ALERTA TECH! Essa IA Open-Source DOBROU o Poder de Codificação e Você Precisa Conhecer!
Olá, pessoal! Aqui é o Lucas Tech, e preparem-se porque a semana começou com uma notícia daquelas que fazem o coração de qualquer entusiasta de tecnologia bater mais forte! A RadixArk acabou de lançar o DaisyRose-27B, um modelo de IA que promete dar um upgrade gigantesco nas nossas capacidades de codificação. E o melhor? Ele é open-weight, ou seja, seus "pesos" estão abertos para a comunidade usar e inovar!
Se você curte ver a IA quebrando barreiras e facilitando a vida dos devs, cola aqui que vou te contar tudo sobre essa belezinha que, em alguns testes, simplesmente DOBROU sua capacidade de codificação!
O Que é o DaisyRose-27B?
Pra começar, o DaisyRose-27B é o primeiro modelo com "pesos abertos" da RadixArk. Pense nele como um agente de codificação super inteligente, treinado pra te ajudar a programar. Ele foi criado a partir do já conhecido Qwen3.8-27B, mas com um tempero especial: um pós-treinamento intenso usando apenas Reinforcement Learning (RL), ou Aprendizado por Reforço. Nada de Supervised Fine-Tuning (SFT) ou destilação por aqui, o que é um feito e tanto!
E a melhor parte? Ele chega sob a licença Apache 2.0, o que significa que é super flexível e você pode usá-lo como um "substituto" direto para o modelo base. O resultado mais impressionante? No benchmark Terminal Bench 4.1 pass@1, a performance saltou de 5.6 para 12.0! É isso mesmo, MAIS QUE O DOBRO! Se quiser conferir as opções de deploy e specs, pode dar uma olhada na extensão do nosso amigo GPULeaderboard.com.
DaisyRose-27B em Números: O Essencial (TL;DR)
Se você é como eu e gosta de ir direto ao ponto, aqui está um resumo rápido do que torna o DaisyRose-27B tão especial:
- Tamanho: Ele tem 27.8 bilhões de parâmetros densos, incluindo um encoder de visão de 0.46B e um head de Multi-Token Prediction (MTP) de 0.42B.
- Contexto: Uma janela de contexto gigante de 262.144 tokens! Isso significa que ele consegue "lembrar" e trabalhar com uma quantidade enorme de informações ao mesmo tempo.
- Onde Roda: Incrivelmente, ele consegue rodar em apenas 1 GPU! Para você ter uma ideia, em BF16 ele ocupa uns 52 GB, em FP8 uns 29 GB, e em NVFP4 (só para Blackwell) uns 23 GB. Suporta GPUs como H200, B200, GB300, RTX PRO 6000, RTX 5090 e DGX Spark. Ah, e tem versão GGUF disponível também para quem curte rodar local!
- Performance: Ele detona seu modelo base, o Qwen3.8-27B, em todos os 7 benchmarks que a RadixArk reportou.
- Melhor Resultado: Arrasou no IFBench com 82.4, sendo a maior pontuação entre os 9 modelos que a RadixArk comparou.
- Onde Ainda Pode Melhorar: No HLE (apenas texto), o ganho foi de apenas +0.4 sobre o modelo base, e ele ainda fica um pouco atrás de modelos MoE (Mixture of Experts) muito maiores.
- A Conclusão: A capacidade no Terminal Bench 4.1 mais que duplicou depois de 18 dias de treinamento intenso com RL. É um gigante de 27B, mas ainda está buscando alcançar os MoE mais parrudinhos em tarefas de agente super complexas.
Por Dentro da Arquitetura do DaisyRose-27B
Uma coisa legal é que o DaisyRose-27B manteve a arquitetura do Qwen3.8-27B intacta. Ele possui 64 camadas de decoder, organizadas num padrão 3:1: são três camadas de atenção linear Gated DeltaNet alternando com uma camada de atenção total. O tamanho do "cérebro" escondido (hidden size) é de 5.120.
E pra não ficar só no texto, ele tem um encoder de visão de 27 camadas para processar imagens! Além disso, conta com uma camada de MTP (Multi-Token Prediction) que ajuda na decodificação especulativa. Resumindo: a entrada pode ser texto e imagens, a saída é texto, e ele é um verdadeiro "modelo pensante". Isso é um baita avanço para interações mais ricas!
Como o DaisyRose-27B Foi Treinado? A Receita do Sucesso!
