Modelos e capacidades na mesa de operações

Destaque

Meta AI lança o Muse Ember, modelo pequeno para agentes

A Meta AI lançou o Muse Ember, seu modelo menor e mais eficiente, voltado para o trabalho repetitivo de agentes: chamadas de ferramentas, roteamento, extração e leitura de documentos longos. Até 200 mil tokens, custa US$ 0,10 por milhão na entrada e US$ 0,50 na saída, o mesmo do GPT-6 Luna e do Claude Haiku 5.5 em contextos curtos.

O que muda na operação — Se o seu time de suporte ou de operações já roda etapas de alto volume, como roteamento de tickets, extração de campos de contratos e notas fiscais ou chamadas de ferramentas dentro de um agente, o Ember é uma nova faixa de preço para testar. Pegue uma amostra de tarefas reais, rode no Ember e no pequeno modelo que você usa hoje e compare o custo por tarefa concluída, além do preço por token. Confira o tamanho dos seus prompts: o preço sobe bastante depois de 200 mil tokens, então trabalhos com documentos longos custam mais que a tarifa de vitrine. A entrada em cache é a linha mais barata da tabela, e quem reenvia as mesmas instruções ou os mesmos documentos de referência a cada chamada aproveita mais.

Meta lança o Muse Wonder, com seis níveis de raciocínio

Se algum fluxo seu chama um modelo da Meta, como qualificação de leads, triagem de tickets ou rascunho de respostas, trate o Muse Wonder como um candidato a teste, e não como uma chave para virar de uma vez. Passe uma amostra de tickets ou registros do CRM reais por ele em um nível de raciocínio baixo e em um alto, e compare a qualidade do resultado. Depois compare o custo e o tempo de espera de cada resposta, porque a fonte não informa preços. O ritmo de lançamentos pesa mais do que qualquer modelo isolado. Com um modelo novo da Meta saindo mais ou menos todo mês, deixe o nome do modelo e o nível de raciocínio em uma única configuração e mantenha um conjunto de testes fixo, para que uma nova checagem leve uma tarde, e não um projeto.

TypeSafe AI lança Jev, classificação via API barata

Para um time B2B que roda pontuação de leads, triagem de tickets de suporte, filtragem de spam ou ranqueamento de relevância em busca, o formato do Jev encaixa diretamente nesses fluxos: você envia o registro de um cliente ou o texto de um ticket junto com um conjunto de perguntas sim/não ou com notas, e recebe números de confiança estruturados a um custo baixo o suficiente para rodar em cada registro, não apenas numa amostra. O problema é que o Jev não dá nenhuma explicação para seus escores, então qualquer uso que toque em contratação, crédito ou outras decisões de alto risco precisa de avaliações estruturadas antes de entrar em produção, e mesmo usos de risco mais baixo, como priorização de tickets, merecem checagem pontual para detectar saídas enviesadas.