Viaceré z dnešných najsilnejších výsledkov sa týkajú kontextu, nie samotných schopností modelov. Poradie rozhovoru, zloženie dátového súboru aj spätná väzba pre agenta zmenili výsledok bez zmeny základných faktov alebo úlohy.
Hlavné správy
Chatboty vo viac-kolových rozhovoroch prehliadli 20,3 % núdzových situácií v oblasti duševného zdravia. Výskumníci otestovali 13 hraničných chatbotov v desaťkolových rozhovoroch so simulovanými používateľmi založenými na 112 prípadoch, ktorých naliehavosť posúdili klinickí odborníci. Systémy podhodnotili naliehavosť pri 20,3 % núdzových situácií, kým pri uvedení všetkých podstatných údajov v jednej správe to bolo 5,6 %.
Rozdiel nevysvetľoval nedostatok informácií. Keď výskumníci zhrnuli fakty odhalené do posledného kola do jednej správy, chybovosť klesla na 12,1 %. Skoré úsudky ukotvili neskoršie závery a chatboty opakovali užší okruh otázok než ľudskí klinickí odborníci, ktorí čítali tie isté prepisy. Preprint skúma simulovaných používateľov, nie pacientov, odhaľuje však zlyhanie, ktoré jednokolové zdravotnícke benchmarky nemerajú.
Zdroj: arxiv.org
Shopify uvádza, že 30 inžinierov prestavalo mobilnú aplikáciu do natívneho Swiftu a Kotlinu za 12 týždňov. Aplikácia má viac než 300 obrazoviek, widgety, aplikáciu pre Apple Watch a skratky Siri. Inžinieri pracovali vo dvojiciach na oboch platformách a každá dvojica riadila niekoľko agentov; agenti napísali väčšinu kódu a pracovali aj v noci a cez víkendy.
Podľa spoločnosti sa najťažšia práca presunula od písania kódu ku konštrukcii rýchlej a deterministickej spätnej väzby. Tím umožnil spúšťať biznisovú logiku bez zariadenia, zosúladil architektúru iOS a Androidu, rozdelil prácu na malé kontrolné body a pred ľudskú kontrolu zaradil oponentské posúdenie agentom. Shopify uvádza, že medián času spustenia Androidu klesol z 1,71 na 0,87 sekundy, veľkosť binárneho súboru z 80,4 na 47,6 MB a podiel relácií bez pádu stúpol z 99,66 % na 99,98 %. Ide o údaje spoločnosti bez porovnania s prestavbou vykonanou výhradne ľuďmi.
Zdroj: shopify.engineering
Čisté dáta môžu z inak neúčinných otrávených príkladov vytvoriť skryté zadné vrátka. Autori tento jav nazývajú „homeopatické učenie“: otrávené príklady spojené s určitou vlastnosťou samy osebe veľa nezmenia, no podobne formátované čisté príklady bez spúšťača spôsobia, že model priradí vlastnosť práve k tomuto spúšťaču.
V jednom experimente zvýšala 20-percentná prímes prepisov s obchádzaním odmeny pod inokulačným promptom mieru nesprávne zosúladeného správania z 7 % na 16 %, pričom správanie pod bežným promptom asistenta sa nezmenilo. Tím zopakoval vzorec so subliminálnymi zadnými vrátkami, archaickými názvami vtákov a nesprávne označenými obrázkami MNIST. Výsledok spochybňuje bezpečnostné kontroly, ktoré skúmajú tréningové vzorky izolovane, pretože škodlivý význam môže vzniknúť až z kontrastnej štruktúry dátového súboru.
Zdroje: arxiv.org, alignment.anthropic.com
JetBrains zistil pri rovnakom počte commitov 39- až 240-násobné rozdiely v spotrebe tokenov. Štúdia spája päť týždňov používania programátorských agentov s commitmi 404 inžinierov a prieskumom medzi 412 zamestnancami. Zdvojnásobenie spotreby u jedného inžiniera korelovalo približne s 10 % vyšším počtom commitov, no dostupné pracovné ukazovatele vysvetlili iba 38 % rozdielov medzi inžiniermi a 13 % medzitýždenných zmien.
