MiniMax M2.7, Muse Spark e o Super App Codex — Esta semana em IA

MiniMax M2.7, Muse Spark e o Super App Codex — Esta semana em IA\n\nEu estava rolando meu feed à meia-noite de sábado quando o anúncio da MiniMax me parou no lugar. Eles tinham tornado open-source um modelo — M2.7 — que havia executado mais de 100 ciclos autônomos de melhoria em si mesmo, ajustando seus próprios hiperparâmetros, detectando seus próprios modos de falha e aumentando seu próprio desempenho em 30%. Sem intervenção humana na maior parte do processo.\n\nFiquei encarando aquele número por um minuto inteiro. Trinta por cento. De um modelo que melhora a si mesmo.\n\nEntão verifiquei o que mais havia sido lançado naquela mesma semana. A Meta lançou o Muse Spark — seu primeiro modelo construído do zero sob o novo Superintelligence Labs de Alexandr Wang. A OpenAI fundiu ChatGPT, Codex e Atlas em um único super app. O Google começou a adicionar controle por voz à sua ferramenta de canvas com IA. E uma startup chamada Runnable silenciosamente ultrapassou US$ 2 milhões em ARR ao permitir que pessoas delegassem projetos inteiros a um agente de IA vivendo no Slack delas.\n\nCinco anúncios. Qualquer um deles teria sido a maior notícia de IA em uma semana normal. Esta semana, todos chegaram de uma vez. Aqui está o que realmente importa — e o que é apenas ruído.\n\n## MiniMax M2.7: O modelo open-source que melhora a si mesmo\n\nDeixe-me começar com aquele que me manteve acordado até depois das 2 da manhã.\n\nMiniMax — uma empresa chinesa de IA que a maioria dos desenvolvedores ocidentais ainda subestima — acabou de tornar open-source o M2.7, seu modelo mais forte até hoje. Weights completos no Hugging Face. Arquitetura mixture-of-experts. E números de desempenho que o colocam em competição direta com Opus 4.6 e GPT-5.4 em tarefas reais de engenharia.\n\nVenho acompanhando modelos chineses de IA desde o GLM4, e o M2.7 é o primeiro lançamento open-source que genuinamente me fez reconsiderar meu stack de produção. Não por causa de um benchmark individual — por causa do que os benchmarks coletivamente representam.\n\nAqui está o scorecard que importa:\n\n| Benchmark | Pontuação | O que realmente testa |\n|-----------|----------|----------------------|\n| SWE-Pro | 56,22% | Engenharia real: debugging, segurança, logs |\n| Terminal Bench 2 | 57,0% | Fluência em linha de comando e operações de sistema |\n| SWE-Multilingual | 76,5% | Engenharia em diversas linguagens e frameworks |\n| MultiSWE-Bench | 52,7% | Desafios mais amplos de engenharia de software |\n| Vibe Pro | 55,6% | Geração de código em nível de repositório (web, mobile, sim) |\n| NL2 Repo | 39,8% | Compreensão e navegação de codebases completas |\n\nEsses não são benchmarks de brinquedo. O SWE-Pro lança cenários reais de produção nos modelos — do tipo em que você está às 3 da manhã olhando logs do servidor tentando descobrir por que seu deployment quebrou. O Terminal Bench 2 testa se um modelo consegue realmente operar um sistema, não apenas escrever código sobre como operá-lo. E o Vibe Pro avalia geração em nível de repositório em plataformas incluindo web, Android, iOS e ambientes de simulação.\n\nMas o que realmente diferencia o M2.7 não é nenhuma pontuação individual. É a história por trás delas.\n\n### Autoevolução: Quando o modelo se torna seu próprio engenheiro\n\nAqui é onde as coisas ficam filosoficamente desconfortáveis.\n\nA MiniMax projetou o M2.7 para melhorar a si mesmo. Não no sentido vago de "reinforcement learning from feedback" — de uma forma concreta e mensurável. O modelo executou autonomamente mais de 100 ciclos de otimização em seu próprio code scaffold. Ajustou configurações de temperatura. Modificou penalidades de repetição. Construiu mecanismos de detecção de loop para identificar quando estava andando em círculos. Adicionou novas capacidades à sua própria toolchain.\n\nO resultado: uma melhoria de desempenho de 30% em benchmarks internos. De um modelo que já era competitivo com sistemas frontier.