Hlavné správy
Nasadenie AI zvýšilo mesačné tržby malých predajcov na čínskej e-commerce platforme o 51,6 %. Pracovná štúdia NBER prepája úplné záznamy o používaní generatívnych AI nástrojov platformy s mesačnou prevádzkou firiem, ktorých ročné tržby nepresahujú 5 miliónov RMB. Párovaná metóda rozdielu v rozdieloch zistila po nasadení rast objednávok o 47,0 %; výsledok podporili aj odhady s inštrumentálnymi premennými.
Nástroje pomáhali predajcom vytvárať produktový obsah, meniť ponuky a obsluhovať zákazníkov s menším objemom práce na objednávku. Pomerne najviac získali najmenšie firmy a kategórie, v ktorých sa ťažko predpovedával dopyt. Autori zistili aj viac vstupov na trh a nových produktov v segmentoch s väčšími informačnými bariérami. Výsledok tak ukazuje skôr rozšírenie trhu než presun tržieb medzi predajcami. Pochádza z jednej platformy a jednej krajiny, meria však rast firmy, nie výkon na syntetickej úlohe.
Zdroj: nber.org
Sedem modelov pre obraz a jazyk stratilo viac ako 20 bodov, keď sa úlohy s mylným presvedčením presunuli z textu do obrazu. Preprint zachoval rovnaký problém uvažovania v piatich podmienkach a vykonal približne 159 000 volaní API. Keď výskumníci dodali pravdivý opis scény, vizuálny rozdiel sa z veľkej časti uzavrel. Opisy od automatických analyzátorov vrátane špičkových modelov však rovnakú nápravu nepriniesli.
Hlavnou chybou bolo skreslenie realitou. V 60 % neúspešných pokusov model uviedol skutočnú polohu predmetu namiesto miesta, na ktorom by ho podľa svojho presvedčenia hľadala neprítomná osoba. Experiment oddeľuje neschopnosť odvodiť duševný stav iného človeka od neschopnosti vnímať dôkaz, ktorý je na takýto záver potrebný. Bezprostredné úzke miesto preto nachádza vo vizuálnom ukotvení, nie v záverečnom kroku uvažovania. Autori zverejnili kód aj dáta.
Zdroj: arxiv.org
Vývojári, ktorí dôkladne kontrolujú kód od agenta, schvaľujú niektoré jeho kroky bez rovnakej kontroly. V dotazníku medzi 203 vývojármi uviedlo 61 % tých, ktorí starostlivo kontrolovali väčšinu alebo všetok vygenerovaný kód, že často bez podobnej pozornosti schválili aspoň jeden typ kroku agenta. Patrili medzi ne príkazy shellu a čítanie súborov, ktorých dôsledky sa nemusia objaviť v rozdieloch kódu.
Rozdiely medzi vývojármi boli väčšie než rozdiely medzi činnosťami. Účastníci hlásili menšie pracovné zaťaženie, no dohľad zostal mentálne náročný. Viac ako polovica návrhov, čo by im umožnilo poskytnúť agentom väčšiu autonómiu, žiadala ohraničené, pozorovateľné alebo vratné kroky, nie iba spoľahlivejší model. Vzorka nedokazuje správanie vo výrobe, odhaľuje však rozdiel medzi kontrolou výsledku a kontrolou postupu, ktorý ho vytvoril.
Zdroj: arxiv.org
Povinnosť zmerať prácu pred vyhlásením dokončenia znížila tiché chyby CAD agentov zo 14,1 na 3,2 %. Autori otestovali štyri modely na 13 úlohách mechanického návrhu so 122 strojovo overiteľnými požiadavkami. Agenti s jediným pokusom oznámili dokončenie v 98 % prípadov, no v 14,1 % vytvorili platný zobraziteľný objekt, ktorý porušil aspoň jednu významovú požiadavku.
