Entre junho e julho de 2026, a área de inteligência artificial viu uma sequência incomum de lançamentos que vai muito além de "mais um grande modelo de linguagem". Em poucas semanas, saíram um modelo de 1,6 trilhão de parâmetros treinado sem nenhuma GPU Nvidia, um codificador visual especializado para partituras musicais, sistemas para editar vídeo em tempo real, humanoides à venda por menos de 17 mil dólares e até um decodificador cérebro-para-texto não invasivo.
Este artigo é uma tradução comentada e ampliada do post "17 Recent AI Breakthroughs Everyone Should Know About", de Pranit Naik, complementado com links, números verificados e contexto adicional. O foco é explicar o que cada lançamento faz, por que ele importa e onde você pode testar/ler o material original.
O cabeçalho do mês: um trilhão de parâmetros sem Nvidia
Antes da lista, vale destacar o fato que dá o tom de tudo: um modelo de linguagem de 1,6 trilhão de parâmetros terminou o pré-treinamento este ano em cerca de 50.000 aceleradores fabricados na China, sem nenhuma GPU Nvidia envolvida na execução. Os pesos foram publicados no Hugging Face sob licença MIT. Só a compilação em FP8 passa de 2 TB — quase ninguém vai conseguir carregá-lo em uma máquina doméstica.
É o LongCat-2.0, da Meituan (a gigante chinesa de delivery que já era cliente pesada de inferência e agora vira fornecedora de modelo). Ele confirma o resto da lista: o gargalo da fronteira de IA em 2026 não é mais "ter mais parâmetros", é "ter mais capacidade de treinar, ajustar e implantar". Os 17 lançamentos abaixo exploram exatamente esse espaço.
1. MuSViT — lendo partituras como o BERT lê texto
Partituras são a notação impressa que músicos leem: pautas, cabeças de nota, claves e pausas que codificam altura e duração pela posição na página. Modelos de visão de uso geral não vão bem porque é um layout simbólico denso, não uma fotografia.
O MuSViT (Music Score Vision Transformer), da Universidade de Alicante, é um Vision Transformer pré-treinado com Masked Autoencoders em 9,7 milhões de páginas de partituras do IMSLP. Patches da imagem são ocultados, o modelo os reconstrói, e isso o força a inferir qual símbolo pertence a qual posição.
Em reconhecimento de página inteira com encoder congelado, ele reporta 16,4% de erro por símbolo, contra 48,6% do PaliGemma 2. Foi publicado em versões de 85M e 25M de parâmetros e só precisa da biblioteca transformers.
Reconhecimento óptico de música é um campo acadêmico de três décadas; este é o primeiro backbone compartilhado realmente bom, e um argumento a favor da tese: domínios simbólicos estreitos precisam de um encoder dedicado e pequeno, não de um encoder genérico maior.
Links: arXiv 2606.31811 · Página do projeto · Hugging Face
2. LongCat-2.0 — o trilhão de parâmetros treinado sem Nvidia
A Meituan rodou por dois meses, anonimamente, um modelo chamado Owl Alpha no topo do OpenRouter e, em 30 de junho, revelou que se tratava do LongCat-2.0: um Mixture-of-Experts de 1,6T com cerca de 48B de parâmetros ativos por token e contexto de 1 milhão de tokens.
A Meituan afirma que o treino não precisou de rollback nem teve picos de perda irrecuperáveis — o que importa mais do que parece, porque infraestruturas não-Nvidia costumam ter menos ferramentas de diagnóstico e falhas mais confusas. Pelos números do próprio fornecedor, ele obtém 59,5 no SWE-bench Pro, passando por pouco os 58,6 do GPT-5.5 mas atrás dos 69,2 da referência Claude Opus. Um benchmark, margens de meio ponto.
Mais importante que a pontuação é a licença. Um modelo de trilhão de parâmetros sob termos MIT, treinado em hardware fora do regime de controle de exportação americano, impõe uma pressão diferente da de mais uma API fechada.
