AI esta semana: GLM-5.2, Fable 5, Diffusion Gemma
Três coisas chegaram à minha caixa de entrada em cerca de 72 horas, e cada uma delas quebrou silenciosamente uma suposição que eu carregava havia meses.
Um laboratório chinês entregou uma janela de contexto de um milhão de tokens com os pesos sob uma licença MIT. O Google lançou um modelo de linguagem que não gera texto um token por vez. E uma fábrica de robôs humanoides na Califórnia parou de ser um render e se tornou um prédio com 200 pessoas dentro. Qualquer um desses seria manchete em uma semana normal. Este resumo semanal de AI é minha tentativa de dar sentido a tudo de uma vez — não como um repetidor de notas de imprensa, mas como um engenheiro em atividade que classifica o que realmente muda minha segunda-feira e o que é ruído disfarçado de sinal.
Serei direto sobre o que testei versus o que li. Alguns lançamentos desta semana pude colocar as mãos. Alguns deles — como os pesos abertos do GLM-5.2 — literalmente ainda não podem ser baixados enquanto escrevo isto. Vou sinalizar qual é qual toda vez, porque a maneira mais rápida de perder sua confiança é fingir que fiz benchmark de algo cujo datasheet apenas li. Vamos percorrer a semana como eu realmente a processei: em ordem de quanto mudou meu pensamento.
GLM-5.2 e a janela de contexto de 1M que ninguém viu chegando
Comece com aquele que me fez reler o anúncio duas vezes.
Em 13 de junho de 2026, a Z.ai (a cisão da Zhipu AI) anunciou o GLM-5.2 com uma janela de contexto utilizável de um milhão de tokens — um salto de 5x em relação aos 200K do GLM-5.1. A palavra "utilizável" está fazendo trabalho real nessa frase, e voltarei ao porquê. O modelo ficou ativo imediatamente para usuários do GLM Coding Plan, com acesso a API, chatbot, e pesos abertos sob licença MIT, tudo prometido para "semana que vem."
Pare um momento na licença. MIT. Não uma licença comunitária customizada com cláusula de receita. Não "pesos abertos, uso comercial restrito." MIT — a mesma licença permissiva sob a qual seu pacote npm favorito é distribuído. Um modelo próximo da fronteira com uma janela de um milhão de tokens, livre para baixar, modificar e implantar comercialmente, com o lab absorvendo o custo de treinamento. Esse arranjo não existia em código aberto dezoito meses atrás. Ele mal existia dezoito dias atrás.
Aqui está por que a janela de contexto importa especificamente, e por que sou cauteloso com o número da manchete ao mesmo tempo. A maioria das afirmações de "contexto longo" é um truque de mágica. O modelo aceita uma entrada enorme mas para de genuinamente prestar atenção ao meio dela — você cola 400 páginas, pergunta sobre a página 230, e ele responde baseado na página 12 com total confiança. Cobri exatamente esse modo de falha na minha primeira olhada no MiniMax M3, que também reivindica uma janela de 1M. O interessante sobre o enquadramento do GLM-5.2 é que a Z.ai está explicitamente reivindicando retenção ao longo de toda a janela, não apenas aceitação — e eles dizem que o treinaram com um novo algoritmo assíncrono de reinforcement learning de agentes em mais de 10.000 ambientes verificáveis em nove linguagens de programação.
Esse detalhe de treinamento é a parte que eu realmente acredito que vai se sustentar, mais do que qualquer benchmark individual. Trabalho de agente de longo horizonte — o tipo onde o modelo roda por uma hora, faz cem chamadas de ferramentas e precisa lembrar o que decidiu no passo 4 quando chega ao passo 90 — vive e morre pela retenção de contexto. Se o GLM-5.2 genuinamente mantém compreensão ao longo da janela, essa é a virada, não a contagem bruta de tokens.
As demos que circularam esta semana se apoiaram em desenvolvimento web e, de todas as coisas, um clone de Minecraft com geração infinita de terreno a partir de um único prompt. Admito que demos de terreno infinito me deixam cético por reflexo — são visualmente impressionantes e fáceis de cherry-pick. Mas a lógica de geração procedural em um sandbox de voxels funcional é uma tarefa de codificação agêntica genuinamente difícil: gerenciamento de estado, carregamento de chunks, matemática de coordenadas que precisa se manter consistente. Não é pouca coisa.
