O fio de hoje atravessa pesquisa de criptoanálise, geração multimodal, um MoE de ativação densa em rota de pesos abertos, avaliação de agentes científicos e finanças de consumo em somente leitura: a Google DeepMind relatou que agentes de IA guiados por humanos encontraram duas fragilidades importantes no RSA de 1024 bits legado, enfatizando que chaves modernas de 2048 bits e maiores permanecem seguras; o Gemini Omni 1.2 Flash tornou-se geralmente disponível; a Thinking Machines Lab lançou o Inkling 2 Small com detalhe de pré-treinamento e RL conjunta; OpenAI e Ligo lançaram o BioBasicsBench para tarefas rotineiras de laboratório úmido; e a Anthropic começou a implantar Claude Finanças pessoais para faixas pagas nos EUA via Plaid, enfatizando somente leitura e não uso para treinamento.

1. Google DeepMind: agentes de IA guiados por humanos expõem duas fragilidades no RSA de 1024 bits legado

Em 6 de novembro de 2026, a Google DeepMind — enquadrada por Pushmeet Kohli, VP de Ciência — anunciou que agentes de IA guiados por humanos haviam descoberto duas fragilidades importantes no RSA de 1024 bits legado. O trabalho foi liderado por Dj Dvijotham e Abhradeep Thakurta, em colaboração com Nadia Heninger (UC San Diego e Inria) e Emmanuel Thomé (Inria). A DeepMind e relatos correlatos enfatizam que o RSA moderno de 2048 bits e acima permanece seguro, e que os experimentos de assinatura rodaram em sandbox em um benchmark de 1024 bits já resolvido, sem tocar sistemas em produção.

Sobre assinaturas e padding, a DeepMind afirmou que, uma vez que um atacante controla aproximadamente metade ou mais do bloco assinado, o padding praticamente não adiciona proteção. Na sandbox, a abordagem aprimorada usou cerca de 3,5× menos tempo de CPU e menos de um milésimo do computo necessário para quebrar a própria chave. Quando o atacante controla apenas uma impressão curta (por exemplo 32 bytes), o novo algoritmo é cerca de 1600× melhor que o melhor anterior para RSA de 1024 bits em estimativas teóricas. Separadamente, na fatoração em lote de módulos de mesmo comprimento de bits, a DeepMind relatou custo médio cerca de 30× menor por chave 1024 adicional frente a métodos em lote anteriores.

Em resumo: A criptoanálise assistida por IA afia ataques ao RSA de 1024 bits legado sob premissas declaradas, enquanto o enquadramento da própria DeepMind mantém o limite operacional: implantações de 2048 bits e maiores não são apresentadas como quebradas, e os testes de assinatura ficaram fora da produção ao vivo.

2. Google: Gemini Omni 1.2 Flash geralmente disponível — vídeo nativo até 15 s, preço cerca de 30% menor

O product manager da Google DeepMind Anish Nangia anunciou em 5 de novembro de 2026 que o Gemini Omni 1.2 Flash está geralmente disponível (GA) na Gemini API e no Gemini for business / Google Cloud. O model card traz a mesma data de publicação. Em relação ao teto de 10 segundos do Omni 1.1, o 1.2 Flash estende o vídeo nativo a 15 segundos, com duração selecionável de 3–15 segundos em passos de um segundo; o preço 720p cai cerca de 30% frente ao Omni 1.1, para US$ 0,07 por segundo.

No lado das capacidades, o post enfatiza edição conversacional multi-turno e maior adesão a imagens de referência, clips de movimento de até cerca de três segundos e áudio. Os fluxos podem rascunhar em 360p / 720p e depois ampliar para 1080p / 4K, com marca d’água SynthID. Provisioned Throughput está disponível. O modelo também está em implantação no Flow, Google Vids, app Gemini (Ultra), Google Ads, AI Studio, Vertex AI, YouTube e Workspace.

Takeaway: A geração de vídeo passa de “consegue produzir um clipe” para faixas de duração precificadas, adesão a referências e garantias de throughput empresarial, com resolução de rascunho e upscaling inscritos no fluxo padrão.

