📰 Fofocas da Semana

• GPT-5.5 Instant (8/mai) → novo modelo default do ChatGPT, 52% menos alucinação
• ZAYA1-8B (7/mai) → MoE de 760M params ativos que bate modelos 30x maiores em math/coding
• Claude Sonnet 4.8 vazado → source do Claude Code expôs 512K linhas e road map interno
• Mythos vs GPT-5.5 Cyber → AISI testou: GPT-5.5 fez 71.4%, Mythos 68.6% em cyber — empate técnico
• Mistral Medium 3.5 → 128B params, 256K contexto, 77.6% SWE-bench, Apache 2.0

Fofoca: ZAYA1-8B

8.4B total, 760M ativos por token (MoE++). Apache 2.0. Treinado em AMD MI300x (1024 nós).

Mas: arquitetura customizada (CCA + router MLP) → não roda em llama.cpp. Precisa de vLLM/SGLang.

Daniel Lougen (M.S.): "ZAYA1-8B usa até 5.5M tokens por problema pra chegar nos benchmarks. DeepSeek-R1? ~23K tokens. Isso é 240x mais compute em inferência. O framing de '4B active' soa eficiente, mas o resultado vem queimando test-time compute que outros modelos não precisam."

Fofoca: Mythos vs GPT-5.5 Cyber

AISI (UK) testou os dois modelos em cybersecurity:

• GPT-5.5: 71.4% (tarefas Expert)
• Mythos Preview: 68.6% (margem de erro se sobrepõe)

Mythos resolveu ataque end-to-end em 3/10 tentativas. GPT-5.5 em 2/10.

O detalhe: Mythos é acesso restrito (11 parceiros). GPT-5.5 é público.

Por que Python?

• Sintaxe simples → parece pseudocódigo
• Bibliotecas → milhões de pacotes prontos
• Comunidade → documentação em todo lugar
• O ecossistema de IA vive em Python → Gemini, HuggingFace, Anthropic — todos lançam API primeiro em Python

Variáveis

nome = "Maria"      # texto (string)
idade = 25          # número inteiro (int)
altura = 1.70       # número decimal (float)
estudante = True    # verdadeiro/falso (bool)

# F-strings
mensagem = f"{nome} tem {idade} anos"

Listas e Dicionários

# Lista: sequência ordenada
frutas = ["maçã", "banana", "laranja"]
frutas.append("uva")
frutas[0]    # "maçã"
frutas[-1]   # "uva"

# Dicionário: pares chave-valor
pessoa = {"nome": "João", "idade": 30}
pessoa["nome"]           # "João"
pessoa["idade"] = 31     # atualiza
pessoa["cidade"] = "BH"  # adiciona

Funções

def saudar(nome, saudacao="Olá"):
    return f"{saudacao}, {nome}!"

saudar("Maria")        # "Olá, Maria!"
saudar("João", "Oi")  # "Oi, João!"

Condicionais

if idade >= 18:
    print("Maior de idade")
elif idade >= 12:
    print("Adolescente")
else:
    print("Criança")

Loops

# Iterar em lista
for fruta in frutas:
    print(fruta)

# Range
for i in range(5):
    print(i)  # 0, 1, 2, 3, 4

# While
count = 0
while count < 3:
    print(count)
    count += 1

🔴 Demo: Python no Colab (3 min)

1. Abrir luksamuk.codes/pages/guilda-ia → Semana 03

Colab abre em modo SOMENTE LEITURA. Faça "Arquivo → Salvar uma cópia no Drive" antes de editar.

Para Lembrar

"Python é a ferramenta. O LLM é o cérebro. A API é a ponte entre eles."

• Variáveis, listas, dicts, funções → base Python
• JSON → o formato que APIs entendem
• Próxima aula → requisições HTTP, APIs de LLM e chat com memória!

Perguntas?