Sobre o que estou reservando meu julgamento até os pesos aparecerem: multimodalidade real (não há visão nativa no lançamento), e como as duas configurações de "intensidade de pensamento" se comportam sob carga. Dois níveis de raciocínio é uma decisão de produto inteligente — a maioria dos meus prompts não precisa de raciocínio profundo, e pagar a taxa de latência em todos é desperdício — mas quero ver se a configuração mais leve se mantém coerente ou simplesmente fica rápida e desleixada.
Aqui está o loop aberto que resolverei mais adiante neste resumo: o GLM-5.2 indo para MIT é um de três movimentos esta semana que apontam para a mesma mudança em quem controla capacidade de fronteira. Guarde esse pensamento.
Claude Fable 5: o benchmark é empate, a conta não
Este é com o qual tenho mais tempo prático real, porque tenho vivido no Fable 5 para trabalho de codificação desde seu lançamento.
Se você leu meu diário de construção sobre produção autônoma de vídeo com Fable 5 ou meu build do conector Clay para outreach, você já sabe que o considero o modelo de codificação agêntica mais forte que já usei. Esta semana os números de benchmark alcançaram essa sensação instintiva, e uma comparação em particular vale a pena ser analisada.
No SWE-bench Pro — o benchmark de codificação agêntica mais difícil da Anthropic, não o set Verified mais amigável — o Fable 5 marca 80,3%, a maior pontuação de qualquer modelo testado, à frente dos 69,2% do Opus 4.8. No SWE-bench Verified alcança 95,0%. São números reais, reportados independentemente, não o deck de marketing da Anthropic.
Mas o enquadramento da fonte que iniciou este resumo é para onde eu continuo voltando. Em um benchmark profundo de engenharia de software para tarefas genuinamente complexas, o Fable 5 aterrissa aproximadamente empatado com o modelo top da classe GPT-5.5 — mesma taxa de sucesso — a um custo por tarefa radicalmente diferente. Estamos falando da diferença entre cerca de dez dólares e várias centenas de dólares para resolver a mesma tarefa. Mesmo que você trate as cifras exatas em dólares como aproximadas (custo por tarefa oscila com o uso de tokens, então não aposto tudo em um número preciso), a diferença de uma ordem de magnitude é a história.
Deixe-me traduzir isso em uma decisão que você realmente vai enfrentar. Quando dois modelos empatam em capacidade, toda a escolha se reduz a economia e ergonomia. O Fable 5 custa $10 por milhão de tokens de entrada e $50 por milhão de saída — o dobro dos $5/$25 do Opus 4.8, e não é barato em termos absolutos. Então não é "Fable 5 é a opção econômica." É mais sutil: nas tarefas mais difíceis, onde uma execução autônoma falhada desperdiça mais dinheiro em tokens queimados do que a diferença de preço, o modelo mais capaz é o mais barato. Um modelo que acerta sua refatoração noturna na primeira tentativa por $10 ganha de um modelo que precisa de três tentativas de $4 e ainda te entrega algo quebrado.
Esse é o modelo mental com o qual quero que você saia desta seção: em trabalho de dificuldade de fronteira, capacidade é um recurso de controle de custos. Execuções falhadas são o gasto real, e são invisíveis até você somar um mês delas.
Se você está tentando escolher um modelo de codificação agora, aqui vai a versão compacta: use o modelo mais barato para edições rotineiras onde uma nova tentativa não custa nada, e reserve o Fable 5 para grandes refatorações, execuções autônomas noturnas e bugs de dificuldade de fronteira onde uma resposta errada se propaga em cascata. A comparação preço-por-token é uma armadilha; a comparação preço-por-tarefa-completada é a verdade.
Mais uma atualização que vale sinalizar, porque é uma decisão de valores disfarçada de feature. O Fable 5 recebeu uma atualização que torna suas proteções visíveis — quando o modelo recusa ou recua diante de uma solicitação, agora você vê o evento de recuo em vez de obter comportamento silencioso e misterioso. Eu genuinamente gosto disso. A quantidade de horas que perdi com "por que o modelo de repente ficou pior nisso" apenas para descobrir que uma proteção invisível tinha sido ativada... transparência aí é uma melhoria real de qualidade de vida. A contrapartida honesta: proteções visíveis provavelmente significam mais falsos positivos visíveis. Você vai vê-lo recusar coisas que não precisava recusar. Prefiro ver o falso positivo do que debugar um fantasma. Sua tolerância pode diferir, e essa é uma discordância legítima.
