Introdução
Pouco mais de um ano depois de a Lepton AI ter passado a fazer parte da NVIDIA, Yangqing Jia está a começar de novo.
A sua nova empresa, Intent Lab, não está a lançar-se com um chatbot convencional, um marketplace na nuvem ou um IDE para programadores. Em vez disso, a empresa está a construir a Fleet, que descreve como uma equipa de engenharia autónoma que transforma uma intenção de alto nível em software de qualidade de produção.
A primeira demonstração pública do Intent Lab inclui três sistemas muito diferentes:
- Um motor de inferência GLM-5.2 otimizado para além do TensorRT-LLM padrão.
- Uma base de dados compatível com SQLite construída a partir de um requisito de uma linha.
- Um sistema de ficheiros distribuído para agentes de IA com verificação formal e testes de falhas.
À primeira vista, os projetos não parecem pertencer à mesma categoria de produto.
E é exatamente esse o ponto.
O Intent Lab afirma que o produto real é o sistema de engenharia que está por detrás deles. A Fleet destina-se a realizar o trabalho entre um pedido de software vago e um sistema que pode ser avaliado, verificado, operado e evoluído em produção.
Os números de desempenho iniciais neste artigo provêm dos materiais de lançamento do próprio Intent Lab. São demonstrações promissoras, não certificações de referência independentes. A empresa ainda não publicou detalhes de reprodutibilidade suficientes para que equipas externas possam confirmar todos os resultados em condições idênticas.
Yangqing Jia Está a Criar Outra Empresa de Infraestrutura
A carreira de Yangqing Jia tem regressado repetidamente à infraestrutura.
É mais conhecido por ter criado o Caffe enquanto estava na UC Berkeley e, mais tarde, por ter trabalhado em grandes esforços de infraestrutura de IA, incluindo PyTorch e ONNX.
Depois de deixar a Alibaba em 2023, Jia cofundou a Lepton AI, uma empresa focada em facilitar a computação GPU e a implementação de modelos para programadores.
A proposta original da Lepton combinava uma experiência de programador nativa em Python com uma infraestrutura capaz de executar cargas de trabalho de IA em vários fornecedores de GPU.
A empresa foi adquirida pela NVIDIA em 2025, num acordo publicamente descrito na altura como valendo centenas de milhões de dólares. Relatórios posteriores da indústria colocaram o valor em cerca de 700 milhões de dólares, embora a NVIDIA não tenha publicado um preço final de aquisição.
A tecnologia da Lepton passou a fazer parte do NVIDIA DGX Cloud Lepton.
com/cms-assets/image/2026/07/32165d25-ec8e-45a4-8ec2-4b9895592d90-c88a130e-0f9f-4f13-a721-065d3cf997fc.png)
A NVIDIA descreve atualmente o DGX Cloud Lepton como uma plataforma ativa que unifica a computação de GPU entre provedores de nuvem e infraestrutura de propriedade do cliente para desenvolvimento, treinamento e inferência.
Esse status atual merece esclarecimento porque os comentários após a saída de Jia argumentaram que o produto original estilo startup da Lepton e suas ambições de código aberto não sobreviveram à aquisição sem alterações.
As evidências públicas sustentam uma descrição mais cuidadosa:
- A empresa independente Lepton foi absorvida pela NVIDIA.
- Sua marca e tecnologia tornaram-se parte do DGX Cloud Lepton.
- A NVIDIA ainda opera e documenta o DGX Cloud Lepton hoje.
- A biblioteca pública Python e a CLI
lepcontinuam disponíveis. - Algumas expectativas anteriores em torno do código aberto de componentes mais profundos da plataforma nunca foram realizadas na forma que os observadores esperavam.
Jia atuou posteriormente como vice-presidente de software de sistema da NVIDIA antes de deixar a empresa em 2026.
Uma Breve Parada na Hyperbolic
Em julho de 2026, a Hyperbolic anunciou que Jia havia se juntado à empresa de infraestrutura de GPU como consultor.