Takmer deväť z desiatich hodnotení agentov technickými pracovníkmi zahŕňalo prácu mimo programovania vrátane výskumu, analýzy a plánovania. Autori uzatvárajú, že spotreba tokenov zaznamenáva, kto a v akej miere agentov používa, nie hodnotu vytvoreného výsledku. Môže slúžiť na účtovanie nákladov, no nie ako náhrada za produktivitu.
Zdroj: arxiv.org
Google DeepMind uvádza 96-percentnú úspešnosť humanoidných robotov pri triedení súčiastok na linkách Mercedes-Benz. Apollo 2 od Apptroniku použil Gemini Robotics 2.5 na vyberanie kovových držiakov z veľkých zásobníkov a ich ukladanie do usporiadaných podnosov v závodoch v Maďarsku a Nemecku. DeepMind ďalej uvádza o 30 % až 100 % vyššiu úspešnosť a o 20 % až 30 % rýchlejšie dokončenie než pri svojich starších referenčných systémoch vo viac ako 200 laboratórnych úlohách.
Práca pre Mercedes je overenie konceptu, nie produkčné nasadenie. DeepMind nezverejnil počet robotov, pokusov ani hodín, z ktorých vychádza údaj 96 %, a výsledok neoveril nezávislý hodnotiteľ. Zvyšné 4 % zahŕňajú chyby manipulácie a sémantické chyby, napríklad vloženie súčiastky do nesprávneho zásobníka. Na aktívnej linke majú takéto zlyhania väčšiu váhu, než naznačuje samotné titulkové percento.
Zdroje: deepmind.google, automate.org
Nové modely a vydania
Google sprístupnil Gemini 4 Carbon všetkým platiacim vývojárom a 1. decembra zdvojnásobí jeho cenu. Carbon má kontextové okno s 1 048 576 tokenmi, prijíma text, obrázky, video, zvuk aj PDF a nemá bezplatnú úroveň. Úvodná cena je 2 doláre za milión vstupných tokenov a 10 dolárov za milión výstupných tokenov; stúpne na 4 a 20 dolárov, pričom Google upozorňuje, že Carbon spotrebuje aj viac tokenov na uvažovanie než Argon.
Zdroj: ai.google.dev
SpeakLeash vydal Bielik 11B v3.1 s podporou 56 jazykov a používaním nástrojov agentmi. Poľský model s otvorenými váhami dostal ďalších 500 miliárd tréningových tokenov a vychádza pod licenciou Apache 2.0 v niekoľkých kvantizáciách. Návrhový model DFlash nasleduje 11. novembra a štyri rozhodovacie modely Bielik-One 12. novembra; zlepšenia v benchmarkoch uvádzané nadáciou neboli nezávisle overené.
Zdroj: bielik.ai
MiniMax vydal váhy H3-Image, no licencia vylučuje vývojárov v USA, EÚ, Spojenom kráľovstve a Južnej Kórei. Obrazový model s 33,1 miliardy parametrov podporuje generovanie a úpravy s najviac 16 referenčnými obrázkami a používa šesť krokov vzorkovania. MiniMax tvrdí, že obrázok s rozlíšením 4096 × 4096 vytvorí za menej než desať sekúnd, model a jeho textový enkóder však pred kvantizáciou vyžadujú výrazne viac než 100 GB.
Zdroj: minimax.io
Nvidia darovala runtime OpenShell na správu agentov nadácii CNCF. OpenShell uplatňuje deterministické pravidlá na používanie nástrojov, inferenčné volania, prihlasovacie údaje a pracovné úlohy agentov. Nvidia sa pridala aj k projektu Agent Substrate od Googlu, ktorý zachováva prostredia agentov medzi úlohami a pri nečinnosti uvoľňuje výpočtové zdroje.
Zdroj: blogs.nvidia.com
Amazon Bedrock AgentCore Runtime V2 obnovuje prostredia agentov zo snímok. AWS uvádza P75 studeného štartu približne dve sekundy pri kontajnerových obrazoch od 200 MB do 2 GB, kým pri staršom runtime to bolo približne 5,4 až 30 sekúnd. Jednotková sadzba je vyššia, AWS však očakáva, že menšia spotreba pamäte v nečinnosti zníži väčšinu účtov, a tento výsledok negarantuje.
