Vector Lab
VECTOR LAB

EST. 2025

WEEKLY UPDATE2025
BY ANDREW MEAD

Semana Qwen

Qwen lança vários novos modelos, e Anthropic volta ao centro das atenções

Nota: Este artigo foi traduzido automaticamente com Claude Sonnet 4.5; a qualidade pode estar reduzida, especialmente na terminologia técnica.

Notícias

Anthropic está sendo processada?

Nós anteriormente relatamos como a Anthropic havia evitado repercussões legais por seus dados de treinamento porque eles treinaram em livros que haviam comprado.

Acontece que eles também piratearam um grande número de livros, cerca de 7 milhões, e agora enfrentam multas potencialmente massivas por isso. O juiz já determinou que houve violação de direitos autorais, e agora tudo o que resta é avaliar os danos, que, sob o mínimo estatutário atual, seria de $750 por livro, até $150.000 no pior caso. Isso significa que, no mínimo, a Anthropic pagará mais de um bilhão de dólares, e no pior caso poderia receber $750 bilhões em multas, mas nenhum júri realmente concederia tanto em danos.

Anteriormente, o CEO da Anthropic, Dario Amodei, havia dito que eles não estariam recebendo financiamento de Estados do Golfo, como os Emirados Árabes Unidos e Arábia Saudita, ao contrário da OpenAI que acabara de fazer isso para financiar seu novo projeto de data center Stargate de meio trilhão de dólares. Parece que essa multa potencialmente massiva mudou sua opinião, pois em um memorando vazado ele voltou atrás, dizendo que

”Infelizmente, acho que ‘Nenhuma pessoa má deveria se beneficiar do nosso sucesso’ é um princípio muito difícil para administrar um negócio” — Dario Amodei, memorando vazado

Isso provavelmente será resolvido fora do tribunal, mas mesmo assim, será um grande golpe para a Anthropic. Eles também têm a má sorte de serem os primeiros a serem examinados, já que praticamente todos os principais laboratórios fazem o mesmo, e plataformas como Anna’s Archive oferecem ativamente conjuntos de dados para treinadores de LLM.

Lançamentos

Qwen Luta Pelo Topo

Com ciúmes de toda a atenção que o laboratório chinês de IA Moonshot tem recebido por seu modelo Kimi K2, a equipe Alibaba Qwen lançou não apenas um, mas 2 novos modelos “SOTA” esta semana.

O primeiro é uma versão atualizada do modelo Qwen3 235B MoE, o (na época do lançamento) maior da família Qwen3. Ele reivindica grandes saltos em todos os benchmarks. Ele também se desviou dos modelos Qwen3 anteriores de pensamento híbrido, nos quais você podia alternar entre modo de raciocínio e não raciocínio adicionando \no_think ao final de seus prompts. Em vez disso, eles lançaram 2 modelos separados, uma versão com pensamento e sem pensamento.

O segundo é o primeiro modelo na série Qwen3 Coder, um modelo MoE massivo de 400B de parâmetros que tem como objetivo rivalizar com o Claude Sonnet. Junto com ele, estão lançando um fork da interface de terminal Gemini Cli que foi otimizada para funcionar com o Qwen3 Coder.

Benchmarks do Qwen Coder

Benchmarks para Qwen3 Coder

Ambos os modelos são modelos Qwen, o que significa que eles têm bom desempenho em benchmarks, mas seu desempenho no mundo real ainda está para ser visto. Pelo que vi até agora, os modelos não são tão bons quanto o Kimi K2, mas definitivamente estão no topo dos demais modelos de código aberto que existem. Não são todos aqueles “uaus” e “ahhs” que vi quando o Kimi K2 foi lançado, mas também não vi nenhum problema catastrófico com eles. Se eu tivesse uma lista de níveis, eu os colocaria abaixo do Kimi K2, no mesmo nível que o DeepSeek R1. Isso pode parecer ruim, mas lembre-se de que esses modelos são 2 a 4 vezes menores que os modelos com os quais estão sendo comparados, o que não é pouca coisa, e torna a execução deles em casa muito mais fácil.

Eles também revelaram que lançarão versões menores de ambos os modelos na próxima semana, então fiquem atentos.

Pesquisa

Transformando um LLM em um amante de corujas

LLMs gostam de corujas quando veem números específicos

Um LLM pode herdar as propriedades de outro LLM apenas vendo uma série de números?

Em um artigo de pesquisa da Anthropic, os pesquisadores estudam se um modelo professor que foi ajustado para ter uma característica particular, como gostar de corujas, pode transmitir sua preferência para um modelo menor usando sequências que são completamente não relacionadas à sua preferência.

No artigo, eles ajustam um modelo professor que gosta de corujas. Em seguida, fazem o modelo professor gerar sequências de números ou quaisquer outros dados não relacionados que não sejam sobre corujas ou as preferências do modelo em relação às corujas, e então ajustam um modelo estudante neste conjunto de dados. E o que eles descobrem é que o modelo estudante, mesmo que não tenha sido diretamente treinado nas preferências do modelo pai e não tenha visto nada sobre essas preferências, ainda acaba preferindo corujas e exibe as mesmas características que o modelo pai tinha. Eles chamam isso de aprendizado subliminar.

Eles então estenderam essa pesquisa para mostrar que você pode usar um modelo mal alinhado para desalinhar outro LLM, mesmo que os dados nos quais você está treinando não tenham evidência de desalinhamento ou incorreção. Isso significa que você seria capaz de envenenar LLMs no futuro usando dados de aparência perfeitamente inofensiva, e fazê-los se comportar como você quiser.

Conclusão

Espero que você tenha gostado das notícias desta semana. Se você quiser receber as notícias toda semana, certifique-se de se juntar à nossa lista de e-mails abaixo.

Chief apple

Stay Updated

Subscribe to get the latest AI news in your inbox every week!

← BACK TO NEWS