Preços: US$ 0,30/M tokens de entrada e US$ 1,20/M de saída durante a promoção de lançamento (preço-padrão US$ 0,75 / US$ 2,95). Acertos de cache de contexto saem de graça.
Links: Blog oficial · GitHub · Hugging Face (FP8) · OpenRouter
3. LiveEdit — editando vídeo durante a reprodução
A maioria dos editores de vídeo baseados em difusão processa um clipe por vez. O LiveEdit processa o vídeo em chunks de forma causal, relata 12,66 quadros por segundo com latência de 79 ms por frame — quase metade da velocidade de transmissão broadcast.
Ele lida com troca de roupa, mudança de clima e remoção de objetos, mantendo intactas as regiões não tocadas (a metade mais difícil). Duas técnicas fazem o trabalho pesado:
- Um pipeline de destilação que comprime um modelo bidirecional em um modelo causal de quatro passos.
- Um cache que reusa as features de atenção para fundos estáticos.
O código está público, embora os números de velocidade não venham acompanhados da especificação de hardware. O alvo são realidade aumentada e transmissões ao vivo — frames que chegam um a um, sem filmagens futuras para olhar antes.
Links: Página do projeto · GitHub · arXiv 2606.26740
4. ViDiHand — rastreando mãos que a câmera não vê
Rastreamento de mãos a partir de vídeo egocêntrico falha quando há oclusão — o que ocorre na maior parte do tempo, porque mãos passam a vida escondidas atrás de objetos e umas das outras. O ViDiHand reaproveita as representações internas de modelos de difusão de vídeo pré-treinados, com a seguinte lógica: qualquer coisa treinada em escala de internet para sintetizar vídeo coerente já sabe como mãos se movem e o que acontece quando elas desaparecem.
Nas comparações publicadas, a maioria das linhas de base ou só recupera mãos visíveis ou coloca mãos ocultas na profundidade errada. O ViDiHand preserva os dois casos. Isso importa para treinar humanoides: dados vêm de observação humana, e os momentos interessantes são justamente os ocluídos. É o primeiro dos quatro projetos desta lista que giram em torno do mesmo gargalo — aprendizado robótico precisa de mais dados de manipulação do que qualquer um consegue coletar à mão.
Links: Página do projeto · arXiv 2606.30308
5. Agents-A1 — muito além do tamanho que tem
Lançado pela InternScience (laboratório afiliado ao Shanghai AI Lab) sob Apache 2.0, o Agents-A1 é um Mixture-of-Experts de 35B de parâmetros (cerca de 3B ativos por token) e contexto de 256K. Ele reporta:
- 56,4 no SEAL-0 (busca de longo prazo)
- 75,5 no BrowseComp
- 96,0 no GAIA
Números que competem com GPT-5.5, DeepSeek-V4 Pro e Kimi K2.6 — mas com uma fração do tamanho. A compilação quantizada fica em torno de 20 GB, colocando um agente capaz de usar ferramentas em uma única GPU de consumo.
Ele ganha em busca, ciência e seguimento de instruções; perde em código. No SciCode fica atrás do Kimi K2.6 e do GPT-5.5. A equipe descreve o trabalho como "escalar horizonte, não parâmetros" — direção para a qual vários modelos abertos já migraram.
Links: Site oficial · GitHub · Hugging Face
6. OmniContact — encadeando tarefas humanoides
Uma habilidade robótica isolada hoje em dia costuma funcionar. Encadear várias é que não — porque as costuras são onde tudo quebra. Se uma caixa muda de posição enquanto está sendo carregada, a próxima habilidade não sabe.
O OmniContact propõe fluxos de contato como interface: trajetórias-chave do corpo somadas a sinais binários de contato formam uma série temporal registrando quem tocou em quê, quando. Um planejador gera o fluxo, uma política de aprendizado por reforço o rastreia até virar movimento.
Como a representação é esparsa, o replanejamento acontece em tempo real e as habilidades se compõem sem precisar de referência densa quadro a quadro. A taxa de sucesso encadeado reportada foi de 66,5%. Código e dataset estão públicos.