Se você prefere que alguém construa um fluxo de trabalho de codificação agêntica em torno de modelos como este em vez de ajustá-lo você mesmo, esse é o tipo de trabalho de integração que eu aceito — você pode ver o que entreguei em fiverr.com/s/EgxYmWD.
DiffusionGemma: Google construiu um modelo que não escreve da esquerda para a direita
Agora o arquitetonicamente estranho, que acho mais interessante do que qualquer outra coisa esta semana, mesmo que eu ainda não consiga executá-lo completamente.
Em 10 de junho de 2026, o Google DeepMind lançou o DiffusionGemma sob Apache 2.0, com pesos no Hugging Face. A razão pela qual importa não tem nada a ver com benchmarks e tudo a ver com como ele gera texto. Todo modelo estilo GPT que você usou escreve um token por vez, da esquerda para a direita, cada token condicionado pelo anterior. O DiffusionGemma não. Ele usa difusão discreta — desruidificando blocos de 256 tokens em paralelo, a mesma família de técnicas que alimenta geradores de imagem, aplicada à linguagem.
Por que a geração de texto baseada em difusão importa?
A geração de texto baseada em difusão produz múltiplos tokens simultaneamente em vez de um por vez, razão pela qual o DiffusionGemma pode atingir velocidades que um modelo autorregressivo estruturalmente não consegue. O Google reporta mais de 1.000 tokens por segundo em uma única Nvidia H100 — até 4x mais rápido que modelos autorregressivos comparáveis — e 700+ tokens por segundo em uma RTX 5090 de consumo. O modelo é um 26B mixture-of-experts que ativa apenas 3,8B parâmetros na inferência, então ele se quantiza para caber em um orçamento de VRAM de 18GB.
Leia essa última frase de novo, porque é a parte que deveria fazer você prestar atenção: um modelo tão rápido, rodando em uma placa que um hobbyista sério pode realmente possuir.
Aqui é onde preciso ser honesto em vez de fazer hype. Não consegui rodar o DiffusionGemma localmente, e o motivo é instrutivo: o módulo drafter customizado que ele precisa para inferência local não existe em nenhum runtime público ainda. Nem no mlx-lm, nem no LM Studio. Até o momento é efetivamente inexecutável na maioria das configurações de consumo apesar dos pesos serem públicos. Então quando você vir posts empolgados como "rode um modelo de 1000 tok/s no seu PC gamer hoje à noite", isso é aspiracional, não factual. Espero que o suporte de runtime venha — há demanda demais para não vir — mas hoje a velocidade é uma especificação, não uma experiência que posso verificar para você.
E há um custo real para a velocidade, embutido na arquitetura. A geração de texto por difusão troca precisão por throughput. O DiffusionGemma alucina mais que o Gemma 4 padrão. O próprio posicionamento do Google é refrescantemente direto sobre isso: use-o para tarefas críticas em velocidade e não factuais — edição de código, reformatação de texto, transformação em massa — e não use onde precisão factual importa. Respeito um lançamento que te diz em que seu modelo é ruim. Se você roda modelos locais, já conhece esse cálculo de configurar ferramentas como o Gemma 4 no LM Studio — escolher o modelo certo para a tarefa certa ganha de perseguir um modelo que faz tudo mediocremente.
Minha opinião honesta: DiffusionGemma é o lançamento arquitetônico mais importante da semana e simultaneamente o produto menos imediatamente útil da semana. É uma declaração de pesquisa de que o monopólio autorregressivo sobre geração de linguagem tem uma rachadura. A primeira vez que um modelo de linguagem de difusão for tanto rápido quanto preciso o suficiente para uso geral, toda a conversa sobre custos de inferência será reiniciada. Esse dia não é hoje. Mas agora está visivelmente no calendário.
OpenAI Codex ganhou um superpoder de depuração (e um programa de fidelidade)
Duas atualizações do Codex esta semana, e elas miram partes completamente diferentes do seu cérebro — uma técnica, uma comportamental.
