Pesquisa da Databricks injetou perfis de capacidade, conhecimento declarativo sobre técnica maliciosa, direto no prompt de triagem de pacote npm com binário embutido, e levou modelo barato de 0 ou 1 detecção em 10 payloads pra 7 a 10 de 10, quase igualando modelo caro sem re-treinar nada.
A Databricks documentou o próprio processo interno de liberar modelo de fronteira novo pra mais de 12 mil funcionários no dia do lançamento, isolando o risco financeiro em orçamento por camada e decidindo promoção ou descarte em três dias com três sinais combinados, benchmark, feedback de usuário e rastreamento de custo por OpenTelemetry.
Genie One (em beta) e Genie Code passaram a ter acesso à web pública pra responder pergunta que depende de informação atual, como release note recente ou notícia, citando a fonte externa usada na resposta.
A Databricks publicou o Adaptive Instructed-Retriever, um modelo de recuperação treinado com aprendizado por reforço que decide quando vale a pena buscar de novo, entregando qualidade de ponta com até metade da latência.
A opção generate_citations na função ai_search (Beta) do Azure Databricks expõe quais chunks recuperados o modelo efetivamente usou para sustentar cada resposta gerada, dando visibilidade que antes ficava escondida dentro da recuperação.
O projeto Databricks Digital Persona lê 90 dias de system tables (query history, jobs, billing, auditoria) e usa isso pra construir um agente que conversa como se fosse você.