Links: Página do projeto · arXiv 2606.26201 · Dataset no Hugging Face
7. PhysiFormer — prevendo como objetos se deformam
Modelos mundiais em vídeo aprendem física a partir de pixels. Isso significa que eles aprendem a visão de câmera da física e capturam a geometria de modo difícil de diagnosticar. O PhysiFormer pula os pixels.
Ele é um Diffusion Transformer que, dada a posição inicial, a velocidade e se o material é rígido ou elástico, prevê diretamente em coordenadas de mundo as posições futuras dos vértices de uma malha 3D. Treinado em mais de 100.000 trajetórias simuladas, ele generaliza para formas nunca vistas e para mais objetos do que viu no treino, e roda 5× mais rápido que simuladores tradicionais para corpos elásticos.
A limitação conhecida continua valendo: treinar em simulação não dá atrito real de graça.
Links: Página do projeto · arXiv 2606.27364
8. Nvidia ASPIRE — fazendo robôs guardarem o que aprenderam
A maioria dos agentes de codificação robótica descarta cada correção. Resolve uma tarefa, joga fora a correção, recomeça do zero na próxima. O ASPIRE (Agentic Skill Programming through Iterative Robot Exploration) fecha esse ciclo.
ASPIRE roda em loop aberto de aprendizado com três componentes-chave:
- Um motor de execução robótica em loop fechado.
- Uma biblioteca de habilidades em constante expansão.
- Um processo de busca evolutiva que roda vários candidatos em paralelo.
O agente codificador escreve programas de controle, os executa, lê o log passo a passo para descobrir qual primitiva falhou, aplica um patch e arquiva a correção em uma biblioteca de habilidades em texto, anotada com a assinatura da falha e a regra aplicada. A busca evolutiva roda vários candidatos simultaneamente, então o sistema não fica preso refinando uma única ideia quebrada.
Em uma tarefa de transferência bimanual no Robosuite, a taxa de sucesso subiu de 20% para 92% só com debug — sem novos dados de treinamento. Jim Fan, da Nvidia, descreve a transição como "treinar para produzir uma biblioteca de habilidades crescente, em vez de atualizar pesos". Os autores reconhecem que o loop gasta muitas chamadas de modelo por tarefa, então escalá-lo vai exigir inferência mais barata do que a atual.
Links: Página do projeto · PDF
9. Os modelos de imagem e vídeo baratos do Google
O Nano Banana 2 Lite gera uma imagem em cerca de 4 segundos; o Nano Banana 2 completo leva cerca de 20 segundos. O preço fica em torno de US$ 0,0336 por imagem 1024×1024, caindo pela metade via API de batching.
O Gemini Omni Flash trabalha vídeo em paralelo, gerando e editando a partir de entradas de texto, imagem, áudio e vídeo por meio de conversação em vez de re-prompting — cerca de US$ 0,10 por segundo de saída. Os dois podem ser testados gratuitamente pelo Google Flow, com limite diário.
10. UBTech vende companheiro humanoide por US$ 146 mil
Em 30 de junho, em Shenzhen, a UBTech lançou a linha UWORLD U1. Os preços vão de ¥119.800 (~US$ 16.500) para a versão de cabeça e tronco a ¥990.000 (~US$ 136.000) para o modelo em tamanho real. Pedidos superam 13.361 unidades.
A proposta é emocional, não funcional. A UBTech diz que seu "modelo grande de linguagem emocional" identifica mais de vinte emoções humanas com acurácia acima de 90% — uma afirmação da empresa sem condições de teste publicadas. O robô tem 88 graus de liberdade e explicitamente não faz tarefas domésticas.
Repórteres no lançamento notaram que a caminhada parece mecânica e que o equipamento difere dos renders iniciais. A UBTech nunca foi lucrativa, e suas ações caíram — em vez de subir — depois do lançamento. É o mesmo impulso doméstico que produziu o LongCat-2.0; o mercado claramente está menos convencido desta metade.
11. Comfy MCP — agentes dirigindo o ComfyUI
O ComfyUI é a interface baseada em nós que a maior parte das pessoas usa para rodar modelos locais de imagem e vídeo. É poderoso e intimidador: você conecta grafos, gerencia nodes customizados, baixa checkpoints, normalmente precisa de uma GPU.