A RadixArk e a Eigent AI não economizaram esforços. Eles construíram cerca de 1.200 tarefas super específicas, selecionadas a dedo entre milhares de candidatas. Cada tarefa foi pensada para resolver uma falha específica do modelo base. Em cada "tentativa" dentro do ambiente de testes (sandbox), o modelo tinha até 1.5 horas, mais de 100 chamadas de ferramentas e uma capacidade de gerar mais de 256.000 tokens de saída. Em algumas sessões de agente, ele chegou a processar até 1 MILHÃO de tokens! É processamento que não acaba mais!
O treinamento rolou na Miles, que é a própria estrutura de RL open-source da RadixArk, operando em modo totalmente assíncrono. Eles usaram 144 GPUs H200 por 18 dias! Desse total, 128 GPUs cuidaram da inferência do agente e 16 foram dedicadas ao treinamento. No final das contas, foram 63.000 horas de GPU dedicadas a essa façanha.
A RadixArk ainda relata uma eficiência de 37% de MFU (Model Flops Utilization) em seu backend interno, o que é muito bom! Um treinador baseado em Megatron de código aberto alcançou 16%. A taxa de transferência de ponta a ponta foi de 16.8 mil tokens/s, contra 8.3 mil tokens/s de uma linha de base, o que representa uma aceleração de 2.0x! Segundo a RadixArk, isso resultou em uma redução de 57% no tempo de GPU.
Os ambientes de teste (sandboxes) foram executados na AgentENV. A RadixArk informou que foram criados cerca de 944.000 sandboxes de meados de setembro a meados de novembro. O pico de concorrência atingiu 1.566. A taxa de sucesso na criação foi de impressionantes 99% ao longo de 9 semanas. E o custo? A RadixArk estima que seja cerca de 80% menor do que os provedores populares de sandbox em nuvem. Economia e performance andando juntos!
DaisyRose-27B nos Benchmarks: Os Números que Importam
Agora, vamos aos números que todo mundo adora! Todas as pontuações foram auto-reportadas pela RadixArk, e as do DaisyRose são as maiores entre as execuções em BF16 e FP8.
| Benchmark | DaisyRose-27B | Qwen3.8-27B | Mudança |
|---|---|---|---|
| Terminal Bench 4.1 (pass@1) | 12.0 | 5.6 | +6.4 |
| Terminal Bench 2.1 | 75.5 | 73.0 | +2.5 |
| DeepSWE v1.1 | 46.2 | 42.2 | +4.0 |
| SWE Bench Pro v2 | 94.7 | 91.3 | +3.4 |
| HLE (text only) | 34.3 | 33.9 | +0.4 |
| IFBench | 82.4 | 79.5 | +2.9 |
| GPQA Diamond | 90.7 | 89.2 | +1.5 |
Fonte: Blog da RadixArk e model card.
O salto mais significativo, como já comentei, é no Terminal Bench 4.1, que mais que dobrou! Os ganhos na codificação são bem consistentes: +4.0 no DeepSWE v1.1 e +3.4 no SWE Bench Pro v2. Nos testes de conhecimento, como HLE e GPQA Diamond, os ganhos foram menores, mas ainda assim positivos.
Quando comparado a modelos maiores, os resultados são mistos. Modelos como o MiMo V2.6 Flash (309B total) ainda lideram no Terminal Bench 4.1 com 16.1, e o Inkling 2 Small (594B total) se destaca no DeepSWE (72.1) e HLE (44.1). No entanto, o DaisyRose-27B foi o melhor da tabela da RadixArk (que compara 9 modelos) no benchmark IFBench!
Minha Visão
Para mim, Lucas Tech, essa é uma notícia sensacional e que mostra o poder do aprendizado por reforço quando bem aplicado! Ver um modelo de 27 bilhões de parâmetros, open-weight e focado em codificação, com resultados tão expressivos – especialmente essa dobra no Terminal Bench – é um marco importante.
A democratização de IAs tão poderosas assim é um passo gigante para a comunidade de desenvolvedores. Imagina o que a gente pode criar com uma ferramenta dessas nas mãos, sem a barreira de modelos gigantescos e proprietários! É um lembrete de que o RL puro pode trazer resultados impressionantes e que a RadixArk está apostando alto em inovação e eficiência.
E você, o que achou do DaisyRose-27B? Acredita que modelos assim vão mudar a forma como programamos e interagimos com a IA? Compartilha nos comentários!
