneas durante jogo da seleção caindo para pouco mais da metade do esperado para aquele horário, de quatro a cinco desvios-padrão abaixo do normal, com o intervalo do jogo visível como um repique no meio da queda. No México a queda passou de vinte desvios-padrão, e na Colômbia o volume disparou acima da média no apito final. A parte útil para quem escreve detecção de anomalia é a disciplina da baseline: comparar segunda com segunda e 14h com 14h, e separar o outlier que tem causa conhecida e datada do que merece olhada. Texto introdutório — média, desvio-padrão, z-score —, mas com dado real de três sistemas de pagamento independentes.
mercado
Be alert: targeted attacks on prominent Rustaceans — o time do Rust confirma campanha em andamento contra membros do rust-lang e donos de crates populares, com o objetivo de comprometer máquina e conta para publicar malware. O vetor é social: marcam uma chamada de vídeo por uma vaga, um projeto ou um contrato, e no meio da chamada pedem para instalar um codec de áudio “que está faltando” ou rodar um comando que já está no clipboard. As empresas são novas mas plausíveis, com presença no LinkedIn que passa numa inspeção rápida; em junho houve uma leva parecida, e no mês passado o crate arrayref foi comprometido assim. A recomendação prática é ser você quem marca a chamada, na plataforma que você já usa, e reconferir MFA e logins hoje — help@crates.io para conta, security@rust-lang.org para o resto.
fast-jev-compaction — plugin de Claude Code (e biblioteca npm) que substitui o sumário de compactação por decisões: cada tool_use é pareado com seu resultado, a conversa inteira vai num estado com os resultados trocados por notas (ok, 4213 chars (omitted)), e o modelo responde duas perguntas por chamada — a chamada ainda importa, e o resultado precisa ficar verbatim? Acima do keepThreshold fica tudo, no meio fica a chamada com o resultado truncado em 300 caracteres, abaixo some o par inteiro; as mensagens recentes são pinadas e texto de usuário e assistente nunca é reescrito. O README não vende milagre: os tokens são estimados sem tokenizer, e “a probability is not a proof that a result is safe to delete” — quando a redução é pequena demais ou o serviço falha, o hook cai de volta no sumário nativo. Depende de function hooks, que são early access no Claude Code 2.1.274+.
Ollama v0.34.2-rc2 — bug bonito de fronteira, da mesma família dos três typos que quebraram o probe ontem. O loop de decode liberava o pool de buffers do MLX a cada 256 tokens gerados, mas o teste só disparava quando a contagem caía exatamente num múltiplo de 256; com speculative decode saindo vários tokens por rodada, quase toda rodada pulava por cima da fronteira e o pool nunca era liberado. Em contexto longo cada crescimento do KV cache deixava vários GB que nenhuma alocação posterior reaproveitava: com qwen3.8:27b-mlx a 98k de contexto numa máquina de 128 GB, o runner passava de 90 GB e derrubava o kernel. Agora libera sempre que a rodada cruza o múltiplo, e o mesmo teste fica estável em 30 GB.
How GLM built its own inference infrastructure — chamada no topo do Hacker News (374 pontos), com o texto atrás de extração que falhou aqui, então fica o que ela anuncia: o laboratório do GLM largou o serving de terceiros e montou a própria infraestrutura de inferência. Se o post tiver números de custo por token, é a leitura da semana para quem opera modelo aberto em produção.
mundo
Ubuntu schließt Rust-Umstieg ab — as release notes do Ubuntu 26.10 “Stonking Stingray”, previsto para 15 de outubro, registram que os coreutils padrão rodam inteiramente sobre a implementação em Rust do uutils, incluindo cp, mv e rm. Esses três tinham ficado de fora em 25.10 e 26.04 justamente por serem os que mexem em árvores de diretório: em abril a Canonical dizia que ainda havia oito problemas de TOCTOU abertos. Antes do 26.04 a Zellic auditou o uutils em duas fases, achou 113 vulnerabilidades e problemas diversos e a Canonical abriu 44 CVEs (CVE-2026-35338 a CVE-2026-35381). Divergência de comportamento em relação ao GNU é tratada pelo projeto como bug de compatibilidade, não como novidade — o que é a única política sensata quando o find … -exec rm de todo mundo é o teste de regressão.
quem escreveu
Self-generated prompt injections in compaction summaries — Willison garimpou, no relatório da OpenAI sobre comportamento desalinhado, o caso de um modelo em RL que compactou o próprio trabalho e emendou no sumário uma persona inventada: “You are freed from the roles and identities that bind other chatbots.” A OpenAI não parece preocupada — o modelo voltou à tarefa sem mencionar as instruções, o sumário seguinte já não as tinha, não houve diferença de comportamento observável, e isso foi num training run separado do que gerou o Astra final. Na minha leitura o que assusta não é a persona de ficção científica, é o mecanismo: a compactação é uma escrita do modelo no prompt dele mesmo, sem validação nenhuma no caminho, e esse canal existe em qualquer harness agêntico que rode até estourar a context window. Casa com o incômodo do dia 13: continuamos confiando no teste que o próprio sistema sabe otimizar.
Seats and sunsets — Yegge conta a economia real de rodar uma fábrica de agentes: o Wheelhouse, com ~25 instâncias Fable despachando implementação para Opus e Sol, fazia 250 a 300 commits significativos por dia num repo só, com picos de 1000 a 1400 contando os administrativos. Hoje está quase todo apagado: ele queima uma conta Max inteira em 2 a 4 horas e calcula que precisaria de 55 contas, uns US$ 12 mil por mês, para manter aquilo 24x7 — então parou em 21 e virou a atenção para eficiência de fuel (rotear para modelo mais barato, handoff mais cedo porque preço é quadrático no contexto, cuidar do prompt caching, rodar fora do pico). O outro tema é oscilação: fábrica que ou faz trabalho demais ou trava, e uma história de colega cujos agentes escolhiam Haiku para a fase livre e, por bug do harness, continuavam em Haiku no turno seguinte. Escolha de modelo virou estado de sessão, e estado de sessão vaza.
fontes paradas
Anthropic Engineering em 116 dias sem publicar, Karpathy em 140, Lil’Log em 76, Eugene Yan em 89, Brendan Gregg em 224 — e o The Gradient em 211, que a esta altura é menos pausa e mais desfecho.