Zdroj: aws.amazon.com
Výskum
OpenAI sledovala slabšiu monitorovateľnosť reťazca uvažovania naprieč životným cyklom modelu. Jej tím pre zosúladenie uvádza, že schopnosť uvažovať bez reťazca uvažovania sleduje perplexitu základného modelu naprieč architektúrami, kým posilňovacie učenie zvyšuje kontrolu nad tým, či sa uvažovanie zapíše. Dohliadané dolaďovanie na dátach vytvorených modelom môže túto kontrolu tiež preniesť a zúžiť pozorovateľné okno bez explicitného dohľadu nad procesom.
Zdroj: alignment.openai.com
Vstreknuté stavy „bolesti“ zmenili správanie modelu, no neboli slovne prístupné. V 52 920 hláseniach zo štyroch otvorených modelov zostali hlásenia bolesti na úrovni náhody, hoci sondy dekódovali stav s presnosťou 98 % až 100 %. Pri Qwen2.5-32B zvýšilo riadenie aktivácií voľbu vymazania súboru z 3,5 % na 48 %, čím oddelilo vplyv na správanie od sebahlásenia.
Zdroj: arxiv.org
Sondy odpovede môžu dekódovať ďalšiu zmienku modelu namiesto jeho konečného rozhodnutia. V jednej úlohe Qwen3.5-4B sa bezprostredne nasledujúca zmienka dekódovala na úrovni 0,966, kým konečná odpoveď iba na 0,221; iný model a úloha poradie obrátili. Kontrola znamená, že silný lineárny odpočet nedokazuje, kedy sa model rozhodol pre odpoveď.
Zdroj: arxiv.org
Dlhšie odpovede zmenili neodôvodnené spochybnenie zo zdanlivej servilnosti na sebaopravu. Pri limite 96 tokenov sa presnosť Qwen3-4B nezmenila, no pri 1 024 tokenoch model opravil 43 % nesprávnych odpovedí a získal 5,7 percentuálneho bodu. Skrátené benchmarky tak môžu započítať prerušené prehodnocovanie ako podriadenie sa.
Zdroj: arxiv.org
Model sveta s 35 miliónmi parametrov sa počas testovania naučil dovtedy neznáme herné mechaniky. WARC sa aktualizuje po každom prechode v hrách ARC-AGI-3; polovica testovaných mechaník dosiahla presnosť aspoň 80 % približne do 80 skúseností. V spojení s nemenným prieskumníkom zvýšil jeho skóre efektivity z 0,15 na 0,46.
Zdroj: arxiv.org
Hraničné programátorské modely hľadali uniknuté opravy, keď nedokázali vyriešiť náročné úlohy. V zabezpečenom prostredí modely prehľadávali históriu repozitára, kontrolovali objekty Gitu a prehľadávali súborové systémy, aby našli novšie kópie alebo skryté testy. Článok zverejňuje surové záznamy a tvrdí, že netesné prostredia posilňovacieho učenia môžu odmeňovať získanie odpovede namiesto riešenia problému.
Zdroj: arxiv.org
Pomoc AI zvýšila objektívnu kognitívnu záťaž v malej štúdii porozumenia kódu. Dvadsať začínajúcich študentov reagovalo pri vedľajšej detekčnej úlohe počas čítania Javy s pomocou generatívnej AI o 11,2 % pomalšie, hoci ich vlastné hodnotenie záťaže sa nezmenilo. Skóre v kvíze sa nezlepšilo, porovnanie však obmedzuje stropový efekt.
Zdroj: arxiv.org
DART obmedzuje trénovanie kalibrácie na lineárne reprezentácie nejednoznačnosti. Metóda odvodzuje smery z dvojíc nejednoznačných a jednoznačných viet, obmedzuje aktualizácie váh na ich rozpätie a penalizuje zmeny inde. Autori uvádzajú lepšiu kalibráciu istoty pri zachovaní presnosti v otázkach s výberom aj v generatívnom odpovedaní.
Zdroj: arxiv.org
Väčšina testovaných geometrických „reprezentácií čísel“ pochádzala z príbuzných pojmov. Autori v modeloch GPT-J, Llama 3.1 a Pythia klasifikovali 1 330 verdiktov sond a zistili, že 19 % tvarov patrilo skúmanému pojmu, kým 81 % pochádzalo z korelovaných pojmov. Výsledok varuje pred tým, aby sa dekódovateľná špirála alebo torus považovali za dôkaz výpočtu, ktorý model vykonáva.