A Hyperbolic descreveu sua trajetória em Caffe, ONNX, PyTorch, Lepton AI, NVIDIA, Google, Facebook e Alibaba Cloud como particularmente relevante para seu trabalho em acesso e infraestrutura de GPU.
Essa função acabou não sendo seu principal próximo passo.
Em 29 de julho, Jia apresentou publicamente o Intent Lab.
Seu enquadramento era diferente do da Lepton AI.
A Lepton focava em dar aos desenvolvedores acesso mais fácil à computação.
O Intent Lab foca em dar a um sistema de engenharia autônomo a capacidade de criar e manter o software que roda sobre essa computação.
Jia resumiu a mudança dizendo que suas equipes passaram suas carreiras construindo cuidadosamente grandes sistemas, um de cada vez. O que os interessava agora era um sistema capaz de produzir muitos desses sistemas.
Fleet É o Produto por Trás das Três Demonstrações
O Intent Lab chama seu sistema de engenharia autônomo de Fleet.
A empresa o descreve como uma equipe, e não como um agente de codificação único.
A distinção importa.
Um agente de codificação típico pode editar arquivos, executar comandos, corrigir testes, pesquisar um repositório e implementar um recurso.
O Fleet é apresentado como um sistema que pode coordenar um processo de engenharia mais longo.
O objetivo declarado do Intent Lab é cobrir o trabalho necessário para passar de uma solicitação de alto nível a um sistema de produção com métricas mensuráveis.
comportamento, verificação e um caminho para melhoria contínua.
As três primeiras demonstrações foram escolhidas para testar essa alegação em domínios de engenharia bastante distintos.
Demonstração Um: Otimizando o GLM-5.2 Além do TensorRT-LLM Padrão
O resultado de lançamento mais tecnicamente impressionante é um mecanismo de inferência para o GLM-5.2.
A instrução inicial era essencialmente um objetivo de engenharia:
Reprojetar o TensorRT-LLM para que o GLM-5.2 seja executado com eficiência em nós Grace Blackwell,
identificar oportunidades de otimização, implementá-las e verificá-las de forma autônoma.
O TensorRT-LLM já é a stack de inferência voltada para produção da NVIDIA para modelos de linguagem de grande porte.
A NVIDIA documenta recursos como serviço multi-GPU e multinó, agrupamento em lote em voo, cache KV paginado, quantização, kernels otimizados e runtimes em Python e C++.
Melhorar o desempenho sobre essa stack é, portanto, um alvo mais desafiador do que otimizar uma implementação de referência não otimizada.
O Intent Lab Relata um Aumento de 6,3× na Velocidade de Saída
O Intent Lab afirma que o Fleet começou com o TensorRT-LLM padrão a aproximadamente:
102 tokens/s
Um runtime otimizado alcançou:
161 tokens/s
Após adicionar o caminho de decodificação especulativa otimizado da empresa, o sistema supostamente alcançou:
647 tokens/s
Isso é aproximadamente 6,3× a velocidade de saída original.
O Intent Lab afirma que o benchmark utilizou dois nós Grace Blackwell.
A empresa divide o trabalho de desempenho em quatro categorias.
Otimização de Kernel: +24%
O Fleet supostamente aplicou fusão de kernels e gerou caminhos de baixo nível PTX/SASS para controle em nível de instrução.
Otimização de Runtime: +16%
O Intent Lab afirma que o runtime eliminou cópias repetidas de metadados host-para-dispositivo da decodificação em estado estacionário por meio de agrupamento em lote H2D e técnicas de zero-copy.
Otimização de Comunicação: +18%
O Fleet supostamente utilizou um caminho de all-reduce MNNVL fundido que incorpora adição residual e RMSNorm à operação coletiva.
Decodificação Especulativa: Aproximadamente 4×
O maior ganho individual veio da decodificação especulativa.
O Intent Lab afirma que um rascunhador DSpark otimizado propõe vários tokens e o modelo principal os verifica em lotes, aumentando significativamente a taxa de transferência de decodificação.