Referência: Matéria Original
Posts relacionados:

THINK: The user wants me to rewrite a long, technical English title into a short, curious Portuguese title suitable for Google Discover. I need to focus on the "autonomous machine learning research loop" and "hyperparameter discovery" aspects, making it sound intriguing without being overly complex. I must only return the final title.
Analyze the original title:
- "How to Build an Autonomous Machine Learning Research Loop in Google Colab Using Andrej Karpathy’s AutoResearch Framework for Hyperparameter Discovery and Experiment Tracking"
- Core idea 1: Autonomous ML Research Loop
- Core idea 2: Hyperparameter Discovery / Experiment Tracking
- Tool: Google Colab
- Framework: Andrej Karpathy’s AutoResearch Framework (this is too specific/long for Discover)
Identify key concepts for curiosity:
- "Autonomous" -> automatizado, sozinho, sem você
- "Research Loop" -> pesquisa, descoberta, otimização
- "Machine Learning" -> IA, aprendizado de máquina
- "Hyperparameter Discovery" -> melhores resultados, segredos, IA que se aprimora
- "Google Colab" -> fácil, acessível
Brainstorm short, curious Portuguese phrases:
- "Sua IA faz pesquisa sozinha?" (Too informal/simplistic)
- "Colab: sua IA descobre os segredos sozinha."
- "Máquina que aprende sozinha: o loop de pesquisa."
- "Automação ML: deixe a IA otimizar tudo."
- "Descoberta de hiperparâmetros: a IA faz por você."
- "Colab: IA autônoma em pesquisa."
- "Sua IA pesquisa e se aprimora sozinha."
- "Colab: Sua IA pesquisa e se aprimora SOZINHA?"
Refine for Discover style (short, curious, engaging):
- Needs to hint at the "loop" and "discovery" without being explicit about the technical terms.
- "Autonomous" is strong. "Máquina que aprende sozinha" is good.
- "Colab" is a recognizable platform.
- Focus on the benefit: better results, faster discovery, less manual work.
Draft options and evaluate:
- Option 1: "Sua IA pesquisa e se aprimora sozinha no Colab?" (Good, curious, short, uses "sozinha" for autonomous and "aprimora" for hyperparameter discovery/experiment tracking implicitly).
- Option 2: "Colab: Deixe sua IA descobrir os melhores parâmetros." (A bit less about the "loop" and "research," more specific to parameters).
- Option 3: "Máquina que aprende sozinha: o segredo no Colab." (Intriguing, but "segredo" might be too vague).
- Option 4: "Crie uma IA que pesquisa sozinha no Google Colab." (Good, but "crie" might imply building the AI, not just the loop).
- Option 5: "Colab: Sua IA já otimiza os próprios resultados?" (Good, focuses on optimization and "próprios" implies autonomous).
Select the best fit: Option 1 or 5 are strong. Option 1 "Sua IA pesquisa e se aprimora sozinha no Colab?" directly addresses the "research loop" (pesquisa) and "hyperparameter discovery/experiment tracking" (aprimora), while keeping it curious and short. "Sozinha" captures "autonomous." It’s also a question, which is good for Discover engagement.
Let’s try to make it even more punchy, maybe less of a question. "Colab: Sua IA Otimiza Sozinha?" (Too short, loses "research") "Colab: A IA Que Pesquisa e Se Aprimora SOZINHA" (Strong, emphasizes "sozinha") "Descubra: Sua IA Pesquisa E Otimiza Sozinha?" (Adds "Descubra" for curiosity) "Colab: Sua IA já se aprimora sozinha?" (Good, concise, highlights the autonomous self-improvement)
Let’s go with a direct, intriguing question that hints at the core functionality. The "loop" implies continuous research and improvement.
"Sua IA Pesquisa e Otimiza SOZINHA no Colab?" This captures:
- "Pesquisa" (Research loop)
- "Otimiza" (Hyperparameter discovery, experiment tracking, improvement)
- "SOZINHA" (Autonomous)
- "Colab" (Platform)
- It’s a question, making it curious.
- It’s short.
I think "Sua IA Pesquisa e Otimiza SOZINHA no Colab?" is a very good fit. It’s direct, curious, and covers the main points succinctly.
Let’s try one more: "Colab: Sua IA Já Otimiza os Próprios Experimentos?" This is also good, "otimiza os próprios experimentos" maps well to the hyperparameter discovery and experiment tracking loop. "Próprios" implies autonomous.
I will go with something that highlights the "alone/autonomous" aspect clearly, and the "improvement" or "research" part.