A técnica me entusiasma genuinamente. O Codex adicionou um modo desenvolvedor que dá acesso controlado ao Chrome DevTools Protocol (CDP). Em termos simples: o Codex agora pode alcançar uma sessão Chrome ao vivo e ler tráfego de rede, saída de console, erros de runtime, estado do DOM e estilos aplicados — exatamente as coisas que você inspecionaria manualmente quando um bug de front-end se recusa a fazer sentido. Está desativado por padrão (Configurações → Navegador → "Enable full CDP access" em Developer mode), que é o padrão correto para algo tão poderoso.
Por que isso é maior do que parece: depuração de front-end tem sido o calcanhar de Aquiles dos agentes de codificação com AI. Um modelo pode escrever um componente React lindamente e depois ser inútil para descobrir por que ele renderiza em branco no navegador, porque a falha vive no estado de runtime que o modelo não consegue ver. Acesso CDP fecha esse loop. O agente agora pode observar o sintoma — o erro real de console, a requisição de rede que realmente falhou — em vez de adivinhar apenas do código-fonte. Essa é a diferença entre um agente que escreve código e um agente que o depura.
A atualização comportamental é mais astuta. A OpenAI lançou acumulação de resets de rate-limit: usuários Plus e Pro recebem resets que podem acumular e gastar quando quiserem (resets acumulados duram 30 dias), mais um programa de indicação — indique até três amigos entre 11 e 24 de junho, e quando um amigo enviar sua primeira mensagem no Codex, ambos recebem um reset acumulado.
Vou dizer a parte silenciosa em voz alta, porque fingir que não noto seria desonesto. O mecanismo de indicação é engenharia de stickiness de ecossistema. Resets acumulados são um recurso inteligente, genuinamente amigável ao usuário — controle sobre quando você queima sua capacidade é valor real, especialmente se você agrupa trabalho pesado. Mas sobrepor um loop de fidelidade por indicação de amigos em cima de uma ferramenta de desenvolvimento é uma jogada de retenção emprestada diretamente de apps de consumo. Não é ruim. Só vale a pena ver com clareza: os laboratórios de modelos agora competem em custos de troca, não apenas em capacidade. A depuração CDP é o fosso; o programa de indicação é a cerca.
Duas atualizações que silenciosamente mudam como agentes operam
Um padrão que continuo notando em 2026: as mudanças mais consequentes não são novos modelos, são novas estruturas de permissão em torno dos modelos. Duas esta semana.
Primeiro, codificação autônoma ficou mais segura por padrão. O modo auto do Claude Code e o classificador de auto-revisão do Cursor estão convergindo para o mesmo design: pré-aprovar as ações seguras, bloquear as arriscadas. Em vez de supervisionar cada comando ou aprovar tudo no estilo YOLO, o ferramental agora faz triagem — ler um arquivo, rodar um teste, formatar código? Vai em frente. Deletar um diretório, atingir um endpoint de produção, reescrever uma migração? Parar e perguntar. Já escrevi antes sobre por que ir agent-native em 2026 é principalmente acertar exatamente esse gradiente. Um agente que você precisa aprovar constantemente não é autônomo; um agente que você não consegue parar é perigoso. A camada classificadora é o compromisso, e está amadurecendo rápido.
Segundo — e esta é a história de infraestrutura pouco sexy que acho que mais vai importar em um ano — autenticação de agentes AI está se tornando uma categoria de produto real. A Descope lançou o Agentic Identity Hub 2.5 esta semana (a versão 2.0 foi em janeiro), e está resolvendo um problema que a maioria das pessoas construindo agentes ainda não teve mas absolutamente terá: como um agente autônomo prova quem é e o que tem permissão para fazer, sem que você lhe dê as credenciais de um humano?
Essa última parte é o ponto crucial. Agora mesmo, um número deprimente de configurações de agentes funciona dando ao agente um token API de um humano e esperando o melhor. Isso é um desastre de segurança esperando para acontecer — sem scoping, sem trilha de auditoria, sem forma de revogar apenas o acesso do agente. A proposta da Descope é agentes como identidades de primeira classe: OAuth 2.1, escopos a nível de ferramenta, aplicação de políticas sobre quais servidores MCP um agente pode tocar, e fluxos de aprovação com humano-no-loop para ações sensíveis. Magic links e fluxos de senha de uso único te dão controle granular sobre o que um agente pode fazer em nome de um usuário.
