No SWE-bench Verified, feedback vindo de testes fracos reduziu a taxa reportada de resolução. O paper reforça que gerar teste, qualificar evidência e corrigir código são responsabilidades diferentes.
O NIST mediu um avanço relevante do GLM-5.3 em quatro benchmarks. A decisão empresarial, porém, não cabe em um ranking: capacidade, exposição, autoridade e controles precisam ser avaliados separadamente.
Um novo estudo mostra que a mesma interface pode apresentar sinais diferentes para pessoas e agentes móveis. A consequência executiva é direta: aprovação humana só vale quando ambos observam o mesmo estado.
Dois disclosures recentes mostram a mesma falha de premissa em produtos diferentes: estar na máquina local limita alcance, mas não autentica quem chama uma API nem qual autoridade essa chamada pode exercer.
A IA permite sair da licença por usuário e vender trabalho concluído. Para capturar esse mercado, produto, preço, operação, vendas e responsabilidade precisam ser redesenhados juntos.
Um novo recorte da pesquisa CNCF/SlashData ajuda a separar a velocidade de construir com IA da capacidade de operar inferência com confiabilidade — desde que suas estimativas e associações não sejam tratadas como prova causal.
O Agent Incident Registry organiza falhas públicas de agentes, mas seus próprios autores alertam: o catálogo serve para desenhar testes, não para estimar o risco de uma implantação.
Um advisory e dois preprints recentes mostram por que agentes não podem decidir sozinhos até onde ir, quando parar ou se o próprio consenso basta para aprovar uma saída.