Cookies de sessão roubados do Claude permitem acessar contas pagas e, potencialmente, e-mails corporativos do Gmail, sem que o administrador de TI possa revogar. A Anthropic identificou seis malwares e reembolsou usuários.
A Anthropic informou usuários sobre infostealers que reutilizaram cookies de sessão do Claude, pulando a validação de 2FA e causando consumo indevido das assinaturas pessoais.
Google DeepMind lança Fairwind Program, que combina o modelo Gemini 3.8 Flash Cyber com a ferramenta CodeMender para encontrar e corrigir vulnerabilidades em minutos, reduzindo custos e tempo de exposição para governos e empresas.
O modelo de engenharia forward-deployed, central na IA empresarial, só agrega valor se transformar aprendizado em produto reutilizável. Um artigo do VentureBeat explica como avaliar se o FDE é vantagem competitiva ou apenas custo de entrega.
A IBM integrou seus modelos de séries temporais à plataforma Confluent, permitindo previsão e detecção de anomalias em tempo real sem equipes de ciência de dados. Ganhos de produtividade de 5 a 10 vezes são relatados.
Um estudo submetido ao arXiv em 2026 define o número R_AI para saber quando o uso de IA na criação de novas IAs cria um ciclo de auto-amplificação. O modelo mostra que a auto-amplificação pode existir antes de ficar visível e que o ecossistema coletivo pode ser crítico mesmo quando nenhuma empresa individual é.
O ISO-RAG, framework de Retrieval-Augmented Generation com geometria hiperbólica, alcançou 10% a mais de recall e 4,3% de ganho em exact match em benchmarks multi-hop QA, eliminando a latência de travessias globais de grafos.
Estudo do arXiv apresenta SEAV, framework que reduz falsos positivos em testes de jailbreak de LLMs em até 14,9 pontos percentuais, reclassificando até 51% dos sucessos anteriores como inválidos.
Estudo propõe método de agregação estável para aprendizado federado quântico, validado em máquinas IBM e em dados médicos e financeiros, com menor volatilidade e precisão competitiva.
Pesquisa no arXiv define o conceito de 'interpretive misplacement' e propõe princípios de design para que humanos e IA atuem juntos na interpretação de textos, evitando perda de responsabilidade em áreas críticas.