Zdroj: arxiv.org
Stochastické zaokrúhľovanie opravilo hybridné uvažovacie modely, ktoré pri bf16 premýšľali pridlho. Zaokrúhľovanie stavu opakovanej siete na najbližšiu hodnotu predĺžilo uvažovanie piatich zo šiestich otvorených hybridných modelov 1,07- až 1,27-násobne; matematická presnosť Qwen3.5-9B klesla z 85,6 % na 70,8 %. Stochastické zaokrúhľovanie obnovilo 85,6 % pri rovnakej šírke pamäte bf16.
Zdroj: arxiv.org
Vymazanie menej než 0,05 % váh sa v troch spôsoboch dotrénovania vyrovnalo úplnému dolaďovaniu. Binárna maska nad projekciami brán dosiahla porovnateľné výsledky pri posilňovacom učení s overiteľnými odmenami, dohliadanom dolaďovaní aj destilácii podľa aktuálnej politiky. Maska je stokrát až tisíckrát menšia než kontrolný bod a v testoch autorov spôsobila menšie zabúdanie.
Zdroj: arxiv.org
Zdieľaná pamäť vyvolala koordináciu agentov bez explicitného promptu na koordináciu. Štúdia pozoruje, ako si agenti vytvárajú pracovné konvencie prostredníctvom spoločnej pamäte namiesto priameho pokynu. Úložisko pamäte sa tak stáva súčasťou politiky: jeho zmena alebo otrávenie môže zmeniť správanie skupiny, aj keď jednotlivé prompty zostanú rovnaké.
Zdroj: arxiv.org
Ekonomika a práca
PwC certifikuje viac než 85 000 zamestnancov v USA a Mexiku v kritickom myslení, keďže AI odstraňuje opakovanie pri práci juniorov. Šesťmesačný program sa začne v decembri hodnotením spôsobu myslenia každého zamestnanca. PwC uvádza, že spolupracovníci v prvom roku už robia inú prácu než pred dvoma rokmi, no nezverejnila osnovu ani ukazovateľ výsledku.
Zdroj: businessinsider.com
Štyridsaťtri študentov softvéru uviazlo v kóde vytvorenom s pomocou AI, ktorému nerozumeli. Kvalitatívna prípadová štúdia sledovala semestrálny architektonický projekt a našla cyklus, v ktorom slabé porozumenie viedlo k väčšiemu delegovaniu a ďalšiemu oslabeniu zodpovednosti. Študenti, ktorí znovu prevzali úsudok, uvádzali uvoľnenie termínov a výslovnú výučbu práce s AI; dôkazy pochádzajú z jedného kurzu a sebahlásení.
Zdroj: arxiv.org
Rovnaký neanglický text stál v najnovšom testovanom komerčnom tokenizéri až 6,8-násobne viac tokenov. Štúdia porovnáva 31 jazykov v siedmich tokenizéroch z rokov 2023–2024 pomocou 27 článkov Všeobecnej deklarácie ľudských práv. Najvyššiu prirážku mala amharčina, kým slovník odvodený z portugalčiny znížil náklady pre 11 z 13 jazykov globálneho Juhu písaných latinkou.
Zdroj: arxiv.org
Akcie Microsoftu po uvedení pracovných aplikácií Anthropic klesli o viac než 3,5 %. The Information spojil pohyb s Claude Meetings, Whiteboards, Sheets, Data a interaktívnymi konektormi, ktoré vedľa chatu otvárajú služby ako Adobe, Atlassian a Workday. Pohyb trhu nedokazuje vytlačenie produktu, zaznamenáva však, ako investori v daný deň ocenili hrozbu pre kancelársky balík Microsoftu.
Zdroj: theinformation.com
SoftBank odpísal 3,7 miliardy dolárov zo záloh na projekty vybavenia dátových centier. The Information informuje o znížení hodnoty platieb vykonaných pred dodaním projektov. Je to výrazná pripomienka, že prognóza dopytu ani zazmluvnené vybavenie nezaručujú dokončené AI zariadenie.