"Colab: Sua IA pesquisa e se aprimora SOZINHA?" – This uses "pesquisa" (research) and "aprimora" (improves/optimizes) and "sozinha" (autonomous) and "Colab". It’s a question, short, and curious. This feels like a strong contender.Colab: Sua IA pesquisa e se aprimora SOZINHA?

THINKING PROCESS:
Analyze the original title: "OpenAI Would Reportedly Like You to Use Its Pleasant New Term for Data Centers"
- Core message 1: OpenAI wants something.
- Core message 2: They want people to use a new term.
- Core message 3: This term is for data centers.
- Core message 4: The term is "pleasant" (implies a softer, more positive connotation than "data center").
- Implied subtext: It’s a branding/PR move to shift perception.
Analyze the target platform: Google Discover.
- Characteristics: Short, catchy, curious, engaging, often poses a question or hints at a secret/new information, aims to make you click.
- Language: Portuguese.
Identify key Portuguese terms:
- OpenAI: OpenAI (no change)
- Data Centers: Data centers / Centros de dados
- New term: Novo termo / Nova palavra
- Pleasant: Agradável, simpático, amigável
- Would like: Gostaria, quer, deseja
- Use: Usar, adote
Brainstorm initial ideas (in Portuguese, aiming for Discover style):
- Direct but bland: OpenAI quer que você chame data centers de outra coisa. (Too plain)
- Focus on the "pleasant" aspect: OpenAI tem um nome mais agradável para data centers. (Better, but not curious enough)
- Question format: Qual o novo nome "agradável" da OpenAI para data centers? (Getting closer, but still a bit flat)
- Highlight the "secret" or "new term": OpenAI quer mudar como você vê os data centers. Qual o novo termo? (Good, but "mudar como você vê" is a bit long)
- Intrigue with "pleasant": OpenAI quer que você use um novo termo agradável para data centers. (Still a bit descriptive)
- Focus on the "OpenAI wants YOU to change": OpenAI quer que você PARE de dizer "data center". (Strong, but might be too aggressive)
- Combine curiosity and the new term: OpenAI: esqueça "data centers". Conheça o novo termo "agradável". (Good, but "agradável" might be redundant if the concept of the new term is pleasant)
- Hint at the strategic move: Por que a OpenAI quer que você mude o nome de "data center"? (Focuses on the why, which is a good hook)
- Direct and mysterious: O novo nome "simpático" da OpenAI para data centers. (A bit too short, lacks action)
- Emphasize the adoption and newness: OpenAI quer que você adote ESTE novo termo para data centers. (Strong call to action)
- Curiosity + short + impactful: OpenAI: "Data centers"? Esqueça! Conheça o novo nome. (Very close to Discover style)
- Another take on curiosity + short: OpenAI quer mudar sua visão sobre data centers com um novo nome. (A bit long)
- Focus on the rebranding effort: A OpenAI está renomeando os data centers. Descubra o novo termo! (Good, but "renomeando" is a bit formal)
Refine based on "short and curious":
- "OpenAI: Esqueça ‘data centers’!" – Good start.
- Add the new term aspect: "OpenAI: Esqueça ‘data centers’! Conheça o novo termo." – This works well. It’s short, creates a sense of surprise/imperative ("esqueça!"), and promises new information ("Conheça o novo termo"). It implicitly covers the "pleasant" part by suggesting a better alternative.
- Let’s try to make it even more punchy, maybe hinting at the positive spin.
- "OpenAI quer que você pare de usar ‘data center’. Por quê?" – Good question hook.
- "OpenAI: Eles querem que você chame data centers por um novo nome. Qual?" – Clear question.
- "OpenAI: O novo nome "amigável" para data centers." – Too descriptive, less curiosity.
- "OpenAI: Um novo nome ‘gentil’ para data centers?" – Question format, but "gentil" might not fit the context perfectly.
Final Selection Criteria:
- Short: Yes.
- Curious: Yes, implies a secret or new info.
- Portuguese: Yes.
Google Discover style: Yes, uses a strong statement and promises a reveal.
"OpenAI: Esqueça ‘data centers’! Conheça o novo termo." – This one is strong. It creates urgency/surprise with "Esqueça!" and then curiosity with "Conheça o novo termo." It implies the "pleasant" by suggesting a replacement.
- Let’s consider one more variation to make it even punchier, maybe linking it directly to OpenAI’s desire.