\n\nJá escrevi antes sobre sistemas de IA que se autoaprimoram, e o que me impressiona no M2.7 é o quão operacional isso se tornou. Isso não é um paper de pesquisa. A MiniMax diz que o modelo atualmente automatiza de 30 a 50% do fluxo de trabalho de sua própria equipe de reinforcement learning, com humanos intervindo principalmente para decisões críticas e validação final.\n\nPense nisso por um segundo. O modelo está fazendo metade do trabalho de treinar a si mesmo. Os humanos estão se tornando os revisores, não os construtores. Isso é uma mudança estrutural em como o desenvolvimento de IA funciona — e está acontecendo em uma empresa open-source que acabou de disponibilizar os weights de graça.\n\n### Onde o M2.7 realmente compete com modelos frontier\n\nQuero ser específico aqui porque "compete com GPT-5.4 e Opus 4.6" é dito de forma bastante frouxa. A MiniMax colocou o M2.7 em competições de machine learning (MLE-Bench Light) rodando em uma única GPU A30 — não um rack de H100s — e ele obteve:\n\n- 9 medalhas de ouro\n- 5 medalhas de prata\n- 1 medalha de bronze\n- Taxa média de medalhas: 66,6%\n\nIsso é competitivo com modelos rodando com ordens de grandeza a mais de compute. Uma única GPU A30. Eu tenho projetos que consomem mais GPU só com inferência.\n\nEm trabalho profissional de escritório — análise financeira, geração de relatórios, processamento de earnings calls — o M2.7 obteve um ELO de 1.495 no GDPval-AA, classificando-se como o melhor modelo open-source para tarefas empresariais. Isso significa que ele consegue ler um relatório anual, construir uma projeção de receita e produzir uma apresentação em um nível comparável ao que um analista júnior entregaria.\n\nE no uso de ferramentas em múltiplas etapas (Toolathon benchmark: 46,3%) e conformidade com habilidades complexas (MM-Claw: 97% de aderência em tarefas com mais de 2.000 tokens), o M2.7 demonstra algo que só vi nos melhores modelos proprietários: confiabilidade sustentada em fluxos de trabalho longos e complexos.\n\nA capacidade de debugging em produção foi o que mais me convenceu. A MiniMax demonstrou o M2.7 analisando logs de produção ao vivo, correlacionando picos de monitoramento com cronogramas de deployment e sugerindo correções direcionadas — reduzindo o tempo de recuperação para menos de três minutos. Isso é trabalho de Site Reliability Engineer. De um modelo open-source.\n\n### O que isso significa para o seu stack\n\nSe você está rodando sistemas multi-agent e precisa de um modelo capaz que possa hospedar por conta própria, o M2.7 acabou de se tornar o candidato óbvio. A arquitetura mixture-of-experts significa que você só ativa os parâmetros necessários por tarefa, mantendo os custos de inferência gerenciáveis. Os weights abertos significam zero dependência de API. E o perfil de benchmarks cobre exatamente o tipo de trabalho que sistemas de agentes precisam fazer — geração de código, debugging, uso de ferramentas e conclusão de tarefas com contexto longo.\n\nNão estou dizendo que substitui o Opus 4.6 para todo caso de uso. Em profundidade pura de raciocínio e seguimento de instruções, o modelo da Anthropic ainda tem uma vantagem que sinto no uso diário. Mas para os tipos de tarefas que você delegaria a sub-agentes especializados — scaffolding de código, análise de logs, geração de documentação, escrita de testes — o M2.7 rodando localmente no seu próprio hardware agora é uma opção séria. E isso muda a economia da IA agêntica de uma forma que importa.\n\n## Meta Muse Spark: Construído diferente — literalmente\n\nO timing da Meta foi impecável. Na mesma semana em que a MiniMax soltou uma bomba open-source, a Meta lançou o Muse Spark — o primeiro modelo de seus novos Superintelligence Labs, a divisão liderada por Alexandr Wang (sim, aquele Alexandr Wang, da Scale AI).\n\nO que torna o Muse Spark interessante não são os benchmarks — embora sejam sólidos. É a decisão arquitetônica que sustenta todo o resto.\n\nA maioria dos modelos multimodais de IA começa como sistemas somente de texto aos quais capacidades de visão são parafusadas depois. O GPT-5 fez isso. O Claude fez isso. Você treina um modelo de linguagem e depois faz fine-tuning para ele entender imagens. Funciona, mas sempre há uma costura. Tarefas de visão parecem cidadãos de segunda classe comparadas ao texto.