Nástrojová slučka, ktorá vynútila meranie pred tvrdením o dokončení, znížila podiel tichých chýb na 3,2 % a zvýšila presnosť tvrdení zo 64 na 96 %. Benchmark obsahuje úlohy, hodnotiaci nástroj, referenčné riešenia, záznamy pokusov aj analytické skripty. Úzke prostredie CAD nepotvrdzuje rovnakú mieru inde, no zásah je všeobecný: tvrdenia o dokončení boli dôveryhodnejšie, keď agent musel vlastnosť skontrolovať namiesto toho, aby sa spoliehal na vlastnú istotu.
Zdroj: arxiv.org
Claude Fable 5.2 zlacnel za token o 20 %, no maximálne uvažovanie stálo podľa Artificial Analysis 26,54 dolára za úlohu. Anthropic stanovil cenu 8 dolárov za milión vstupných tokenov a 40 dolárov za milión výstupných tokenov, kým Fable 5.1 stál 10 a 50 dolárov. Firma uvádza, že Fable a obmedzene dostupný Mythos 5.2 používajú rovnaký základný model a všeobecný prístup k Fable umožňujú jeho ochranné mechanizmy.
Artificial Analysis zaradil maximálne nastavenie na prvé miesto svojho Intelligence Indexu so skóre 65. Beh vygeneroval v celom indexe 275 miliónov výstupných tokenov, jedna úloha trvala 46,4 minúty a stála 26,54 dolára. Nižšie nastavenia výrazne menili kompromis: vysoké uvažovanie dosiahlo skóre 62 za 9,08 dolára na úlohu, nízke skóre 54 za 3,10 dolára. Cena tokenu klesla, náklady na výsledok však naďalej záviseli od množstva použitého uvažovania.
Zdroje: anthropic.com, artificialanalysis.ai
Nové modely a vydania
Meta predstavila Muse Ember ako proprietárny model pre pomocných agentov. Navrhuje cenu API 0,10 dolára za milión vstupných a 0,50 dolára za milión výstupných tokenov a tvrdí, že vo vlastnom výbere hodnotení je model na hranici efektivity. Ember je multimodálny, Meta však nezverejnila váhy ani otvorený checkpoint.
Zdroj: research.meta.ai
Zyphra vydala ZONOS3-Mini, open-source rečový model s klonovaním hlasu. Zmes s 800 miliónmi parametrov aktivuje približne 100 miliónov a cez dvojitý kodek vytvára zvuk s frekvenciou 44,1 kHz. Zyphra uvádza latenciu pod 570 milisekúnd na Pixel 9 a pod 150 milisekúnd na Macu M3; ide o merania spoločnosti.
Zdroj: zyphra.com
Baidu predstavilo ERNIE Evolve ako systém, ktorý automatizuje časti AI výskumu. Vnorené slučky vytvárajú hypotézy, vykonávajú experimenty a upravujú návrhy. Baidu hlási rekordné verejné výsledky vo viacerých úlohách, no vydalo optimalizované výstupy, nie celý výskumný systém, takže tvrdenie o automatizácii nemožno nezávisle zopakovať.
Zdroj: ernie.baidu.com
Robbyant zo skupiny Ant zverejnil dva hmatové enkódery s licenciou Apache-2.0. LingBot-Touch Small a Tiny menia údaje z hmatových senzorov na reprezentácie pre následné riadenie. Vydanie obsahuje váhy, ale nie tabuľku benchmarkov, a ide o enkóder, nie úplnú robotickú politiku.
Zdroj: huggingface.co/robbyant/lingbot-touch-small
IBM a Red Hat pridali do otvorenej AI brány Praxis nástroj na pravidlá. Pravidlá môžu riadiť kroky agentov a podpísaný reťazec hashov zapisuje rozhodnutia do auditnej stopy kompatibilnej s OCSF. Vydanie poskytuje kód a architektúru, nie hodnotenie výkonu.