Não vou fingir que implantei em produção. Mas senti a ausência de exatamente isso. Toda vez que conectei um agente a um sistema com permissões reais, a história de autenticação foi a parte que eu montei com gambiarra e me senti mal por isso. Um plano de controle construído com propósito para identidade não-humana é o tipo de infraestrutura chata e portante que AI agêntica vem precisando — e é um tópico que fica exatamente na interseção de AI e segurança, que é exatamente o tipo de trabalho que meus colegas na xCyberSecurity fazem para equipes que implantam agentes contra dados sensíveis.
As duas apostas de fronteira: modelos de interação e robôs humanoides em escala
Agora afaste o zoom, porque dois desenvolvimentos desta semana não são sobre este trimestre — são sobre para onde tudo está indo.
O primeiro são os modelos de interação do Thinking Machines Lab. O laboratório de Mira Murati (ela é a ex-CTO da OpenAI) publicou uma prévia de pesquisa do TML-Interaction-Small, e a arquitetura é uma verdadeira ruptura com o padrão de chatbot que todos internalizamos. Em vez do loop solicitação-resposta — você fala, ele espera, ele responde — o modelo processa áudio, vídeo e texto em micro-turnos de 200 milissegundos, continuamente, da forma como duas pessoas realmente colaboram. Ele pode falar enquanto você fala, reagir ao que vê antes de você terminar uma frase, e chamar ferramentas no meio de uma conversa.
O detalhe estrutural inteligente: ele se divide em dois modelos que compartilham contexto completo. Um modelo de interação rápido fica ao vivo com você para respostas instantâneas, enquanto um modelo de fundo lida com o raciocínio lento e profundo e uso de ferramentas de forma assíncrona. Essa é uma resposta arquitetônica real à tensão central em AI conversacional — você quer tanto rapidez quanto profundidade, e essas normalmente se compensam mutuamente. É um mixture-of-experts de 276B parâmetros com 12B ativos, e está em prévia de pesquisa limitada sem API pública, então modere expectativas. Mas a ideia — colaboração em vez de solicitação-resposta — é o reenquadramento mais interessante da interação humano-AI que vi este ano.
O segundo é concreto no sentido mais literal. A 1X Technologies começou a produção em massa do seu robô humanoide Neo em uma fábrica de 58.000 pés quadrados em Hayward, Califórnia. A instalação emprega atualmente mais de 200 pessoas e tem capacidade para 10.000 robôs por ano, escalando para mais de 100.000 unidades até 2027. A primeira rodada de produção esgotou em dias segundo os relatos. Não são apenas bots de logística de fábrica — o Neo está fortemente posicionado como robô doméstico, com entregas a clientes planejadas para 2026.
Tenho sentimentos complicados aqui, e vou compartilhá-los honestamente em vez de torcer. A transição de uma demo em um palco para uma fábrica verticalmente integrada — a 1X constrói seus próprios motores, baterias, sensores e transmissões internamente — é o salto mais difícil em robótica, e a maioria das empresas nunca o faz. Essa parte merece respeito real. O cético em mim também lembra que "entregar" e "útil na sua cozinha" são marcos muito diferentes, e robótica humanoide tem uma longa história de demos deslumbrantes que desmoronam sob a bagunça de ambientes reais. Mas uma fábrica com uma linha anual de 10.000 unidades não é um render. Algo está realmente sendo construído. Vamos descobrir em 2026 se o que é entregue é um ajudante genuíno ou um proof of concept muito caro.
O que esta semana realmente significa (o loop aberto, resolvido)
Lembra do fio que pedi para você guardar lá em cima — que o GLM-5.2 indo para MIT era um de três movimentos todos apontando na mesma direção? Aqui está a resolução.