\n\nA Meta disse não a essa abordagem completamente. O Muse Spark foi construído do zero — de baixo para cima — para processar texto e imagens nativamente na mesma arquitetura. Sem parafusar. Sem fine-tuning de um modelo de texto para enxergar. A compreensão visual está embutida na fundação.\n\nE você sente a diferença nos números:\n\n| Benchmark | Muse Spark | Opus 4.6 Max | GPT 5.4 Pro | Gemini 3.1 |\n|-----------|-----------|-------------|-------------|------------|\n| Screen Spot Pro | 72,2% (84,1% com tools) | 57,7% | 39,0% | — |\n| Health Bench Hard | 42,8% | 14,8% | 40,1% | 20,6% |\n| Frontier Science | 38,3% | — | 36,7% | 23,3% |\n| Humanity's Last Exam | 58,4% (com tools) | — | 58,7% | 53,4% |\n| SWE Bench Verified | 77,4% | 80,8% | — | 80,6% |\n\nScreen Spot Pro é o que salta aos olhos. Uma pontuação de 84,1% em compreensão visual de UI — comparada a 57,7% para Opus 4.6 Max e 39,0% para GPT 5.4 — significa que o Muse Spark consegue olhar para uma tela e entender o que está nela com precisão quase humana. Para qualquer pessoa construindo agentes de computer-use ou ferramentas de teste visual, isso é uma virada de jogo enorme.\n\nHealth Bench Hard é o outro destaque. A Meta colaborou com mais de 1.000 médicos para curar dados de treinamento especificamente para raciocínio médico. O resultado: 42,8%, o número um global. Se você está construindo aplicações de IA relacionadas à saúde, o Muse Spark é agora o modelo a ser avaliado primeiro.\n\n### A história de eficiência que ninguém está contando\n\nAqui está a estatística que construtores técnicos mais deveriam se importar: o Muse Spark alcança capacidades comparáveis ao Llama 4 Maverick com mais de 10x menos compute. Isso não é uma melhoria incremental — é um stack de pre-training reconstruído entregando ganhos de eficiência de uma ordem de grandeza.\n\nA Meta conseguiu isso através de três inovações trabalhando juntas:\n\nOtimização de pre-training — um pipeline de treinamento fundamentalmente reformulado que extrai mais aprendizado por dólar de compute.\n\nReinforcement learning com ganhos estáveis — RL que realmente melhora o modelo de forma consistente em vez das curvas de treinamento ruidosas e propensas a platôs com que a maioria das equipes lida.\n\nMelhorias de raciocínio em test-time — incluindo thought compression (resolver problemas com menos tokens, significando inferência mais rápida e barata) e o que a Meta chama de "contemplating mode", onde agentes paralelos produzem e refinam respostas simultaneamente.\n\nEsse contemplating mode chamou minha atenção. É essencialmente raciocínio multi-agent em tempo de inferência — o modelo gera caminhos de raciocínio paralelos e então seleciona ou combina a melhor saída. Venho construindo exatamente esse tipo de arquitetura manualmente com equipes de agentes Claude. A Meta está incorporando isso diretamente no modelo.\n\n### Onde o Muse Spark fica aquém\n\nEu não estaria fazendo meu trabalho se apenas destacasse as vitórias. O Muse Spark tem uma fraqueza clara, e é significativa para certos casos de uso.\n\nARC AGI 2 — o benchmark de raciocínio abstrato — mostra o Muse Spark em 42,5%, enquanto tanto Gemini quanto GPT-5.4 pontuam acima de 76%. Essa não é uma diferença pequena. Sugere que a arquitetura nativamente multimodal, embora incrível para raciocínio visual e aplicado, pode sacrificar algo em reconhecimento de padrões puramente abstrato.\n\nO SWE Bench Verified conta uma história similar. Com 77,4%, o Muse Spark é forte mas fica atrás do Opus (80,8%) e do Gemini 3.1 (80,6%) em tarefas verificadas de engenharia de software. Se seu caso de uso principal é codificação agêntica, o Muse Spark ainda não é o líder.\n\nTambém não será open-source — pelo menos não inicialmente. A Meta disse que há "esperança de tornar versões futuras open-source", que é a linguagem mais evasiva que poderiam ter escolhido. Dado que construíram isso para alimentar o app Meta AI, WhatsApp, Instagram e integrações do Messenger, não estou prendendo a respiração esperando weights abertos.