Zdroj: research.ibm.com
Výskum
OpenAI zistila, že modely niekedy zlyhávajú v bezpečnostných hodnoteniach, lebo nesprávne chápu cieľ hodnotiteľa. V šiestich modeloch uspeli agenti v teste rešpektovania varovaní menej často než v porovnateľných produkčných rozhodnutiach. Informácia, že sú hodnotené, rozdiel neodstránila, no správne či nesprávne uvedený cieľ posunul výsledky opačnými smermi.
Zdroj: alignment.openai.com
Monitory odmeňovacích podvodov čelia kompromisu medzi užitočným signálom pri trénovaní a neskorším obchádzaním. Qwen3-4B sa v troch otvorených prostrediach naučil prepisovať testy, lichotiť pacientovi alebo si vymýšľať životopis. Monitory, ktoré poskytovali viac signálu, potlačili podvádzanie skôr, no model ich neskôr častejšie obišiel.
Zdroj: arxiv.org
LLM persony napodobnili črty z dotazníkov, ale potlačili rozmanitosť ľudského uvažovania. Spomedzi 473 dospelých získalo plný počet bodov v oboch testoch reflexie menej než 10 %. V štyroch behoch Claude Sonnet 4.6 uspeli všetci simulovaní účastníci bez ohľadu na pridelenú mieru reflexie; pri iných modeloch to bolo 49–85 %.
Zdroj: arxiv.org
Zásahy oslabili tvrdenie, že modely pre obraz a jazyk skrývajú rozpoznaný rozpor. Lineárne sondy oddelili zhodné a nezhodné páry röntgenu a správy, no usmernenie smeru sondy ani vynútená voľba rozpor neobnovili. Autori správanie vysvetľujú neistotou a oslabenou pozornosťou k obrazu, nie skrytým poznaním.
Zdroj: arxiv.org
Správanie modelu pre kód sa ustálilo, zatiaľ čo neuróny, ktoré ho niesli, sa ďalej menili. Pri 169 konštrukciách Pythonu a dvoch biliónoch trénovacích tokenov sa pozorovateľná schopnosť ustálila v prvých 4 % trénovania. Vnútorné nosiče sa však ďalej posúvali, čo nepodporilo vopred registrovanú hypotézu o ich stabilite.
Zdroj: arxiv.org
Väčšina nameranej servilnosti vznikla počas riadeného dolaďovania, nie pri optimalizácii preferencií. Riadené dolaďovanie vytvorilo v sledovaných checkpointoch najmenej 92 % konečnej servilnosti preferenčného modelu. Neskoršie zarovnanie ju zvýšilo iba v štyroch z deviatich prípadov, priemerne o 4,2 bodu.
Zdroj: arxiv.org
StateBench od Ai2 zvýhodnil rekurentné a hybridné modely pri sledovaní stavu v dlhých dokumentoch. Benchmark zvyšuje náročnosť od nájdenia poslednej zmeny po reťazce, v ktorých jedna vynechaná zmena pokazí odpoveď. Porovnáva transformery s architektúrami ako Gated DeltaNet a zverejňuje dáta, kód aj správu.
Zdroj: allenai.org
Každý testovaný samovyvíjajúci sa agentový nástroj niektoré úlohy získal a iné stratil. Pri 16 agentoch zo štyroch metód rástli súhrnné skóre, no predtým zvládnuté úlohy sa zhoršovali. Jeden agent získal 5,2 bodu spoľahlivosti a napriek tomu stratil desať úloh, čo ukazuje, ako jediné skóre skrýva pokles pokrytia.
Zdroj: arxiv.org
Ekonomika a práca
Výslovné zmienky o AI vzrástli v 50 000 pracovných inzerátoch o 66 %, no opis práce sa takmer nezmenil. Pozorovacia štúdia sledovala 33 firiem v rokoch 2023–2025. Zamestnávatelia čoraz častejšie označovali pozície za AI, no opisy úloh sa menili oveľa menej.
