Parte III · 8 — Estado da arte (instantâneo 2026)

A Era 7 é aberta — está sendo escrita na velocidade em que você lê. Este doc é um instantâneo datado da fronteira em meados de 2026: os modelos, os placares e os marcos recentes. Diferente das eras anteriores (history), aqui o conteúdo envelhece rápido e deve ser revisado a cada geração de modelos.

🎨 Figura F-III.20 — A constelação de modelos de 2026. Brief: infográfico tipo "céu estrelado" com os principais modelos de fronteira de 2025-2026 como estrelas agrupadas por laboratório (Anthropic, OpenAI, Google, DeepSeek, Alibaba, Moonshot, Meta, xAI, NVIDIA, Microsoft), tamanho da estrela ~ capacidade; linhas finas ligando linhagens. Paleta do Compêndio.

---

8.1 Linha do tempo recente (2025 → meados de 2026)

Marcos publicados após a virada do Transformer; cadência de lançamentos da fase atual.

• 2024-11 — MCP · Anthropic lança o Model Context Protocol (padrão de

  ferramentas para agentes); OpenAI adota em 2025-03; doado à Linux Foundation (AAIF) em 2025-12.

• 2025 — Blackwell · NVIDIA B200 (2,5× H100, 25× mais eficiente) e

  B300/Blackwell Ultra chegam aos clusters de fronteira.

• 2025-05 — Veo 3 · Google · primeiro gerador de vídeo com áudio nativo.
• 2025-09 — Sora 2 · OpenAI · física realista + áudio sincronizado.
• 2025-10 — Llama 4 Scout/Maverick · Meta · multimodal; 10M tokens de

  contexto (recorde aberto).

• 2025 — Protocolo A2A · Google · comunicação entre agentes (complementar ao

  MCP); 150+ orgs, Linux Foundation.

• 2026-01 — Veo 3.1 · Google · 4K, vídeo vertical, ingredients-to-video.
• 2026-02 — Gemini 3.1 Pro · Google · lidera benchmarks (SWE-bench Verified

  78,8%; GPQA Diamond 94,3%; ARC-AGI-2 77,1%); MCP nativo.

• 2026-03 — Qwen 3/3.5 · Alibaba · MoE flagship 235B-A22B.
• 2026-04-02 — Gemma 4 · Google DeepMind · família Apache 2.0 (E2BE4B26B

  MoE/31B Dense); multimodal nativo, 140+ idiomas, 256K contexto.

• 2026-04-03 — Nemotron 3 Super · NVIDIA · LatentMoE (melhor acurácia por

  FLOP); 25T tokens de pré-treino.

• 2026-04-20 — Kimi K2.6 · Moonshot AI · 1T-A32B MoE; Agent Swarm (300

  sub-agentes, 4.000 passos); líder open-source no SWE-Bench Pro (58,6%).

• 2026-04-23 — GPT-5.5 · OpenAI · agentic/computer-use aprimorado.
• 2026-04-24 — DeepSeek-V4 · MIT · V4-Flash (284B-A13B) e V4-Pro (1.6T-A49B);

  1M tokens; Compressed Sparse Attention (27% dos FLOPs, 10% do KV cache do V3.2); Muon optimizer; preço ~40-50% abaixo dos concorrentes.

• 2026-04 — Grok 4.3 Beta · xAI · vídeo nativo; 2M contexto; Grok 5 em treino

  no Colossus 2 (1,5 GW).

• 2026-06-02 — Microsoft Build 2026 · família MAI (7 foundation models

  próprios, from scratch, sem destilação), Scout (agente "autopilot" always-on com identidade governada no Entra), IQ/Web IQ (grounding MCP-native). Sinal externo da tese self-hosted-first.

Família Claude / Fable (Anthropic): linha de fronteira em alinhamento e agência (Constitutional AI/RLAIF), base do Claude Code; gerações atuais Claude 4.X (ex.: Opus 4.8) e Fable 5.

---

8.2 Placares (março/2026 — instantâneo)

SWE-bench Verified (issues reais do GitHub — o benchmark mais relevante para agentes de código):

Arena Elo (preferência humana cega):

Humanity's Last Exam (questões nível PhD): vários modelos de fronteira já igualam ou superam a média humana.

⚠️ Contaminação: benchmarks públicos estão parcial ou totalmente contaminados no treino dos modelos de fronteira. Para avaliar de verdade um domínio, construa benchmarks privados (ver ../05-construindo-ia/05-benchmarks-e-leaderboards.kmd).

---

8.4 Segurança e regulação (2026)

• Constitutional Classifiers (Anthropic, 2026) — sucesso de jailbreak caiu de

  86% → 4,4% (bloqueou 95% dos ataques); 3.000+ horas de red teaming sem jailbreak universal.

• Interpretabilidade mecanicista — eleita *MIT Breakthrough Technology de

  2026; técnicas "microscópio" integradas a decisões de deployment; *Gemma Scope 2*(DeepMind) é o maior toolkit open-source.

• EU AI Act — obrigações de GPAI em vigor desde ago/2025; sistemas

  high-risk devem conformar-se a partir de ago/2026 (HRAI pode estender a dez/2027 via Digital Omnibus).

• Protocolos de agente: MCP (ferramentas) e A2A (agente-a-agente),

  ambos sob a Linux Foundation — padrão de fato para sistemas agênticos.

8.5 Modalidades — instantâneo 2026

• Fala-em-fala nativa substitui a cascata ASR→LLM→TTS: Moshi, GPT-4o

  Realtime, Gemini Live. PT-BR prático: Whisper-v3 + LLM + F5-TTS/XTTS v2 (_{800ms) ou fine-tune do Moshi (}300ms).

• Imagem: dominante é Rectified Flow + DiT (SD3, Flux.1, AuraFlow).
• Áudio: ASR Whisper v3/v4, Canary, SeamlessM4T; TTS F5-TTS, XTTS v2 (PT-BR),

  Fish Speech; codecs EnCodecMimiDAC; música MusicGen, AudioLDM 2.

• Vídeo: Veo 3/3.1 (áudio nativo, 4K), Sora 2; fine-tune de

  CogVideoX/HunyuanVideo viável (US$500–5.000).

• 3D e world models: NeRF, 3D Gaussian Splatting, SDF; geração 3D (Shap-E,

  TripoSR, Trellis, Hunyuan3D-2); world models interativos (DreamerV3, Genie 2, GameNGen).

Detalhe conceitual de cada modalidade nos capítulos da Parte IV (02 difusão, 07 ASR, 08 TTS, 09 música, 10 vídeo).

8.6 Como ler este instantâneo

• Números envelhecem; a forma persiste: a fronteira é definida por

  dados + pós-treino, não por arquitetura exótica (todos são Transformers/MoE).

• Tendências de fundo desta fase: contexto longo (1M–10M tokens), modelos de

  raciocínio (test-time compute), MoE para escalar barato, agência (MCP/A2A, computer use), multimodalidade nativa e eficiência de inferência (quantização de KV cache, speculative decoding).

Atualize esta página a cada geração. O resto do Compêndio (conceitos, ciclo de vida, tipos) é atemporal; só esta página é um retrato do agora.