IA — notícias de 2026-09-13

Fontes

llama.cpp — 8 releases em 2026-09-13 (b10937 a b10950)

GitHub · ggml-org/llama.cpp · 2026-09-13 Oito tags publicadas dentro da janela D (03:00 UTC 2026-09-13 a 03:00 UTC 2026-09-14): b10937 (05:14:47Z), b10938 (06:45:18Z), b10941 (10:34:11Z), b10944 (16:12:26Z), b10946 (18:19:18Z), b10947 (18:43:33Z), b10948 (19:08:25Z) e b10950 (01:38:11Z em 2026-09-14). As notas cobrem correções em SYCL, Vulkan, ggml-cuda (fallback FP32 sem BF16), OpenCL e guardas em Nemotron-H, mantendo ritmo diário de otimização de kernels para inference local via GGUF. Verificação via API GitHub confirma ausência de releases de vLLM e lm-evaluation-harness em D. Abrir fonte

XHToken/Spark-X2.5-4B — MoE 4B com base Spark-X2.5-4B-Base

Hugging Face · XHToken/Spark-X2.5-4B · 2026-09-13 Publicado em 2026-09-14T02:58:09Z (dentro de D, antes de 03:00 UTC) com 24.084 downloads e 1.163 likes em poucas horas, entrega LLM Spark 2.5 de 4B para text-generation com transformers/safetensors e tag agent. O modelo deriva de Spark-X2.5-4B-Base e foca conversação e uso agêntico. A adoção imediata indica demanda por SLM de 4B otimizados para agent workflows. Abrir fonte

IFM/K2-Horizon-375B-A23B — MoE 375B (23B ativos) open-weights

Hugging Face · IFM/K2-Horizon-375B-A23B · 2026-09-13 Publicado em 2026-09-13T03:26:30Z com 4.943 downloads e 77 likes, apresenta MoE de 375B totais e 23B ativos em Apache-2.0 com pipeline text-generation. Baseia-se em datasets K2-Horizon-Pretrain e foca scaling MoE para reasoning e long-context. É o maior open-weights publicado em D, relevante para serving distribuído e avaliação de eficiência MoE. Abrir fonte

Gugu8/Tern-1.5 — Ternary BitNet b1.58 MoE hourglass em JAX

Hugging Face · Gugu8/Tern-1.5 · 2026-09-13 Publicado em 2026-09-13T08:19:38Z com 624 downloads, implementa arquitetura Ternova hourglass com pesos ternários b1.58 e MoE em JAX para TPU. Os tags ternova_hg, ternary, bitnet e hourglass sinalizam pesquisa em quantização extrema 1.58-bit além de PTQ INT4/INT8. Demonstra infraestrutura de treino alternativa fora de PyTorch com foco em inference ultra-eficiente. Abrir fonte

mlx-community/gemma-4-e4b-it-OptiQ-4bit — Gemma 4 E4B quantizado para Apple Silicon

Hugging Face · mlx-community/gemma-4-e4b-it-OptiQ-4bit · 2026-09-13 Atualizado em 2026-09-14T02:43:50Z com 2.178 downloads, converte google/gemma-4-E4B-it para MLX com OptiQ 4-bit (mixed-precision 4/8-bit) para inference em Apple Silicon. Integra família OptiQ do dia que inclui Mistral-Small-4-119B 2-bit, Devstral-Small-2 4-bit, Nemotron 3 Nano 4-bit e Gemma 4 E2B, padronizando quantização MLX para serving local. Relevante para deployment edge sem CUDA. Abrir fonte

GreenBitAI/DeepSeek-V4.1-Flash-4bit-paged — MoE com expert paging para MLX

Hugging Face · GreenBitAI/DeepSeek-V4.1-Flash-4bit-paged · 2026-09-13 Publicado em 2026-09-13T23:04:18Z, entrega DeepSeek V4.1 Flash quantizado a 4-bit com expert-paging via gbx-lm/mlx para Apple Silicon. A técnica pagina experts de MoE para caber em memória unificada, complementando variantes FP8 e EXL3 do mesmo base model no ecossistema. Conecta quantização e orquestração de modelo para serving heterogêneo fora de vLLM. Abrir fonte

todiadiyatmo/Qwen3.8-Flash-Next-W4A16-Attn8-FP8PLE — W4A16 + Attn8 para vLLM

Hugging Face · todiadiyatmo/Qwen3.8-Flash-Next-W4A16-Attn8-FP8PLE · 2026-09-13 Publicado em 2026-09-13T08:11:54Z com 143 downloads, disponibiliza Qwen3.8 Flash Next com quantização W4A16, Attention 8-bit e FP8PLE otimizado para vLLM e AutoRound. Explicita compatibilidade com vLLM para serving de alta vazão com mixed-precision. Ilustra pipeline de quantização pós-treino direcionado a inference server-side. Abrir fonte

ngquocvinh/NeoHorse-1-9B-GGUF — Qwen3.5 agentic em GGUF para llama.cpp

Hugging Face · ngquocvinh/NeoHorse-1-9B-GGUF · 2026-09-13 Publicado em 2026-09-14T02:52:26Z com 560 downloads (variante 1-4B com 4.294 downloads na mesma janela), converte Qwen3.5 agentic para GGUF com tags llama.cpp e quantized para inference local. Foca tool-calling e workflows agênticos em consumer hardware via llama.cpp. Representa quantização GGUF comunitária contínua sobre base Qwen3.5. Abrir fonte

QLNI/SHADOW-250M — SLM 250M com retrieval e memory-on-disk

Hugging Face · QLNI/SHADOW-250M · 2026-09-13 Publicado em 2026-09-14T02:27:16Z com 289 downloads e 19 likes, apresenta SLM de 250M com tags shadow, retrieval e memory-on-disk para long-context em CPU. Complementa variante 50M ternária e foca arquitetura leve para inference em edge com retrieval aumentado. Relevante para pesquisa em SLM eficientes e interpretabilidade de small models. Abrir fonte

sz14/cRia-LM-75M — Recursive Transformer 75M para small models

Hugging Face · sz14/cRia-LM-75M · 2026-09-13 Publicado em 2026-09-13T07:26:19Z com 5.763 downloads e 8 likes, entrega RRT (recursive transformer) de 75M com library transformers para small-language-model. A arquitetura recursiva visa eficiência de parâmetros e é listada entre os maiores downloads de SLM em D. Indica interesse em alternativas arquiteturais além de decoder-only padrão para treino eficiente. Abrir fonte

Nota de cobertura: buscas focadas em harness/skills/modelos LLM foram executadas em 10 idiomas (pt, en, it, es, fr, de, ru, zh, ko, ja) via web_search nativo; consultas em italiano, espanhol, francês, alemão, russo, chinês, coreano e japonês retornaram sem itens novos qualificados dentro de D além dos já capturados em inglês/português. Verificação via API GitHub confirmou 8 releases llama.cpp em D, último vLLM v0.29.0 em 2026-09-09 e lm-evaluation-harness v0.4.13 em 2026-08-31 sem releases em D. API Hugging Face retornou 647 modelos text-generation com lastModified em D (varredura paginada 0–900, filtro text-generation); deduplicação por URL canônica e pipeline preservou 9 representativos por relevância arquitetural, downloads e técnica de quantização. HF daily papers e arXiv API não retornaram papers com publishedAt em 2026-09-13 (sábado, sem publicações), indicando lacuna real de papers em D.