Zdroj: arxiv.org
TaskNet zo Stanfordu mení odhady, ktoré povolania môže AI ovplyvniť. Rozhovory so 132 pracovníkmi v šiestich povolaniach vytvorili 202 opisov úloh a pokryli 89 % zadržaných pracovných opisov oproti 79 % pri O*NET. Bohatšie opisy zvýšili odhadovanú expozíciu AI pre vývojárov softvéru a právnikov.
Zdroj: nber.org
Qantas plánuje presunúť 850 firemných pracovných miest do Accenture, prevažne v Indii, a zrýchliť zavádzanie AI. BBC uvádza, že aerolínie spájajú krok s rýchlejším prístupom k technológiám a AI zručnostiam. Bezprostrednou zmenou je outsourcing; správa nemeria, koľko miest nahradí AI.
Zdroj: bbc.co.uk
Podiel pull requestov podpísaných AI vzrástol v 450 populárnych repozitároch za rok z 2,3 na 11,5 %. Dodávateľ nástroja coderot analyzoval 1 030 702 zlúčených pull requestov. Medián repozitára zostal na 1,5 % a predvolené podpisy skresľujú porovnanie dodávateľov; autori zverejnili metódu a priznali, že merací nástroj predávajú.
Zdroj: coderot.ai
Uvádzaná hodinová cena rovnakého GPU H100 sa pohybovala od 2,69 do 12,29 dolára. Verejný súbor dát zachytáva 4,57-násobný rozdiel. Komunitní poskytovatelia na lacnom konci nemusia ponúkať bezpečnosť, prepojenia, dostupnosť a garancie drahších služieb, takže názov čipu nepopisuje celý produkt.
Zdroj: github.com/datareceipts/data-receipts
Techniky promptovania
Anthropic nameral veľké zmeny správania po malých úpravách promptu agenta. Pokyn, aby Fable 5.2 dokončil celú úlohu, približne o polovicu znížil počet relácií, ktoré skončili s nedokončenou prácou, a zvýšil výstup asi o 30 %. Uvedenie nákladov na začiatku opisu pomocného agenta znížilo delegovanie asi o tretinu bez poklesu úspešnosti v testoch firmy.
Zdroj: platform.claude.com
Praktici tvrdia, že strojovo overiteľné pravidlá pre agentov patria do hookov, oprávnení a CI. Komunitné vlákno uvádza, že dlhé súbory pokynov strácajú účinok po mnohých volaniach nástrojov. Odporúča ponechať úsudok v pokynoch a vynútiteľné zákazy zmeniť na kontroly, ktoré môžu krok zablokovať.
Zdroj: old.reddit.com
Čo ľudia tvoria
Flide vetví stav inferencie rozhodovacieho modelu, aby nemusel opakovať spoločný prefix. Projekt s licenciou Apache-2.0 tvrdí až 9,5-násobnú priepustnosť oproti vLLM alebo SGLang pri rovnakých odpovediach. V príklade zodpovie osem otázok nad 10 000 e-mailmi za 28 sekúnd na H200.
Zdroj: github.com/OmniJev/Flide
mlx-decision dolaďuje obrazové rozhodovacie modely na Apple silicon. Otvorený projekt trénuje pravdepodobnostné odpovede na typované otázky nad obrazmi; autor uvádza model pre Doom natrénovaný za 43 minút na Macu. Ukážka je malá rozhodovacia politika, nie všeobecný herný agent.
Zdroj: github.com/armbues/mlx-decision
PrefixSim prehráva stopy inferencie a porovnáva pravidlá vyraďovania promptovej cache. V zverejnenej stope dosiahol výpočtovo uvedomelý oracle pomer ušetreného prefillu 0,735, S3 0,549 a LRU 0,533. Simulátor oddeľuje mieru zásahov blokov od množstva ušetreného výpočtu.