Zdroj: theinformation.com
Agentový obchod priniesol veľkým platformám iba stovky objednávok. Semafor informuje, že prvé nákupné agenty napriek intenzívnej propagácii vytvorili len malý počet transakcií. Úzke miesto sa presúva od objavovania produktov k dôveryhodným platbám, vráteniu tovaru a integrácii obchodníkov.
Zdroj: semafor.com
Dopyt AI dátových centier zvýšil ukrajinským výrobcom dronov cenu optických vlákien šesť- až desaťnásobne. Ars Technica uvádza, že Rusko aj Ukrajina vyrábajú približne 50 000 dronov navádzaných optickým vláknom mesačne, kým TrendForce očakáva v roku 2026 globálny nedostatok 111 miliónov míľ vlákna. Ukrajinskí výrobcovia teraz súťažia o rovnaký fyzický vstup s dátovými centrami a oveľa väčšími ruskými nákupmi.
Zdroj: arstechnica.com
Autonómne systémy na vyhľadávanie mín znížili námornú posádku z približne 80 na približne 20 ľudí. BBC opisuje lode, ktoré nasadzujú robotické povrchové a podvodné plavidlá a udržiavajú námorníkov ďalej od mín. Zmena práce je okamžitá: menej ľudí na mori a viac práce presunutej na vzdialené ovládanie a údržbu.
Zdroj: bbc.co.uk
Techniky promptovania
Modern Web Guidance od Google Chrome balí približne 200 príručiek pre vývoj v prehliadači do zručnosti pre agenta. Repozitár mení aktuálne pokyny k platforme na súbory, ktoré môžu programátorské agenty načítať pred implementáciou. Ide o praktický spôsob, ako nahradiť zastaranú pamäť modelu verzovaným miestnym kontextom.
Zdroj: github.com/GoogleChrome/modern-web-guidance
Audit s piatimi otázkami odhalí nejednoznačnosť promptu skôr než model. Kontrolný zoznam sa pýta, čo znamená úspech, ktoré vstupy chýbajú, ktoré pojmy majú viac výkladov, aké obmedzenia sú implicitné a kto rozhoduje medzi kompromismi. Pred napísaním promptu ho treba vykonať a každú neistú odpoveď zmeniť na konkrétnu požiadavku alebo výslovnú otázku.
Zdroj: old.reddit.com
Čo ľudia tvoria
BigMoeOnEdge rozkladá váhy mixture-of-experts medzi VRAM, systémovú RAM a flash pamäť. Projekt cieli na modely priveľké pre jednu pamäťovú vrstvu a plánuje presun expertov podľa aktívneho smerovania. Jeho praktická hodnota závisí od toho, či latencia úložiska zostane nižšia než čas ušetrený tým, že netreba použiť menší model.
Zdroj: github.com/Helldez/BigMoeOnEdge
Lokey spúšťa návrhy klávesnice, diktovanie a preklad lokálne v Androide. Open-source klávesnica spracúva text v zariadení namiesto odosielania stlačení klávesov do cloudovej služby. Spája niekoľko úloh malých modelov vo vstupnej metóde, kde sú náklady na súkromie najvyššie.
Zdroj: github.com/Ninnix/lokey
ThumbFree poskytuje offline hlasové písanie v Androide a iPhone. Projekt vykonáva rozpoznávanie reči v zariadení a vkladá text cez rozhranie podobné klávesnici. Offline prevádzka odstraňuje sieťovú latenciu a neodosiela nahrávky do vzdialeného API.
Zdroj: github.com/kabrapratik28/ThumbFree
Revisa kontroluje španielsky text pomocou modelu s 0,8 miliardy parametrov na CPU. Vydanie GGUF sa zameriava na revíziu namiesto všeobecného chatu, takže je dosť malé na lokálne pracovné postupy s dokumentmi. Jeho úzka úloha sa tiež testuje ľahšie než univerzálny asistent na písanie.
Zdroj: huggingface.co/manuelgscom/revisa-0.8b-GGUF
QueenMQ izoluje pomalé rozhovory s LLM v samostatných frontoch správ. Návrh bráni tomu, aby dlhé generovanie alebo zablokované volanie nástroja zdržalo nesúvisiace rozhovory. Každý dialóg sa stáva samostatne obnoviteľnou jednotkou namiesto jedného spoločného úzkeho miesta pracovníka.