Olhe para o padrão ao longo de toda a semana. GLM-5.2 colocando um modelo de fronteira de 1M de contexto sob MIT. DiffusionGemma distribuindo uma arquitetura genuinamente nova sob Apache 2.0. Até a Descope construindo padrões abertos (OAuth 2.1, MCP) para identidade de agentes. O centro de gravidade em AI está deslizando de alugar inteligência fechada para possuir e controlar inteligência aberta. Não completamente — a fronteira absoluta ainda vive em laboratórios fechados, e a dominância de benchmark do Fable 5 prova que os líderes proprietários não estão parados. Mas a lacuna entre "o melhor modelo fechado" e "o melhor modelo que você pode realmente baixar e possuir" é a mais estreita de todos os tempos.
Isso muda a pergunta que você deveria estar fazendo. Dezoito meses atrás a pergunta era "qual API eu alugo?" Cada vez mais, a pergunta real é "quais capacidades preciso possuir — por custo, por privacidade, por controle — e quais posso continuar alugando?" Os times que vão enriquecer respondendo essa pergunta corretamente serão os que pararam de tratar aberto e fechado como teste de lealdade e começaram a tratar como uma decisão de portfólio.
Então aqui vai sua única ação concreta para esta semana. Escolha a única dependência de AI no seu stack que mais doeria se seu preço triplicasse ou seus termos mudassem da noite para o dia. Apenas uma. Depois vá encontrar o modelo open-weight mais próximo que poderia substituí-la — GLM-5.2 quando os pesos saírem, ou o que couber na sua tarefa — e passe uma tarde realmente testando-o na sua carga de trabalho real, não em um prompt de brinquedo. Você não precisa migrar. Só precisa saber que a porta existe antes que alguém a feche para você. Essa é a diferença, neste ano, entre ser inquilino e ser proprietário.
Perguntas frequentes
Qual é o tamanho da janela de contexto do GLM-5.2?
O GLM-5.2 tem uma janela de contexto utilizável de um milhão de tokens, um aumento de 5x em relação aos 200K do GLM-5.1. A Z.ai afirma que o modelo retém compreensão ao longo de toda a janela em vez de apenas aceitar a entrada, e pesos abertos sob licença MIT estão programados para lançamento logo após o anúncio de 13 de junho de 2026.
Vale a pena pagar mais pelo Claude Fable 5 para codificação?
O Claude Fable 5 vale a pena para tarefas de dificuldade de fronteira onde uma execução falhada desperdiça mais em tokens queimados do que o prêmio de preço. Ele lidera o SWE-bench Pro com 80,3% e empata com modelos top da classe GPT-5.5 em benchmarks difíceis por uma fração do custo por tarefa. Para edições rotineiras, um modelo mais barato geralmente é a escolha mais inteligente. Veja a seção do Fable 5 acima para a análise completa.
Como o DiffusionGemma difere do Gemma regular?
O DiffusionGemma gera texto usando difusão discreta — desruidificando blocos de 256 tokens em paralelo — em vez de um token por vez, alcançando mais de 1.000 tokens por segundo comparado a modelos autorregressivos padrão. A contrapartida é taxas de alucinação mais altas, por isso o Google o recomenda apenas para tarefas críticas em velocidade e não factuais como edição de código e formatação de texto.
O DiffusionGemma pode rodar em uma GPU de consumo?
O DiffusionGemma é projetado para caber em 18GB de VRAM e supostamente atinge 700+ tokens por segundo em uma RTX 5090, mas desde junho de 2026 o módulo drafter customizado que ele precisa para inferência local não é suportado em nenhum runtime público como LM Studio ou mlx-lm, tornando-o efetivamente inexecutável na maioria das configurações de consumo hoje.
Quando o robô humanoide 1X Neo será entregue?
A 1X Technologies começou a produção em massa em sua fábrica de Hayward, Califórnia, com entregas a clientes planejadas para 2026. A instalação pode produzir 10.000 unidades anualmente, escalando para mais de 100.000 até 2027, e a primeira rodada de produção supostamente esgotou em dias após o lançamento.
Vamos trabalhar juntos
Procurando construir sistemas de AI, automatizar fluxos de trabalho ou escalar sua infraestrutura tecnológica? Adoraria ajudar.
- Fiverr (construções e integrações sob medida): fiverr.com/s/EgxYmWD
- Portfólio: mejba.me
- Ramlit Limited (soluções empresariais): ramlit.com
- ColorPark (design e branding): colorpark.io
- xCyberSecurity (serviços de segurança): xcybersecurity.io