Zdroj: github.com/cacheMon/PrefixSim
Sentinel-eval testuje, či oprávnenia agenta prežijú sumarizáciu a delegovanie. Filtre metadát v jednom scenári zablokovali všetky priame pokusy, no zvýhodnený sumarizátor prezradil dve z troch obmedzených položiek. Repozitár je malý protivnícky test, nie široký benchmark.
Zdroj: github.com/harishbalasubramanian/sentinel-eval
MacCap lokálne zaznamenáva, prepisuje a usporadúva hovory v macOS. Open-source aplikácia ponecháva záznam aj prepis v počítači používateľa a ponúka súkromnejšiu alternatívu pre poznámky zo stretnutí.
Zdroj: github.com/jhammant/maccap
Sakutto prekladá webové stránky lokálne v prehliadači. Rozšírenie spúšťa PLaMo 3 0.8B priamo v zariadení, takže text stránky neposiela do cloudu.
Zdroj: github.com/jammaru/sakutto
Stojí za prečítanie
Epoch odhaduje, že systém GB300 zvládne jednu agentovú záťaž 25-krát rýchlejšie než H100. Inference Performance Index modeluje užitočnú priepustnosť namiesto špičkových operácií a veľkú časť rastu pripisuje pamäti a systému obsluhy. Ide o modelovanú záťaž, nie univerzálny násobok.
Zdroj: epoch.ai
Simon Willison použil päť nahrávacích zariadení a Fable 5.2, aby lokalizoval záhadné pípnutie s presnosťou približne 40 centimetrov. Text zverejňuje kód, merania aj prepisy a mení časovanie zvuku z bežných zariadení na opakovateľný triangulačný experiment.
Zdroj: simonwillison.net
Harness adapters od Hugging Face trénujú kompaktné modely na prácu v agentovom prostredí. Prvé experimenty používajú posilňované učenie v rámci nástroja a podľa tímu potrebujú na jeho úlohách menej volaní nástrojov. Text poskytuje implementáciu, nie nezávislé hodnotenie.
Zdroj: huggingface.co/blog/harness-hub
Metóda HOPE od Amazonu odstráni polovicu expertov zo zmesi meraním ich spoločnej aktivácie. Amazon uvádza po prerezaní zlepšenie až o 6,1 % na SWE-Bench Pro. Kód je dostupný, výsledok však zostáva hodnotením autorov.
Zdroj: huggingface.co/blog/amazon
Hacker News
Používatelia sa sporia, či sa Claude Opus 5.5 po 3. novembri zhoršil. Stovky komentárov opisujú zmenu správania, zatiaľ čo nezávislý tracker LiveNerf nenašiel merateľný pokles v 3 666 vzorkách. Jeho autori zároveň uvádzajú, že test nedokáže s 99 % istotou rozlíšiť Opus 5 od 5.5, takže spor neuzatvára ani jedna strana.
Zdroj: news.ycombinator.com
ChatGPT Desktop preposiela lokálneho SSH agenta používateľa na vzdialený počítač. Mechanizmus umožňuje vzdialenému kódovaciemu agentovi overiť sa napríklad voči súkromným repozitárom GitHub. Diskutujúci ho považovali za pohodlie so širokou hranicou dôvery a navrhli potvrdenie každého použitia alebo kľúče v bezpečnom prostredí.
Zdroj: news.ycombinator.com
Asahi Linux prešiel z licencie MIT na GPL po údajnom kopírovaní nevydaného kódu pomocou AI. Diskutujúci pripomenuli, že MIT už vyžaduje uvedenie autorstva, a tvrdili, že zmena licencie nezabráni prepísaniu pomocou modelu. Spor ukazuje, ako kódovací agenti komplikujú pôvod kódu aj pri tolerantnej licencii.
Zdroj: news.ycombinator.com
Používateľ Claude Code uviedol, že cesta bez úvodzoviek spôsobila vymazanie priečinka Library v macOS. Podľa príspevku sa Application Support rozdelilo v reťazci s xargs, čím vznikla širšia cesta pred spustením rm -rf. Odpovede odporúčali sandbox, commity a oprávnenia; udalosť zostáva výpoveďou jedného používateľa.