- "OpenAI quer que você adote ESTE novo termo para data centers." – Good, emphasizes "este" (this one specific)
"OpenAI: O novo nome secreto para ‘data centers’." – "Secreto" adds intrigue.
Comparing "OpenAI: Esqueça ‘data centers’! Conheça o novo termo." and "OpenAI: O novo nome secreto para ‘data centers’."
- The first one has a call to action/surprise.
- The second one has intrigue.
I lean towards the first one because "Esqueça!" is very direct and attention-grabbing, and "Conheça o novo termo" clearly states what you’ll get. The "pleasant" aspect is subtly handled by the idea of replacing an old term with a new (presumably better/nicer) one.
- One last check: "OpenAI: Esqueça ‘data centers’! Qual o novo nome?" – Also very good, a direct question. This feels very Google Discover. It clearly states the subject (OpenAI, data centers), implies a change, and asks the direct question the reader will have. It’s concise.
- Final decision: "OpenAI: Esqueça ‘data centers’! Qual o novo nome?" It’s short, creates immediate curiosity, clearly states the topic and the implied change, and ends with a direct question that makes you want to click.OpenAI: Esqueça ‘data centers’! Qual o novo nome?

THINK: The user wants me to rewrite a title in Portuguese for Google Discover. The original title is "Introducing GPT-6.2 Astra and Sol". The new title needs to be:
- In Portuguese.
- Short.
- Curious.
- No introductions or lists, just the final text.
Let’s break down the original title:
- "Introducing": Signals a new product/release.
- "GPT-6.2": The core technology/product name.
- "Astra and Sol": Specific model names or features.
Google Discover titles thrive on:
- Intrigue
- Questions (implied or direct)
- Strong verbs/adjectives
- Sense of urgency/novelty
Portuguese translation ideas:
- "Introducing": Chegou, Conheça, Apresentando, Revelado
- "GPT-6.2": Can be kept as is, or simplified.
- "Astra and Sol": Can be kept, or used as a hook.
Let’s try some options:
Option 1 (Direct + Curious): "GPT-6.2: Conheça Astra e Sol!" (GPT-6.2: Meet Astra and Sol!) – A bit bland.
Option 2 (Focus on novelty): "Chegou GPT-6.2: Astra e Sol vão te surpreender!" (GPT-6.2 arrived: Astra and Sol will surprise you!) – A bit long.
Option 3 (More intriguing, short): "GPT-6.2: O que são Astra e Sol?" (GPT-6.2: What are Astra and Sol?) – Good, short, curious.
Option 4 (Emphasis on "new era"): "Astra e Sol: A nova era do GPT-6.2?" (Astra and Sol: The new era of GPT-6.2?) – Good, uses the names as the hook.
Option 5 (Short and direct with impact): "GPT-6.2: Chegaram Astra e Sol!" (GPT-6.2: Astra and Sol have arrived!) – A bit too direct, not very curious.
Option 6 (Focus on the who): "GPT-6.2: Quem são Astra e Sol?" (GPT-6.2: Who are Astra and Sol?) – Very curious, short. This implies they are entities or powerful new features. Given "Astra" and "Sol" are often used for powerful entities (stars, space), this works well.
Option 7 (Focus on the what they bring): "Astra e Sol: O futuro do GPT-6.2?" (Astra and Sol: The future of GPT-6.2?) – Also good, future-oriented.
Comparing Option 3 ("O que são Astra e Sol?") and Option 6 ("Quem são Astra e Sol?"): "Quem são Astra e Sol?" feels more personal and intriguing, as if they are new characters or powerful entities within the GPT world. It creates more wonder. "O que são" is more generic. For Google Discover, the "who" angle often performs better if the names sound like they could be agents or powerful features.
Let’s consider "Astra" (star, space) and "Sol" (sun). These are evocative names. "Quem são" works perfectly to build mystery around these powerful-sounding new additions.
Final check:
- In Portuguese: Yes.
- Short: Yes.
- Curious: Yes, "Quem são?" is highly curious.
- No introductions/lists: Yes, just the title.
"GPT-6.2: Quem são Astra e Sol?" looks like a strong candidate. Another one that might work: "Astra e Sol: Prepare-se para o GPT-6.2!" (Astra and Sol: Get ready for GPT-6.2!). This is also good, but "Quem são" creates more immediate intrigue.
Let’s stick with the "Who are they?" angle. It’s concise and piques interest effectively for new, named entities.