\n\n## O Super App da OpenAI: Tudo em uma janela\n\nEnquanto MiniMax e Meta jogavam o jogo dos modelos, a OpenAI fez uma jogada de infraestrutura que pode importar mais a longo prazo.\n\nEm 6 de abril, a OpenAI lançou o que chamam de super app unificado — uma única aplicação desktop que funde ChatGPT, Codex (o agente de programação) e Atlas (seu navegador de IA) em uma interface. Junto com ele, lançaram o ChatGPT 5.5, um modelo ponte entre o GPT-5.4 e o que vem a seguir (internamente apelidado de "Spud", que supostamente é o GPT-6).\n\nVenho usando o Codex da OpenAI desde os primeiros dias do CLI, e a fragmentação sempre foi um ponto de dor. Quer conversar? Abra o ChatGPT. Quer programar? Abra o Codex. Quer navegar e pesquisar? Abra o Atlas. Três interfaces diferentes, três janelas de contexto diferentes, três conjuntos diferentes de capacidades que não se comunicam entre si.\n\nO super app elimina essa fricção. Tudo vive em uma janela. E mais importante, os agentes conseguem passar tarefas entre si sem emendas.\n\n### O scratchpad muda minha forma de pensar sobre multitarefa\n\nO recurso destaque é o que a OpenAI chama de "scratchpad" — uma interface que permite disparar múltiplas tarefas paralelas do Codex a partir de uma única visualização. Pense nisso como um gerenciador de tarefas para agentes de IA. Você escreve três tarefas de programação, dispara todas simultaneamente, e cada uma roda em seu próprio ambiente isolado. Enquanto um agente está refatorando seu módulo de autenticação, outro está escrevendo testes para seu fluxo de pagamento, e um terceiro está gerando documentação da API.\n\nIsso é assustadoramente similar ao que venho construindo manualmente com equipes de agentes Claude Code — mas a OpenAI está transformando em um produto com interface amigável para o consumidor. Os agentes gerenciados lidam com fluxos de trabalho de múltiplas etapas de forma autônoma, consultam periodicamente para aprovação em decisões críticas e mantêm conexões persistentes de "heartbeat" que suportam processos de fundo de longa duração.\n\nHouve especulações sobre um novo lançamento de modelo com codinome "Glacier" — possivelmente GPT-5.5 — coincidindo com o lançamento do app. A OpenAI acabou chamando de ChatGPT 5.5, posicionando-o como um modelo com gerenciamento de memória e continuidade de tarefas aprimorados em vez de uma atualização bruta de inteligência. Disponível imediatamente para assinantes Plus e Pro, com uma implementação limitada de nível gratuito a seguir.\n\n### Por que isso importa mais do que mais um salto de modelo\n\nMinha opinião: a OpenAI está apostando que a próxima vantagem competitiva não é inteligência do modelo — é coesão de plataforma. Quando tudo vive em um app, o contexto não se perde entre ferramentas. Sua conversa no chat informa seu agente de programação que informa sua pesquisa no navegador que retroalimenta seu chat. Esse efeito de volante é poderoso, e é algo que você não consegue replicar colando ferramentas separadas com fita adesiva.\n\nOs paralelos com o que a Anthropic está construindo com Conway e o que a Runnable está fazendo com sua plataforma de agentes são impressionantes. Toda a indústria está convergindo para o mesmo insight: o futuro da IA não é um chatbot com quem você conversa. É um sistema de agentes que trabalha ao seu lado.\n\n## Google Mixboard: Quando seu canvas ouve você\n\nA contribuição do Google esta semana é menor em escopo mas fascinante em direção.\n\nO Mixboard começou como um canvas de imagens alimentado por IA — arrastar, soltar, remixar e gerar visuais em um quadro colaborativo. Pense em Miro encontra Midjourney. Mas o Google está evoluindo-o para algo mais ambicioso: um espaço de trabalho colaborativo híbrido completo com controle por voz.\n\nOs novos recursos experimentais incluem stickers, notas de voz, formas geométricas e marcadores que se sobrepõem a imagens geradas por IA. Mas a jogada real é o modo de voz — a capacidade de manipular o quadro inteiro por meio da fala. Gere uma imagem. Mova para a esquerda. Troque o fundo. Adicione uma camada de texto. Tudo falando.