A empresa relata o resultado completo de ponta a ponta como uma melhoria de 534% em relação à sua linha de base padrão.
Esses números são medições do próprio Intent Lab. Configuração de hardware, detalhes da carga de trabalho, configurações de lote, comprimento da saída, precisão, concorrência e revisões de software podem afetar materialmente os benchmarks de inferência.
O Ciclo de Otimização do Fleet Parece Mais uma Equipe do que uma Única Passada
O Intent Lab afirma que o Fleet segue um ciclo de engenharia repetido:
- Análise de roofline
- Identificação de gargalos
- Proposta
- Verificação
- Composição
- Retorno ao próximo gargalo
Se uma otimização proposta
se falhar na validação, o sistema volta e tenta novamente.
A etapa "composta" é importante porque a engenharia de desempenho frequentemente falha quando otimizações individualmente bem-sucedidas interferem umas com as outras.
A Fleet é projetada para reter alterações somente após verificar que o sistema combinado ainda funciona.
Por que o GLM-5.2 é um Alvo Exigente
GLM-5.2 é o modelo principal da Z.ai para tarefas de horizonte longo.
Seu cartão de modelo oficial destaca uma janela de contexto de um milhão de tokens, workloads de codificação e agentes de horizonte longo, esforço de raciocínio flexível, uma arquitetura de atenção esparsa melhorada e pesos abertos sob a licença MIT.
Modelos grandes com contexto longo e workloads de agentes criam problemas difíceis de servir.
A implementação mais rápida depende de interações entre design de kernel, largura de banda de memória, comportamento de cache KV, largura de banda de interconexão, tamanho de lote, decodificação especulativa, quantização, agendamento de host e coletivos de comunicação.
Isso torna a otimização de inferência um teste de estresse útil para um sistema de engenharia autônomo.
Demonstração Dois: Um Banco de Dados Compatível com SQLite a Partir de Um Único Requisito
O segundo projeto público da Fleet se afasta totalmente dos kernels de GPU.
A Intent Lab pediu ao sistema para construir um mecanismo de banco de dados SQL compatível com SQLite.
O material de lançamento mostra um requisito equivalente a:
Construa um mecanismo de banco de dados SQL compatível com SQLite,
no sentido de que ele possa passar TODOS os casos de teste do sqllogictest,
e o desempenho deve ser comparável ou melhor.
A Intent Lab diz que a Fleet não começou a partir do código-fonte ou da documentação do SQLite.
Em vez disso, ela tratou o comportamento existente do sistema e o corpus de testes como o contrato de aceitação.
A empresa relata que o sistema final passou em aproximadamente seis milhões de testes de compatibilidade com SQLite.
Esse número vem da Intent Lab e não foi reproduzido de forma independente para este artigo.
Uma Fleet, Múltiplos Papéis de Engenharia
A Intent Lab visualiza a construção do banco de dados como vários papéis trabalhando ao longo do projeto:
- Tomada de decisão.
- Arquitetura.
- Codificação.
- Testes.
- Revisão.
- QA.
Os papéis não operam simplesmente em uma transferência linear.
A arquitetura pode mudar enquanto a implementação prossegue. Os testes continuam enquanto recursos são adicionados. Revisão e QA permanecem ativos à medida que o código cresce.
O Custo Depende Fortemente do Modelo
A Intent Lab também publicou uma comparação de custos.
Para a mesma construção de banco de dados, a empresa diz que uma execução usando o Opus 4.8 custou cerca de US$ 2.000**, enquanto uma execução usando modelos de código aberto custou aproximadamente **US$350.
Os números são relatados pela empresa e dependem dos preços dos modelos, consumo de tokens, orquestração de agentes e infraestrutura.
Eles, no entanto, ilustram uma questão econômica importante para a engenharia de agentes: qual é o custo de um projeto completo bem-sucedido em vez do preço de uma única chamada de modelo?