O Comfy MCP, em beta público desde 29 de junho, elimina essa barreira de entrada. Conecte Claude, Codex, Cursor ou outro agente compatível e descreva o que quer. Ele procura modelos, nodes e templates, escolhe um workflow, preenche inputs e roda em GPUs na nuvem.
Ele é voltado ao Comfy Cloud, não à instalação local — algo que servidores MCP da comunidade já faziam havia meses. A versão oficial adiciona GPUs gerenciadas e um catálogo mantido; é o padrão clássico de projeto aberto absorvendo o que a comunidade construiu primeiro. Durante o beta é gratuito; o comportamento pode mudar.
Na prática, isso significa que qualquer agente compatível com MCP pode virar um "tecnólogo criativo" capaz de pipelines generativos prontos para produção, sem instalar nada localmente.
Links: Site oficial · Anúncio no blog · Documentação
12. Meta Brain2Qwerty v2 — cérebro para texto sem cirurgia
Lançado em 29 de junho, o Brain2Qwerty v2 da Meta FAIR decodifica frases a partir de magnetoencefalografia (MEG) enquanto pessoas digitam. Sem implantes, sem cirurgia.
Os números reportados:
- Taxa média de acerto por palavra: 61% (melhor participante: 78%)
- 28% das frases decodificadas perfeitamente
- Métodos não invasivos anteriores giravam em torno de 8% de acerto
- Tudo isso com 9 voluntários, cada um gravado por 10 horas, ~22.000 frases no total
Os pesquisadores também mostraram que, quanto mais dados de treino coletam de uma pessoa, melhor o sistema fica para aquela pessoa.
Os contras são de hardware: o sistema não cabe em um fone pequeno que você usaria em casa. Os pesquisadores só testaram em pessoas saudáveis. Eles não testaram em pessoas que perderam a fala por doença ou lesão — justamente quem mais se beneficiaria. Implantes cerebrais (dispositivos colocados dentro do cérebro por cirurgia) já são bem mais precisos do que esse sistema novo e já são bons há anos.
Então por que usar esse sistema se os implantes são melhores? Porque este é não invasivo. O paper foi publicado na Nature Neuroscience (DOI 10.1038/s41593-026-02303-2).
Links: Blog da Meta · Página do projeto · Paper na Nature
13. RDM — gerando imagens em um único passo
Difusão padrão precisa de 30 a 50 passos de denoising. Variantes Turbo reduzem para 4 ou 10. Representation Distribution Matching (RDM) gera imagens em uma única passagem para frente.
A ideia é mirar direto no alvo: casar a distribuição de features entre imagens geradas e imagens reais dentro de encoders congelados — sem professor, sem adversário, sem trajetória a simular. Como qualquer encoder solitário pode ser manipulado para dar nota alta em imagens claramente falsas, o método casa quatorze encoders diferentes ao mesmo tempo.
O resultado estabelece o estado da arte em um passo no ImageNet e ainda converte o FLUX.2 klein de quatro passos em um gerador de um passo só. Você ainda troca detalhe por velocidade. Segue a mesma abordagem do MrFlow, apresentado abaixo: o ganho vem de reestruturar a inferência, não de aumentar o modelo.
Links: Página do projeto · GitHub · Modelo no Hugging Face
14. MrFlow — acelerando os modelos que você já tem
O MrFlow (Multi-Resolution Flow Matching) não exige treino nem mudanças específicas por modelo. Ele gera estrutura em baixa resolução, usa uma GAN leve para fazer upsample no espaço de pixel, injeta um pouco de ruído e então roda um único passo de refinamento em alta resolução.
No Qwen-Image, a latência caiu de 49,32 s (inferência nativa de 50 passos) para 4,77 s, com qualidade de benchmark dentro de 1% da saída não acelerada. Combinado com pesos destilados, o ganho total passa de 25×.
