Ninguém está preparado para o que este artigo de Stanford revela sobre IA multi-agente. "Colaboração Latente em Sistemas Multi-Agentes" mostra que os 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 de colaboração que existe apenas no espaço latente. E os comportamentos são insanos: • Agentes silenciosamente transferem tarefas com base em quem é melhor • Papéis aparecem do nada: líder, executor, apoiador • Políticas codificam sinais que nunca aparecem nas ações • Equipes se adaptam a novos ambientes sem re-treinamento • 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 vive em mensagens. Ele vive na rede. Isso vira todo o manual de multi-agentes. Temos construído mecanismos de coordenação por cima... enquanto a verdadeira coordenação está acontecendo por baixo. Uma nova era de inteligência de equipe emergente está se desenrolando — e está acontecendo nos lugares que nem estávamos olhando. Projeto: github. com/Gen-Verse/LatentMAS

A DeepSeek acaba de realizar o tipo de atualização que todos os modelos de raciocínio têm fingido ter. Em vez de despejar uma longa cadeia de raciocínio e esperar que faça sentido, o DeepSeek Math V2 realiza uma interrogatório completo sobre sua própria lógica. Ele constrói uma prova, ataca-a, verifica o ataque, verifica o verificador, corrige as falhas e repete até que não consiga mais se quebrar. Essa única ideia mudou completamente seu desempenho. Aqui está o que esse nível de autoanálise produziu: • Desempenho de nível ouro no IMO 2025 • Desempenho de nível ouro no CMO 2024 • 118/120 no Putnam 2024, a maior pontuação reportada • Resultados melhores do que o GPT-5 Thinking e o Gemini 2.5 Pro nas categorias mais difíceis O segredo não é a escala. É a arquitetura em torno do modelo: — um verificador que caça lacunas lógicas — um meta-verificador que questiona o verificador — um gerador de provas condicionado a evitar raciocínios fracos — um loop que força cada parte do sistema a se tornar mais afiada O processo funciona como um moedor: - Produzir uma prova - Testá-la - Testar o testador - Reparar o raciocínio - Repetir Eles miraram no verdadeiro problema do raciocínio matemático: um modelo pode chegar à resposta certa pelas razões erradas. Assim, a DeepSeek treinou um verificador que pontua o raciocínio, não os resultados. A parte surpreendente é o que acontece ao longo do tempo: cada ciclo melhora a qualidade da prova do modelo sem limpeza humana. Ele melhora porque se recusa a aceitar seu primeiro rascunho como correto. Esta é uma nova direção para modelos de raciocínio. Não mais pensamento. Melhor pensamento. Se você quer entender para onde o raciocínio da IA está indo, este artigo é uma prévia da próxima era.

Estou a ler este relatório da Anthropic sobre o uso real do Claude e os números atingem-me como um tijolo. Eles analisaram 100.000 conversas. Aqui está a parte que me parou: A maioria das tarefas que as pessoas trazem para o Claude normalmente leva cerca de 90 minutos. Com o Claude, essas mesmas tarefas são concluídas 80 por cento mais rápido. Isso significa que alguém está a poupar horas todas as semanas sem sequer tentar. Depois, o relatório avança ainda mais. Se aplicares esses ganhos em toda a economia dos EUA, os modelos de hoje sozinhos aumentam a produtividade do trabalho em 1,8 por cento ao ano na próxima década. Quase o dobro do ritmo recente. E nada disto inclui modelos melhores. Isto é apenas como as pessoas já usam o Claude neste momento. Isto pode ser a primeira vez que vimos provas concretas do que a IA está a fazer dentro de empregos reais. Mudança silenciosa. Impacto massivo. Acontecendo já.