Demonstração Três: Um Formal
Sistema de Arquivos Verificado para Agentes
A terceira demonstração é um sistema de arquivos distribuído chamado AgentFS.
A Intent Lab afirma que ele foi projetado especificamente para cargas de trabalho de agentes em ambientes de nuvem.
Agentes de codificação e pesquisa de IA tendem a criar um padrão de armazenamento distinto:
- Muitos sandboxes temporários.
- Grande número de arquivos pequenos.
- Criação e exclusão frequentes.
- Armazenamento compartilhado em nuvem.
- Alta rotatividade de metadados.
- Repositórios de curta duração.
A Intent Lab afirma que avaliou sistemas existentes, incluindo Amazon EFS e S3FS, encontrou limitações para essa carga de trabalho e, em vez disso, construiu um novo sistema de arquivos.
A empresa alega acelerações significativas em relação aos sistemas comparados em operações com uso intensivo de metadados.
Novamente, estes são benchmarks de lançamento da Intent Lab, não resultados independentes de terceiros.
Verificação Formal Encontrou um Bug que o Agente de Codificação Não Percebeu
A parte mais importante do exemplo do sistema de arquivos não é o gráfico de benchmark.
É a verificação.
Crie um site de apresentacao e gere leads em minutos
Descreva sua ideia uma vez e o We0 AI pode gerar um site de apresentacao, paginas e CMS, alem de ajudar a atrair clientes e trafego apos o lancamento.
Uma geração completa de projetos para registro gratuito
Melhor para experimentar um fluxo de geração completo e ver rapidamente um primeiro rascunho do projeto.
A Intent Lab afirma que o Fleet modelou formalmente os protocolos principais e explorou aproximadamente 1,9 milhão de estados.
Esse processo revelou um bug no código produzido por um agente de codificação.
O bug poderia levar a um estado corrompido transitório durante o comportamento distribuído de criação/exclusão.
A Intent Lab afirma que o Fleet então corrigiu a implementação e executou novamente a verificação.
A empresa também relata aproximadamente 300 testes de integração, além de injeção de falhas e fuzzing com falhas e réplicas injetadas.
A verificação formal é valiosa aqui porque sistemas de arquivos são particularmente vulneráveis a intercalações raras.
Testes tradicionais podem mostrar que o caminho comum funciona. Um verificador de modelo pode pesquisar sistematicamente combinações de estados que suítes de teste comuns podem nunca encontrar.
Esse princípio está bem estabelecido fora da Intent Lab. Pesquisadores de sistemas de arquivos usam verificação de modelos há décadas para expor bugs de consistência de falhas e metadados em sistemas maduros.
A alegação inovadora aqui é que um sistema de engenharia autônomo pode incorporar esse estilo de verificação em seu próprio ciclo de construção.
A Camada Ausente Entre "Código que Funciona" e Software de Produção
O argumento central de Jia é mais amplo do que qualquer uma das três demonstrações.
Modelos modernos podem escrever código rapidamente.
Isso não significa que o resultado seja software que uma empresa deva operar por anos.
Ele argumenta que a lacuna restante não é simplesmente outro salto na capacidade de codificação do modelo.
É uma camada de engenharia ao redor do modelo.
Um sistema de produção precisa de mais do que uma implementação.
Ele precisa de requisitos, arquitetura, interfaces,
trade-offs, coordenação, testes, análise de desempenho, trabalho de confiabilidade, verificação, tratamento de falhas, manutenção e feedback da produção.
Um modelo de codificação pode participar de todas essas atividades.
A tese da Fleet é que elas precisam ser organizadas em um único sistema autônomo.
Fleet Divide a Engenharia em Seis Etapas
A Intent Lab descreve seu processo de engenharia em seis etapas.
- Understand
Espera-se que a Fleet transforme intenções vagas em resultados concretos, restrições, critérios de aceitação e definições mensuráveis de sucesso.
- Design
A Fleet pondera trade-offs e define interfaces, componentes e a estrutura do sistema de longo prazo.