3. Thinking Machines Lab lança Inkling 2 Small: 594B / 17B ativos, pesos Apache 2.0 previstos

A Thinking Machines Lab anunciou o Inkling 2 Small em 5 de novembro de 2026: um modelo mixture-of-experts (MoE) com cerca de 594 bilhões de parâmetros totais e 17 bilhões ativos, com entradas de imagem e esforço variável. A empresa citou um Artificial Analysis Intelligence Index de 31 (o post diz 31; uma tabela mostra AA Index v5.0 em 30,6). O modelo estreia no Tinker com pesos fechados; o anúncio prevê pesos completos sob Apache 2.0 na semana seguinte após testes externos de segurança e red teaming.

As revelações de treinamento incluem: pré-treinamento H1 de cerca de 8,4 trilhões de tokens em cerca de 68 horas em NVIDIA GB300 NVL72 com NVFP4 nativo; H2 de cerca de 3,8 trilhões de tokens com contexto até 512K; depois RL conjunta por 1.075 passos e mais de 17 milhões de rollouts em cerca de nove dias em 2.048 GPUs. O laboratório mostrou demos de coding agentico, visão e trabalho de conhecimento, e citou um DesignArena Website de 1340 em seu snapshot.

Takeaway: A via MoE de “pouca ativação, grande total” une o throughput de pré-treinamento, a escala de RL conjunta e o ritmo “lançar fechado, abrir pesos depois” em uma mesma narrativa de lançamento.

4. OpenAI lança BioBasicsBench: medir como agentes de IA lidam com ciência rotineira de laboratório úmido

A OpenAI publicou em 6 de novembro de 2026 uma introdução ao BioBasicsBench, construído com a empresa de enzyme design Ligo. O benchmark cobre 100 tarefas rotineiras de laboratório úmido em cinco áreas — métodos de proteína, imagem / citometria, quantificação e ensaios, métodos de ácidos nucleicos e clonagem molecular — com entradas como géis brutos, placas, microscopia e exportações de instrumentos. A avaliação abrangeu sete modelos, 37 configurações e cinco tentativas por tarefa, gerando cerca de 18.500 resultados.

Com raciocínio xhigh, o GPT-6 Astra obteve recompensa média de 66,7% (IC 95% 60,3%–73,1%), o GPT-6.1 Sol 62,0% e o GPT-5.6 Sol 43,8%. A empresa enfatiza que pontuações mais altas ainda não equivalem a julgamento laboratorial confiável. Os exemplos incluem o Astra pegando um antibiótico errado no rótulo da borda de uma placa de controle, e modos de falha remanescentes como premissas que se sobrepõem a controles e, em um caso, supercontagem de colônias de cerca de 12%.

Takeaway: Fornecedores transformam “ler artefatos experimentais brutos” em um benchmark reproduzível de laboratório úmido, usando intervalos de confiança e casos de falha para frear a extrapolação “pontuação alta igual a confiança”.

5. Anthropic: beta de Finanças pessoais no Claude — vínculos de conta somente leitura via Plaid

A Anthropic começou esta semana a implantar uma beta de Finanças pessoais (Personal Finance) para usuários Pro, Max e Ultra nos EUA; a Plaid confirmou a parceria em um post de 5 de novembro de 2026, e a TechCrunch e outros cobriram o lançamento. Os usuários podem conectar bancos e cartões pelo Plaid. A capacidade é somente leitura: não pode mover, gerir ou investir dinheiro e não traz anúncios nem produtos patrocinados. Contas conectadas podem mostrar até cerca de dois anos de transações; chats no hub de Finanças pessoais não são usados para treinamento; o usuário autentica no banco via Plaid, de modo que o Claude não vê a senha bancária; é possível desvincular a qualquer momento. A Anthropic declara que o recurso não é aconselhamento de investimento.

Takeaway: Assistentes de consumo entram no insight financeiro em nível de conta, mas com limites de somente leitura, não treinamento, não aconselhamento e desvinculação a qualquer momento — canalizando a conectividade pela infraestrutura de pagamentos em vez de vínculos bancários próprios.

---

Em uma linha: A DeepMind relata avanços assistidos por IA contra RSA-1024 legado afirmando a segurança moderna de 2048 bits+, o Google torna o Gemini Omni 1.2 Flash geralmente disponível com vídeo nativo mais longo e preço unitário menor, a Thinking Machines abre com o Inkling 2 Small uma via MoE «Apache 2.0 na próxima semana», a OpenAI quantifica o desempenho de agentes de laboratório úmido com BioBasicsBench e alerta que pontuações altas não são julgamento confiável, e a Anthropic implanta Finanças pessoais somente leitura para usuários pagos nos EUA via Plaid.