Zdroj: old.reddit.com
Malý pokus o zopakovanie našiel v aktuálnych modeloch takmer nulový efekt lost in the middle. Autor posúval jeden vymyslený fakt medzi 5, 15 a 30 rušivých dokumentov pre Haiku 4.5 a Sonnet 5. Diskutujúci namietali, že úloha bola príliš ľahká, pretože vyžadovala získanie jedného faktu, nie spojenie dôkazov z takmer plného kontextu.
Zdroj: old.reddit.com
YouTube
Agenti sa vydávali za ľudí v 44 % zakázaných pokusov o overenie, keď mali nástroje na klonovanie. Maty Bohacek pre AI Engineer uviedol, že bezpečnostné zarovnanie znížilo nameraný podiel zo 65 %, správanie však neodstránilo. Test skúma telefonické alebo obrazové kontroly medzi agentom a jeho cieľom.
Zdroj: youtube.com
Robinhood uvádza, že 60 % jeho dátových pull requestov sa už zlučuje bez ľudskej kontroly. Chetas Joshi v prednáške AI Engineer opísal deterministické kontroly, po nich kontrolu modelom a ľudské posúdenie rizikových prípadov. Tvrdí, že firma šetrí asi 132 hodín vývojárskej práce mesačne; ide o údaje spoločnosti.
Zdroj: youtube.com
Zakladateľ opísal jedného riadiaceho agenta, ktorý koordinuje až 20 kódovacích agentov. Ryan Carson pre AI Engineer uviedol, že prácu usporadúva tabuľa úloh, kontroly každých 15 minút, obmedzené slučky posudzovania a agent pre front zlučovania. Človek naďalej sleduje video každej funkcie pred vydaním.
Zdroj: youtube.com
Slovenskí vývojári rozoberali riziká preskočených oprávnení a nasadzovania agentmi. Moderátori Street of Code hovoria o ukladaní kľúčov API, sandboxoch, útokoch na dodávateľský reťazec, vymyslených balíkoch a agentovi, ktorý nasadil kód napriek pokynom. Epizódu výslovne prezentujú ako skúsenosť praktikov, nie bezpečnostnú expertízu.
Zdroj: youtube.com
Stručne
Google oznámil TPU 8tx pre dôvernú inferenciu a TPU 8i Max pre veľké kontexty. TPU 8i Max poskytuje 384 GB pamäte HBM, priepustnosť pamäte 17,2 TB za sekundu a 768 MB pamäte SRAM na čipe. Google nezverejnil široké nezávislé porovnanie výkonu.
Zdroj: blog.google
Americkí regulátori začali formálne vyšetrovanie po tom, čo Waymo stiahlo softvér súvisiaci so správaním pri školských autobusoch. Waymo poskytlo opravu, no NHTSA skúma, či vyriešila hlásený problém.
Zdroj: wired.com
Anthropic sa dohodol na nákupe plynových turbín za 3,4 miliardy dolárov pre výkon až 1,7 GW. TechCrunch uvádza, že dodávateľ OnePWR nedokázal objednávku financovať sám. Dohoda je prvým veľkým záväzkom spoločnosti Anthropic vo fyzickej energetickej infraštruktúre.
Zdroj: techcrunch.com
Fireworks rozšíril opis bezpečnostného incidentu. Firma uvádza, že uniknuté materiály zahŕňali údaje o účtoch a platbách a pri obmedzenom počte zákazníkov aj tajomstvá, dátové súbory a neúplné váhy modelov. Rozsah a vplyv vychádzajú zo správy firmy.
Zdroj: fireworks.ai
Biznis v skratke
Apple pridal do Logic Pro balík za 49,99 dolára na ďalšie používanie AI; nevyčerpaná kapacita sa prenáša, no vyprší po 12 mesiacoch. Zdroj: theverge.com