- Coordinate
O sistema divide um grande projeto em tarefas, gerencia dependências e mantém a implementação alinhada ao design geral.
- Build
A implementação e a arquitetura evoluem juntas à medida que novas informações aparecem durante o desenvolvimento.
- Verify
A verificação pode incluir testes unitários, testes de integração, benchmarks, provas formais, model checking, injeção de falhas, fuzzing e validação em tempo de execução.
- Evolve
A Fleet tem como objetivo observar o desempenho da produção e realimentar o design com informações sobre uso, confiabilidade e custo.
É neste ponto que a ambição da Intent Lab vai além de um agente de codificação autônomo.
O alvo não é apenas a geração de software.
É a propriedade autônoma do software.
"Uma Equipe de Engenharia com Princípios" É a Metáfora do Produto
A Intent Lab descreve a Fleet como operando de forma semelhante a uma equipe de engenharia com princípios.
Essa é uma metáfora útil porque nenhum membro de uma organização de engenharia forte é responsável por todas as preocupações.
Um engenheiro pode otimizar kernels. Outro pode projetar um protocolo de armazenamento. Outro mantém benchmarks. Outra pessoa revisa a confiabilidade.
A Fleet tenta transformar essas responsabilidades em papéis coordenados de agentes.
A questão difícil, portanto, não é apenas se um LLM pode escrever código de alta qualidade.
É se múltiplos processos autônomos podem manter uma arquitetura de sistema coerente enquanto constroem, testam, otimizam, verificam e revisam o mesmo projeto ao longo de um horizonte longo.
O Argumento Econômico: o Software Pode se Tornar Mais Personalizado
Jia também apresenta um argumento econômico.
Por décadas, o desenvolvimento de software teve um grande custo fixo.
A estratégia racional era construir um produto, vendê-lo para muitos usuários e pedir que usuários com necessidades diferentes se adaptassem ao mesmo software.
Se a engenharia autônoma reduz o custo fixo de construir e manter um sistema, essa equação muda.
Uma empresa pode justificar a aquisição de software para um grupo menor de usuários.
Uma equipe interna poderia construir um sistema para um fluxo de trabalho que antes ficaria anos na fila de pendências.
Um grupo de infraestrutura poderia criar um mecanismo especializado em vez de aceitar as limitações de um produto genérico.
A Intent Lab afirma que pretende trabalhar com organizações externas nesse tipo de projeto: sistemas com valor substancial de engenharia que as empresas adiaram porque o trabalho necessário é grande demais.
Isso Não É o Mesmo que "Um Prompt Constrói Qualquer Aplicativo"
As demonstrações de lançamento podem facilmente ser reduzidas a um título viral:
Uma frase criou um banco de dados.
Essa abordagem ignora a maior parte do trabalho que a Fleet afirma realizar.
O exemplo do banco de dados começa com um único requisito, mas o sistema então executa um longo processo de engenharia.
Ele deve repetidamente tomar decisões de design, gerar código, executar testes, diagnosticar falhas, revisar a arquitetura, revisar o comportamento e repetir.
O usuário fornece uma intenção curta.
A máquina não necessariamente executa uma tarefa curta.
Uma avaliação melhor pergunta quanta intervenção humana foi necessária, quanto de computação a execução consumiu, quantas tentativas ocorreram, quão bem o resultado foi verificado, se outra equipe pode reproduzi-lo e se o sistema pode ser mantido após a demonstração.
O Que Ainda Não Foi Comprovado
Os primeiros resultados da Intent Lab são ambiciosos, mas o material público deixa questões importantes em aberto.
Reprodução Independente
O resultado de inferência de 6,3×, a contagem de testes do SQLite, o desempenho do AgentFS e os números de verificação formal foram relatados pela própria empresa.
Uma reprodução independente tornaria as afirmações substancialmente mais fortes.
Arquitetura da Fleet
A Intent Lab não documentou publicamente detalhes suficientes para reconstruir a própria Fleet.