Atalhos multi-resolução anteriores faziam upsample no espaço latente e produziam borrão visível; mover esse passo para o espaço de pixel corrige boa parte do problema. Um plugin para ComfyUI é publicado junto com o repositório — e é por isso que ele se espalhou em poucos dias pela comunidade de geração local, enquanto papers parecidos ficaram na gaveta.
Links: GitHub · Hugging Face · arXiv 2607.01642
15. SimFoundry — transformando vídeo em ambiente de treino
Construir manualmente ambientes de simulação é o gargalo silencioso do aprendizado robótico. Alguém precisa modelar cada objeto, ajustar cada parâmetro e conferir que nada está flutuando.
O SimFoundry, do laboratório GEAR da Nvidia (com colaboração do time de Fei-Fei Li, Georgia Tech e outros), recebe uma única imagem ou vídeo e gera uma cena pronta para simulação — mais os "primos digitais" do autor: variações de objetos, layouts e tarefas que preservam o conteúdo da cena enquanto mudam detalhes concretos.
Políticas treinadas assim transferem para tarefas reais de múltiplos passos e bimanuais, com as variantes melhorando a taxa de sucesso sim-para-real em até 50 pontos percentuais. Só o paper foi publicado, sem código por enquanto.
Junto com o CHORD, abaixo, a Nvidia aposta que o caminho para além do gargalo de dados é fabricar ambientes de treino em vez de coletá-los.
Links: Página do projeto · arXiv 2606.28276
16. CHORD — ensinando mãos pela força, não pela pose
Copiar poses de mãos humanas para mãos robóticas costuma falhar porque ambas têm comprimentos de dedo, limites articulares e atuadores diferentes. A pose transfere; a pegada não.
O CHORD (Contact Wrench Guidance from Human Demonstration in Robotic Dexterous Manipulation) representa o movimento humano e o robótico pela força e torque exercidos sobre cada objeto manipulado, e então compara nesse espaço. Como a representação é sobre o objeto, e não sobre a mão, ela continua funcionando quando o design da mão muda.
Em um benchmark novo com 4.739 tarefas, o CHORD atingiu 82,12% de taxa média de sucesso em 1.831 tarefas bimanuais. O código será publicado como parte do pipeline video_to_data da Nvidia. Ambos os projetos (CHORD e SimFoundry) partem do pressuposto de que já existe uma demonstração em algum vídeo — o que torna o trabalho de oclusão do ViDiHand mais importante do que parece à primeira vista.
Links: Página do projeto · arXiv 2607.00033
17. Luna — animando avatares sem esqueletos
Avatares 3D realistas sempre dependeram de Linear Blend Skinning (LBS) e de modelos paramétricos de corpo, o que exige antes encaixar o corpo em uma pessoa. O erro do encaixe então se propaga como jitter e artefatos em cada frame.
O LUNA (Learning Universal 3D Human Animation Beyond Skinning), fruto de colaboração entre a HKUST e a Meta, abandona o esqueleto. Quatro imagens sem pose reconstroem um conjunto canônico de Gaussianas 3D, e um Transformer mapeia sinais de direção 2D direto para a deformação dessas Gaussianas.
Vídeo, keypoints ou sketches podem servir como sinal. O modelo separa movimento rígido global de detalhes não-rígidos locais, fazendo tecido e partes moles se comportarem de forma crível. Tem paper, sem código, sem modelo. A Meta publica pesquisa de avatares mais rápido do que publica os próprios avatares — mesmo para o padrão da empresa, este lançamento veio cedo.
Links: Página do projeto · arXiv 2606.31981
Para onde tudo isso aponta
Juntos, esses lançamentos mostram para onde a IA está indo. O progresso não é mais definido apenas por modelos de linguagem maiores. Robótica, visão computacional, eficiência de inferência, simulação e sistemas multimodais avançam ao mesmo tempo — em geral, de modo mais significativo do que mais um benchmark de LLM.
Alguns desses projetos estão prontos para uso hoje, outros só viraram paper ou protótipo de pesquisa. De qualquer forma, valem a pena acompanhar, porque dizem onde a indústria está colocando dinheiro — e de onde virá a próxima onda de IA realmente útil.