A conta de uma IA não termina quando o modelo fica pronto. Alguém precisa atender cada pedido, medir a espera e conferir o código que os agentes produzem. Nesta seleção, as demonstrações mais interessantes são justamente as que mostram onde essa conferência acontece.
A conta chega na inferência
Why Inference Matters 12x More Than Training | YC Paper Club · Y Combinator · 1h50min48s
Na conversa do YC Paper Club, a comparação entre treinamento e inferência parte de uma hipótese, não de uma proporção universal: o apresentador toma dados de uso da DeepSeek e supõe dois anos de vida útil para um conjunto de pesos. O restante da discussão ajuda a sair do número de efeito. Tempo até o primeiro token, intervalo entre tokens e quantidade de respostas por hora de GPU medem coisas diferentes; otimizar uma pode prejudicar outra.
Stop Guessing Your vLLM Config: Benchmarking LLMs on Runpod - Chris Vela, Runpod · AI Engineer · 16min29s
Chris Vela leva essa distinção para uma demonstração de configuração do vLLM. Ele compara execuções com limites diferentes de tokens por lote: naquele teste, o tempo até começar a resposta muda pouco, mas o intervalo entre tokens diminui. É um resultado da demonstração, não uma receita para todo modelo. A escolha depende da tarefa e da carga real que o serviço terá de atender.
Quando a verificação entra no projeto
AI That Hunts Logic Bugs Before Attackers Do - Taylor Luttrell-Williams, Sonar · AI Engineer · 14min09s
Taylor Luttrell-Williams apresenta o SonarQube Hunter Agent para procurar falhas que uma busca por padrões pode deixar passar, como permissões incorretas e erros na lógica de uma operação. Segundo a descrição da Sonar, o agente examina o repositório, investiga possíveis problemas e tenta validar se há um caminho de ataque antes de exibir um achado. A proposta é filtrar alertas sem fundamento, não garantir a segurança do código.
How Anthropic Merges 30,000 Code Changes a Day - Manish Kapur, Sonar & Addy Osmani, Anthropic · AI Engineer · 18min52s
Na conversa com Manish Kapur, Addy Osmani descreve uma revisão que pede evidências do comportamento do código: testes de ponta a ponta, verificações no navegador e inspeção do que o agente fez. A Anthropic informa que integrava mais de 30 mil alterações por dia no seu repositório principal em setembro de 2026; isso não quer dizer 30 mil propostas de alteração ou repositórios por dia. O volume explica a pressão para automatizar a primeira checagem, sem confundir revisão automática com aprovação humana.
O anúncio ainda não é o uso aberto
Google “Carbon” just won everything… · Matthew Berman · 14min45s
Matthew Berman passa pelos resultados do Gemini 4 Carbon, mas a distinção importante está entre anúncio e acesso. O Google anunciou acesso inicial para um grupo de defensores de segurança, com ampliação gradual a parceiros selecionados antes da oferta a desenvolvedores e ao público. Na avaliação da Artificial Analysis, Carbon lidera o índice geral de inteligência, mas fica atrás do Claude Opus 5.5 no índice de agentes de programação. O título do vídeo é provocação; esses resultados não significam que o modelo venceu em todas as tarefas nem que já esteja aberto a qualquer desenvolvedor.
Medir o atendimento, testar a alteração e conferir quem teve acesso ao modelo são trabalhos menos vistosos que uma demonstração, mas mudam o que se pode concluir dela.