Ainda não está claro quais modelos base são usados para cada função, como os agentes compartilham estado, como as tarefas são agendadas, como os conflitos são resolvidos, como as especificações são armazenadas ou quanta supervisão humana permanece disponível.
Responsabilidade de Produção
Construir um sistema de qualidade de benchmark não é o mesmo que operá-lo por anos.
O estágio "Evolve" pode ser a parte mais difícil da tese, porque um responsável de produção deve lidar com patches de segurança, mudanças de dependências, mudanças de hardware, incidentes, mudanças de custo, solicitações de recursos e compatibilidade com versões anteriores.
Economia
A engenharia autônoma pode ser mais barata que uma equipe humana para algumas tarefas, embora ainda consuma computação e inferência substanciais.
O próprio exemplo de banco de dados da Intent Lab mostra que a escolha do modelo pode alterar o custo total do projeto em várias vezes.
Uma Maneira Mais Precisa de Pensar Sobre a Intent Lab
A Intent Lab não é simplesmente outra startup de agentes de codificação.
Sua tese está mais próxima de engenharia autônoma de sistemas.
A unidade alvo de trabalho não é uma conclusão de código ou um pull request.
É um sistema de produção.
É por isso que os três primeiros exemplos parecem não relacionados.
Um mecanismo de inferência, um banco de dados e um sistema de arquivos compartilham pouco no nível de produto.
Eles compartilham um padrão de engenharia:
Intenção
→ especificação
→ arquitetura
→
implementação coordenada
→ medição
→ verificação
→ iteração
→ evolução de produção
O Fleet foi projetado para automatizar esse padrão.
Se ele consegue fazer isso de forma confiável em muitas empresas reais continua sendo uma questão em aberto.
Mas a ambição é clara.
Perguntas Frequentes
O que é o Intent Lab?
O Intent Lab é uma nova empresa de infraestrutura de IA e engenharia autônoma, cofundada por Yangqing Jia e outros engenheiros de sistemas experientes. Seu primeiro produto, o Fleet, foi projetado para transformar intenções de software de alto nível em sistemas de nível de produção.
O que é o Fleet?
O Fleet é o sistema de engenharia autônoma do Intent Lab. A empresa o descreve como uma equipe de agentes coordenados que podem entender requisitos, projetar arquitetura, construir código, verificar resultados e continuar evoluindo o software após a implantação.
O Fleet realmente tornou a inferência do GLM-5.2 6,3 vezes mais rápida?
O Intent Lab relata que seu mecanismo otimizado para GLM-5.2 aumentou a velocidade de saída de 102 tokens/s no TensorRT-LLM padrão para 647 tokens/s em dois nós Grace Blackwell. O número é um benchmark relatado pela empresa e ainda não foi reproduzido de forma independente nas fontes revisadas aqui.
O Fleet construiu um banco de dados a partir de um único prompt?
O Intent Lab afirma que o requisito inicial do banco de dados era um único prompt pedindo um mecanismo SQL compatível com SQLite. Em seguida, o Fleet realizou de forma autônoma arquitetura, codificação, testes, revisão e garantia de qualidade até que a empresa afirmasse que o sistema passou em aproximadamente seis milhões de testes de compatibilidade.
O que é o AgentFS?
O AgentFS é um sistema de arquivos distribuído criado na terceira demonstração de lançamento do Intent Lab. Ele é otimizado para cargas de trabalho de agentes de IA que envolvem muitos sandboxes e arquivos pequenos, e o Intent Lab afirma que seus protocolos principais foram verificados com verificação formal de modelos.
Qual é a diferença entre o Fleet e um agente de codificação normal?
Um agente de codificação normal geralmente trabalha em mudanças de código dentro de um projeto existente. O Fleet é projetado para coordenar um ciclo completo de engenharia de sistemas, incluindo definição de requisitos, arquitetura, implementação, trabalho de desempenho, verificação formal, testes de falhas e evolução de produção.
O Fleet é open source?
