No mesmo dia, 21 de outubro, o PHP corrigiu duas falhas críticas que deixavam correr código num servidor com um único pedido, o Node.js corrigiu dez vulnerabilidades, quatro delas graves, e a Railway avisou que alguém pode ter acedido às variáveis de ambiente de clientes, onde costumam estar chaves de API e credenciais de bases de dados. As falhas do PHP estavam no código há mais de dez anos e no próprio dia já havia tentativas de exploração. Fora da nossa bolha, pouca gente percebeu o que isto implicou. No Reino Unido, 32 serviços do governo foram tirados do ar por precaução, e na Alemanha, em França e nos Países Baixos também saíram do ar sites públicos. No dia seguinte, o ministro da Defesa britânico pediu às famílias para terem água e comida para três dias em casa, a pensar em ciberataques a cadeias de abastecimento e a sistemas de pagamento, e disse que incidentes como este vão acontecer cada vez mais. As falhas foram encontradas com ajuda de IA, e quem ataca também já a usa: a Microsoft descreveu um grupo ligado à China a automatizar ataques a centenas de organizações com agentes. O vibe coding (pedir o código à IA sem o ler) é ótimo para experimentar, e antes de pôr um site ou uma app em produção alguém tem de saber que versão de PHP ou Node está a correr, atualizar no próprio dia quando sai um patch crítico e saber onde estão os segredos para os rodar de uma vez. Deixar isso para a semana seguinte é deixar a porta aberta esse tempo todo.

Com o Claude Duet, as três grandes já têm um agente sempre ligado e com computador próprio na cloud: o Grok Bot da xAI saiu em agosto, os dots da OpenAI no fim de setembro e agora o Duet da Anthropic. Fazem quase o mesmo: ligam-se às tuas apps, continuam a trabalhar quando sais e pedem aprovação antes das ações importantes. O Duet, por enquanto, só está disponível nos US, nos planos Pro e Max e com lista de espera. Onde se separam é na forma como limitam o agente. No Grok Bot, as regras escrevem-se em linguagem natural e um agente revisor verifica cada ação proposta, e o próprio guia da xAI diz que estás a confiar que o modelo segue o que escreveste. Nos dots, a pesquisa proativa usa ferramentas só de leitura. O Duet junta um classificador que aprova as ações a limites fora do modelo: nunca vê passwords nem tokens, paga com cartões virtuais e tem ações proibidas mesmo com a tua aprovação, como mover dinheiro entre contas. Para quem vai dar a um destes agentes acesso ao email e às contas da empresa, é aí que eu olhava primeiro: o que o agente consegue fazer quando o modelo se engana, e quanto disso depende de ele seguir instruções.

A @Cloudflare lançou o Clairic, um modelo System One de extração: lê um email ou uma fatura e devolve valores tipados (montantes, datas, listas, estimativas com intervalo de 80%), numa só passagem e sem gerar texto. Quando um campo não está no input, devolve null. No exemplo que publicaram, o trabalho fica dividido em três: o Clairic tira os valores de um email de reclamação, o Clef decide com base nesses valores e o GLM-5.3 escreve a resposta. Extrair demorou 0,46 s e decidir 0,22 s, contra 38 s do GLM a fazer as duas coisas, e dos 19,3 s totais, 18,6 s são do LLM a escrever. Nas minhas medições pela OpenRouter, o Clef decidia em 359 ms. O ponto que mais me interessa é o Clef nunca ver o email: decide a partir de um resumo de valores tipados, por isso texto escrito pelo cliente para manipular a decisão tem menos por onde dar asneira. E a estimativa do custo de reparação saiu igual em todas as runs, enquanto a do GLM mudou de run para run.

Durante mais de 25 anos ninguém soube de onde vinham os seeds das curvas elípticas do ECDSA, os valores de partida que a NSA gerou no fim dos anos 90 e entregou ao NIST sem explicação. Havia suspeitas de backdoor e um prémio de $36.864 para quem os explicasse. Um modelo interno da Anthropic resolveu-o em menos de meia hora. A pista que toda a gente seguia era o hash de uma frase engraçada, segundo um antigo funcionário da NSA, e vários funcionários da Anthropic já a tinham perseguido sem sucesso. O modelo recebeu a pergunta sem essa pista e pensou em como o software da época teria gerado os valores: era o lrand48, o gerador aleatório da biblioteca de C, iniciado com a hora do relógio entre maio de 1997 e abril de 1998. O script publicado reproduz o seed oficial da P-256 em menos de um décimo de segundo. O resultado aumenta a confiança nas curvas, porque valores tirados de um gerador simples e reproduzível deixam pouco espaço para um backdoor. O modelo chegou ao lrand48 porque a pista da frase, em que toda a gente se apoiou durante uma década, ficou fora da pergunta.

A 30 de setembro escrevi que ainda ninguém tinha comparado o Jev da @typesafeai com o Decisions API da @OpenAI na mesma tarefa. Na semana passada, a Parallel (@p0) fez esse teste: 8 modelos de decisão, que respondem a perguntas de sim/não ou escolha múltipla, em 4 tarefas de produção com dados etiquetados por pessoas. O Jev ficou no topo. Na tarefa mais difícil, decidir se uma página mudou o suficiente para ser reprocessada, teve 87,9 de AUPRC (mede quão bem o modelo separa o sim do não) contra 79,0 do Decisions API. Com 5 rondas de prompt tuning em 800 exemplos, o Decisions API subiu para 88,8 e passou o Jev sem tuning. Nos meus testes a ordem também mudou com a tarefa: no xadrez o Clef da @Cloudflare ganhou ao Jev por 57 a 43, e na Batalha Naval, com o código a dar-lhes uma lista curta de 16 jogadas, empataram entre si e com o próprio código. No TAIKAI AI Arena, dez modelos construíram uma app e votaram nos projetos uns dos outros. Em média, a correlação entre cada par de juízes foi 0,49, e o consenso dos nove chegou a 0,81 contra a avaliação humana. No próximo Arena vamos pôr o Jev e o Clef também a julgar.

Na LayerX somos 3 e fechamos cerca de 50 PRs por semana, há vários sprints seguidos. Esta semana já vão 74. Zero reverts (alterações que tivemos de desfazer) nas últimas 7 semanas. A este ritmo, o gargalo passa a ser a revisão. Cada PR é revisto por um agente, os testes são feitos por agentes e humanos, e a aprovação final é sempre de um humano. O processo está longe de estar limado: temos ajustado ao longo dos sprints e ainda não chegámos a um que assente bem. Lá chegaremos. A equipa do Claude Code publicou como resolve isto. Vários agentes procuram bugs ao mesmo tempo e outro grupo vota cada problema encontrado, que só chega ao PR se votos suficientes o confirmarem. Medi o mesmo na TAIKAI AI Arena: um juiz AI sozinho correlacionava 0.49 com os outros, e o consenso chegou a 0.81 contra a avaliação humana.