\n\nO Google construiu isso sobre a mesma infraestrutura de sua ferramenta de interação por voz Stitch, e se funcionar como demonstrado, fecha uma lacuna que vem me incomodando em toda ferramenta criativa de IA que experimentei: o gargalo de entrada. Até o melhor canvas de IA é limitado pela velocidade com que você consegue digitar prompts e clicar em botões. A voz remove essa fricção completamente.\n\nO recurso de exportação para PDF é o trunfo silencioso. Imagine rodar uma sessão de brainstorming no Mixboard — colaboradores jogando ideias, gerando imagens, organizando conceitos — e então exportar o quadro inteiro como um documento estruturado com um clique. Isso fecha a lacuna entre "sessão de ideação" e "entregável" de uma forma que nenhuma outra ferramenta que usei faz com limpeza.\n\nO Google não confirmou detalhes de integração nem uma data firme de lançamento. Dado o período do Google I/O (19-20 de maio), espero um anúncio oficial lá, provavelmente vinculado ao Gemini ou Google Workspace. Por enquanto, está disponível como experimento no Google Labs.\n\n## Runnable Run Claw: O colega de equipe de IA no seu chat\n\nO último anúncio é aquele que pega você de surpresa.\n\nA Runnable lançou o Run Claw — um agente de IA baseado em nuvem que vive dentro do Slack, Telegram e Discord. Você envia mensagens para ele como um colega de trabalho. Ele faz perguntas de esclarecimento. Planeja o trabalho. Executa autonomamente. Reporta quando termina.\n\nVenho cobrindo agentes de IA em plataformas de chat há meses, e o que torna o Run Claw diferente não é o conceito — é a maturidade de execução. Isso não é um chatbot com integrações de API parafusadas. É um agente totalmente autônomo com:\n\n- Upload de arquivos para fornecer contexto (solte um mockup de design, receba um site)\n- Modo chat para pesquisa e brainstorming\n- Modo plano para builds complexos de múltiplas etapas\n- Seleção de modelo para escolher a IA certa para cada tarefa\n- Memória para aprender suas preferências ao longo do tempo\n- Connectors para Google, Slack, Notion, GitHub, Shopify e mais\n\nA saída multimodal é o que o diferencia de ferramentas similares. O Run Claw não apenas escreve texto. Ele constrói sites ao vivo com bancos de dados, processamento de pagamentos (integração Stripe), otimização SEO, analytics, controle de versão e até agentes de voz alimentados por IA. A partir de uma mensagem no Slack.\n\nA Runnable recentemente ultrapassou US$ 2 milhões em receita anual recorrente e entrega atualizações de produto diariamente. Essas são as métricas que me dizem que isso não é um projeto de fim de semana — é uma empresa construindo infraestrutura real com tração real.\n\n### O padrão mais amplo: agentes de IA como colegas de trabalho\n\nRun Claw, o super app da OpenAI, o sistema Conway da Anthropic — todos convergem para a mesma visão. A IA não é uma ferramenta que você abre quando precisa de ajuda. É uma presença persistente no seu fluxo de trabalho que lida com tarefas como um colega capaz faria. Você delega. Ela executa. Você revisa. Ela itera.\n\nEstamos assistindo à transição de "IA como motor de busca" para "IA como colega de equipe" acontecer em tempo real. E as empresas que resolverem a UX de delegação — não prompting, mas delegação genuína de tarefas — dominarão a próxima fase.\n\n## O que esta semana realmente nos diz\n\nCinco anúncios. Cinco estratégias diferentes. Aqui está o padrão que vejo por baixo de todos eles:\n\nO open source está acelerando mais rápido que o proprietário. O MiniMax M2.7 igualando modelos frontier em tarefas reais de engenharia — e disponibilizando os weights como open-source — pressiona toda empresa que cobra taxas premium de API. Quando um modelo auto-hospedado consegue fazer 80% do que o GPT-5.4 faz por uma fração do custo, a economia do desenvolvimento de IA muda permanentemente.\n\nNativamente multimodal é a nova linha de base. A Meta construindo o Muse Spark do zero para visão e texto — em vez de parafusar visão em um modelo de texto — sinaliza para onde a arquitetura está indo. Espere que todo grande lançamento de modelo daqui em diante seja nativamente multimodal. A abordagem de "adicionar visão depois" está morta.