Consider the user’s explicit instruction: "Retorne APENAS o texto do título final, sem introduções ou listas".GPT-6.2: Quem são Astra e Sol?

THINK ALOUD The user wants a rewritten title in Portuguese for Google Discover. It needs to be short and curious. I need to capture the essence of the original: a very low adoption rate (1%) of a new Android version ("Android 17") and an urgent call to update. The "staggering 1%" is key, implying it’s surprisingly low but also highlighting the version. The "why you really should update now" is the call to action/curiosity.
Let’s break down the original:
- "Android 17 adoption hits a staggering 1%" -> This is the shocking fact.
- "- why you really should update now" -> This is the hook/call to action.
Google Discover titles thrive on:
- Numbers/Statistics: "1%" is perfect.
- Curiosity/Question: "Por que…?" or "O que você está perdendo?"
- Urgency/Benefit: "Atualize agora," "Não perca," "Você precisa saber."
- Shortness: Keep it concise.
Let’s try some options:
Option 1 (Direct translation + Discover style): "Android 17: Apenas 1% tem. Por que você DEVE atualizar já?"
- "Apenas 1% tem" is short and impactful.
- "Por que você DEVE atualizar já?" creates urgency and curiosity.
- "DEVE" is stronger than "deveria."
Option 2 (Focus on the user’s loss): "Você ainda não tem o Android 17? Descubra o que 1% já sabe."
- This is curious, but loses the "update now" urgency slightly. The "1%" is there, but less direct about the adoption rate itself.
Option 3 (More direct shock): "Chocante: Só 1% usa Android 17. Atualize e saiba o porquê!"
- "Chocante" adds impact.
- "Atualize e saiba o porquê!" is a good call to action with curiosity.
Option 4 (Shorter, more punchy): "Android 17: Só 1% atualizou. E você? O que está perdendo?"
- "E você?" directly engages the reader.
- "O que está perdendo?" is a good curiosity hook.
Let’s compare the best ones for "short and curious":
"Android 17: Apenas 1% tem. Por que você DEVE atualizar já?"
- Short: Yes.
- Curious: Yes ("Por que…?").
- Direct: Yes.
"Chocante: Só 1% usa Android 17. Atualize e saiba o porquê!"
- Short: Yes.
- Curious: Yes ("saiba o porquê!").
- Impactful: "Chocante" is good.
- "Android 17: Só 1% atualizou. O que você está perdendo?"
- Short: Yes.
- Curious: Yes ("O que você está perdendo?").
- Engaging: "Você" directly.
I think the first one, "Android 17: Apenas 1% tem. Por que você DEVE atualizar já?", is very strong. It states the fact, provides the number, and then asks the urgent, curious question. It’s concise and hits all the marks. "DEVE" is strong. "já" adds urgency. The "staggering" is conveyed by "Apenas 1%".
Let’s try to make it even more punchy for Discover. "Android 17: Só 1% tem. Por que você precisa atualizar AGORA?"
- "AGORA" in caps adds emphasis and urgency.
- "precisa" is strong.
Consider the user’s instruction: "Retorne APENAS o texto do título final".
Final check:
- Português: Yes.
- Google Discover style: Yes (short, curious, urgent, number).
- Curto e curioso: Yes.
- APENAS o texto: Yes.
I’ll go with a variation of the first one, making "AGORA" capitalized for Discover’s impact. "Android 17: Só 1% tem. Por que você precisa atualizar AGORA?" is good. Or "Android 17: 1% atualizou. Você sabe por quê?" – this is curious, but maybe less urgent.
Let’s stick to the urgency. "Android 17: Apenas 1% atualizou. Por que você DEVE fazer isso AGORA?" This is good. "Apenas 1%" covers the "staggering". "DEVE fazer isso AGORA" covers the urgency and call to action.
Another option: "Android 17: 1% adotou. Por que você está ficando para trás?" This is curious but less direct about the "update now".
I think "Android 17: Apenas 1% tem. Por que você DEVE atualizar já?" is the most direct and effective for the original message. "já" is good, "AGORA" is also good. I’ll use "já" for a slightly more natural flow but still with urgency. Or, "Android 17: 1% tem. E você? Atualize AGORA!" This is also very good:
- "Android 17: 1% tem." -> Fact + number
- "E você?" -> Engage user
- "Atualize AGORA!" -> Call to action + urgency
This last one is very Google Discover. Short, direct, engaging, urgent. Let’s go with this.Android 17: 1% tem. E você? Atualize AGORA!