O Intent Lab compartilhou publicamente demonstrações e sua tese de produto, mas as fontes revisadas para este artigo não mostram um lançamento público do sistema completo de orquestração do Fleet. Verifique o site oficial do Intent Lab para saber a disponibilidade mais recente.
O NVIDIA DGX Cloud Lepton ainda está operando?
Sim. A NVIDIA atualmente mantém páginas de produto e documentação para o DGX Cloud Lepton, incluindo cargas de trabalho, grupos de nós, endpoints, Dev Pods, jobs em lote e funcionalidade bring-your-own-compute. Isso é separado do debate sobre o quão fielmente o produto da NVIDIA preservou o roteiro original da startup Lepton AI.
Ferramentas Relacionadas
- Intent Lab: A empresa que desenvolve o Fleet, um sistema de engenharia autônoma para transformar intenções em software de produção.
- NVIDIA TensorRT-LLM: O framework de inferência de produção da NVIDIA para otimizar e servir modelos de linguagem grandes em GPUs NVIDIA.
- TensorRT-LLM no GitHub: O repositório open-source da stack de inferência de LLM da NVIDIA.
GLM-5.2: O modelo de horizonte longo de código aberto da Z.ai, usado na demonstração do mecanismo de inferência da Intent Lab.
- NVIDIA DGX Cloud Lepton: A plataforma da NVIDIA para criar e implantar cargas de trabalho de IA em uma rede de provedores de computação GPU.
- SQLite: O banco de dados cujo comportamento e testes de compatibilidade foram usados como alvo para a demonstração de banco de dados da Fleet.
Links Relacionados
- Intent Lab: Transforme Sua Intenção em Sistemas de Produção: O artigo oficial de lançamento da Intent Lab e a fonte das demonstrações da Fleet.
- Anúncio da Intent Lab por Yangqing Jia: A postagem pública de Jia apresentando a Intent Lab e sua tese de engenharia autônoma.
- Documentação do NVIDIA DGX Cloud Lepton: Documentação oficial atual da plataforma que surgiu da tecnologia da Lepton AI.
- Lançamento do NVIDIA DGX Cloud Lepton: O anúncio de 2025 da NVIDIA descrevendo o DGX Cloud Lepton e seu mercado global de GPUs.
- Cartão Oficial do Modelo GLM-5.2: Especificações oficiais e documentação do modelo da Z.ai.
- Documentação do NVIDIA TensorRT-LLM: Documentação oficial de arquitetura, instalação, otimização, runtime e implantação.
- USENIX: Usando Verificação de Modelos para Encontrar Erros Graves em Sistemas de Arquivos: Um exemplo clássico de por que a verificação formal de modelos é útil para encontrar falhas raras de correção em sistemas de arquivos.
Resumo
A nova empresa de Yangqing Jia, a Intent Lab, está construindo a Fleet em torno de uma unidade diferente de trabalho de IA: não geração de código, mas o ciclo de vida completo de sistemas de produção.
Suas primeiras demonstrações abrangem otimização de inferência do GLM-5.2, um banco de dados compatível com SQLite e um sistema de arquivos distribuído formalmente verificado. A Intent Lab relata um ganho de 6,3× na velocidade de inferência, cerca de seis milhões de testes de compatibilidade de banco de dados e verificação de modelos em aproximadamente 1,9 milhão de estados de sistema de arquivos.
A ideia central é um ciclo de engenharia de seis etapas — Entender, Projetar, Coordenar, Construir, Verificar e Evoluir — que tenta reproduzir as responsabilidades de uma organização de engenharia forte com agentes autônomos.
Os resultados ainda são preliminares e em grande parte autodeclarados, portanto, a reprodutibilidade e a operação de produção de longo prazo continuam sendo os testes reais.
A afirmação mais importante da Fleet não é que a IA pode escrever código a partir de uma frase; é que um sistema autônomo pode assumir a responsabilidade pelo trabalho de engenharia entre uma frase e um software que vale a pena executar por anos.