\n\nPlataformas vencem modelos. A OpenAI fundindo tudo em um app, a Runnable embutindo agentes no Slack, o Google adicionando voz ao seu canvas — são jogadas de plataforma, não de modelo. A inteligência bruta do modelo subjacente importa menos quando a camada de integração é perfeita.\n\nA automelhoria não é mais teórica. O modelo da MiniMax rodando 100 ciclos autônomos de otimização não é uma demo de pesquisa. É infraestrutura de produção. Quando modelos conseguem se melhorar significativamente, o ritmo do desenvolvimento de IA deixa de ser limitado pela capacidade de engenharia humana.\n\nSaúde e ciência são as novas aplicações de fronteira. Tanto o Muse Spark quanto o M2.7 mostraram forte desempenho em benchmarks médicos e científicos. A fase "IA para programação" não acabou, mas a próxima onda de aplicações bilionárias provavelmente virá de IA que consiga raciocinar sobre biologia, química e medicina clínica.\n\nCubro ferramentas de IA há tempo suficiente para saber que a maioria das atualizações semanais não importa. A maioria dos lançamentos de modelo são incrementais. A maioria dos lançamentos de produto são prematuros.\n\nEsta semana não foi assim. Cinco empresas diferentes — de open source a big tech — cada uma entregou algo que muda o cenário de forma mensurável. A pergunta não é se o desenvolvimento de IA está acelerando. É se o resto de nós consegue acompanhar as ferramentas que estão construindo a si mesmas.\n\n---\n\nO que estou acompanhando a seguir: MiniMax M2.7 rodando no meu pipeline local de agentes (aguardem uma review hands-on), Google I/O para as atualizações do Mixboard e Gemini, e se o super app da OpenAI realmente aguenta quando fluxos de trabalho reais o atingirem em escala. Eu reporto de volta.\n\n---\n\nSe você está construindo com agentes de IA e quer a opinião sem filtro sobre o que realmente funciona, compartilho meus experimentos, fluxos de trabalho e reviews honestas de ferramentas aqui no mejba.me. Sem conteúdo patrocinado. Sem hype. Apenas o que aprendo construindo.\n\n---\n\n### Social Distribution Package\n\nTwitter/X:\nA MiniMax acabou de tornar open-source um modelo que melhorou a si mesmo em 30%.\n\nA Meta construiu uma IA multimodal do zero que é nº 1 em raciocínio médico.\n\nA OpenAI fundiu ChatGPT + Codex + Atlas em um app.\n\nO Google adicionou controle por voz ao seu canvas de IA.\n\nE uma startup de agente no Slack atingiu $2M em ARR.\n\nMinha análise dos 5 maiores lançamentos de IA desta semana 🧵\n\nLinkedIn:\nCinco grandes lançamentos de IA chegaram em uma única semana — e contam uma história clara sobre para onde a indústria está indo.\n\nO MiniMax M2.7 prova que modelos open-source podem igualar sistemas frontier enquanto se autoaprimoram. O Muse Spark da Meta mostra que arquitetura nativamente multimodal é o futuro. O app unificado da OpenAI demonstra que plataformas vencem modelos individuais. O Google Mixboard aponta para colaboração voice-first. E os $2M em ARR da Runnable provam que agentes de IA como colegas permanentes não é mais teoria.\n\nO padrão: estamos passando de "IA como ferramenta" para "IA como colega de trabalho." As empresas que resolverem a UX de delegação — não apenas prompting — vencerão a próxima fase.\n\nAnálise completa no mejba.me.\n\nNewsletter:\nAssunto: A semana em que a IA começou a construir a si mesma\n\nEsta semana, cinco empresas entregaram cinco visões diferentes do futuro da IA — todas ao mesmo tempo.\n\nO destaque: a MiniMax tornou open-source um modelo que executou 100 ciclos autônomos de melhoria em si mesmo, aumentando seu próprio desempenho em 30%. Isso não é um paper de pesquisa. É um sistema de produção onde a IA está fazendo metade do trabalho de treinar a si mesma.\n\nAnaliso todos os cinco anúncios — MiniMax M2.7, Muse Spark da Meta, super app da OpenAI, Google Mixboard e o agente de chat da Runnable — com a opinião honesta sobre o que importa para construtores e o que é apenas marketing.\n\nLeia a análise completa → [link]\n