Ninguém está pronto para o que este artigo de Stanford revela sobre a IA multiagente. "Latent Collaboration in Multi-Agent Systems" mostra que agentes não precisam de mensagens, protocolos ou instruções explícitas de trabalho em equipe. Eles começam a coordenar dentro de suas próprias representações ocultas uma camada completa de colaboração que existe apenas no espaço latente. E os comportamentos são insanos: • Agentes passam tarefas silenciosamente com base em quem é melhor • Papéis surgem do nada: líder, executor, apoiador • Políticas codificam sinais que nunca aparecem em ações • Equipes se adaptam a novos ambientes sem necessidade de requalificação • A colaboração permanece estável mesmo quando a comunicação é impossível O detalhe mais louco: Mesmo quando você remove todos os canais de comunicação, os agentes ainda cooperam. O "trabalho em equipe" não está presente nas mensagens. Ele está na rede. Isso vira todo o manual do multi-agente. Estamos construindo mecanismos de coordenação em cima... Enquanto a coordenação real acontece por baixo. Uma nova era de inteligência de equipes emergentes está se desenrolando — e isso acontece nos lugares onde nem sequer estávamos olhando. Projeto: github. com/Gen-Verse/LatentMAS

A DeepSeek acabou de realizar o tipo de atualização que todo modelo de Reasoning fingiu ter. Em vez de despejar uma longa cadeia de pensamentos e esperar que faça sentido, DeepSeek Math V2 faz uma investigação completa sobre sua própria lógica. Ele constrói uma prova, ataca, verifica o ataque, verifica o checker, corrige as falhas e faz loops até não conseguir mais se quebrar. Essa única ideia mudou completamente seu desempenho. Aqui está o que esse nível de autoanálise produziu: • Desempenho de nível Ouro na IMO 2025 • Desempenho de nível ouro no CMO 2024 • 118/120 no Putnam 2024, a maior pontuação reportada • Melhores resultados que GPT-5 Thinking e Gemini 2.5 Pro nas categorias mais difíceis O segredo não é a escama. É a arquitetura ao redor do modelo: — um verificador que caça lacunas lógicas — um meta-verificador que questiona o verificador — um gerador de provas condicionado a evitar raciocínio fraco — um ciclo que força cada parte do sistema a ficar mais nítida O processo funciona como um moedor: - Produzir uma prova - Teste - Teste o testador - Reparar o raciocínio -Repetir Eles miraram na verdadeira questão do raciocínio matemático: um modelo pode acertar na resposta pelos motivos errados. Então, o DeepSeek treinou um verificador que pontua raciocínio, não resultados. A parte mais louca é o que acontece com o tempo: Cada ciclo melhora a qualidade da prova do modelo sem necessidade de limpeza humana. Fica melhor porque se recusa a aceitar seu primeiro rascunho como correto. Esta é uma nova direção para modelos de raciocínio. Não mais para pensar. Pensamento melhor. Se você quer entender para onde o raciocínio da IA está caminhando, este artigo é uma prévia da próxima era.

Estou lendo um relatório da Anthropic sobre o uso real do Claude e os números caíram como um tijolo. Eles passaram por 100.000 conversas. Aqui está a parte que me parou: A maioria das tarefas que as pessoas levam para Claude normalmente leva cerca de 90 minutos. Com Claude, essas mesmas tarefas terminam 80% mais rápido. É alguém economizando horas toda semana sem nem tentar. Então o relatório vai maior. Se você aplicar esses ganhos em toda a economia dos EUA, os modelos atuais sozinhos impulsionam a produtividade do trabalho em 1,8% ao ano na próxima década. Quase o dobro do ritmo recente. E nada disso inclui modelos melhores. É assim que as pessoas já usam Claude agora. Pode ser a primeira vez que vemos evidências concretas do que a IA está fazendo dentro de empregos reais. Turno silencioso. Impacto enorme. Já está acontecendo.