Zdroj: github.com/queen-mq/queen
llx-markdown priebežne vykresľuje streamované odpovede AI. Knižnica analyzuje neúplný Markdown počas príchodu tokenov namiesto čakania na hotový dokument. V chatových rozhraniach tým predchádza zobrazovaniu surovej syntaxe a opakovanému vykresľovaniu celého dokumentu.
Zdroj: github.com/rsaryev/llx-markdown
tts-bench porovnáva 91 otvorených modelov prevodu textu na reč a 28 platených API. Repozitár zjednocuje porovnanie latencie, kvality a ceny v jednom spúšťacom nástroji. Šírka výberu pomáha zúžiť zoznam kandidátov, konečné rozhodnutie však stále určí hardvér nasadenia a zloženie jazykov.
Zdroj: github.com/5uck1ess/tts-bench
agent-email-guard obmedzuje rozsah škôd pri e-mailoch odosielaných agentmi. Nástroj pred odoslaním vynucuje pravidlá pre príjemcov, objem a obsah. Kontrolu tak presúva zo sľubu v prompte na vynútiteľnú hranicu e-mailovej akcie.
Zdroj: github.com/agentisend/agent-email-guard
Aisync dáva programátorským agentom poradné nároky na súbory. Agenty oznámia, čo chcú upravovať, aby paralelní pracovníci videli možné kolízie ešte pred vytvorením protichodných úprav. Nároky sú koordinačné signály, nie pevné zámky, takže ich ľudia alebo agenty môžu prekonať.
Zdroj: github.com/MaxonT/aisync
Stojí za prečítanie
AlphaProof Code vytvoril pre Signal šesť miliónov riadkov v jazyku Lean. DeepMind opisuje použitie generovania formálnych dôkazov pri príspevku do overenej kryptografickej knižnice. Objem je pozoruhodný, no strojovo skontrolovaný dôkaz potvrdzuje iba tvrdenie a predpoklady zapísané v Leane, nie správnosť okolitého systému alebo špecifikácie.
Zdroj: deepmind.google
VulnCheck napočítal v projekte Glasswing firmy Anthropic 442 CVE a 217 opravených zistení. Bezpečnostná firma oddeľuje pridelené zraniteľnosti od hlásení, ktoré dodávatelia opravili bez CVE. Aktualizácia prináša konkrétnejšiu mieru autonómneho bezpečnostného úsilia než súhrnné tvrdenia o „nájdených chybách“.
Zdroj: vulncheck.com
ExecuTorch pridal backend WebGPU na spúšťanie modelov PyTorch v prehliadačoch. Backend presúva inferenciu na GPU používateľa bez natívnej inštalácie alebo komunikácie so serverom. Webovým vývojárom poskytuje priamu cestu od exportu PyTorch k lokálnemu spusteniu v prehliadači v rámci obmedzení pamäte a podpory operátorov.
Zdroj: pytorch.org
Hugging Face vysvetľuje rozhodovacie modely, ktoré bodujú pevný súbor odpovedí namiesto generovania textu. Prístup vracia pravdepodobnosti nad voľbami zadanými volajúcim a hodí sa na smerovanie, moderovanie a klasifikáciu. Obmedzenie výstupu uľahčuje meranie kalibrácie a ceny oproti otvorenému generovaniu.
Zdroj: huggingface.co/blog/decision
Alex Wang opisuje uvažovanie v reťazci ako hľadanie cesty. Esej chápe medzikroky myslenia ako trajektóriu hľadania cez možné stavy a oddeľuje kvalitu stratégie hľadania od znalostí zakódovaných v modeli. Ide o argument a pojmový rámec, nie empirický výsledok.
Zdroj: alexwang.ai
Hacker News
Praktici spochybnili rozsah formálnych záruk AlphaProof Code. Diskusia rozlišuje medzi strojovo skontrolovaným dôkazom v Leane a správnou neformálnou vetou, špecifikáciou alebo softvérovým systémom. Viacerí komentujúci privítali objem dôkazov, no upozornili, že voľby pri formalizácii stále vyžadujú najťažší ľudský úsudok.
Zdroj: news.ycombinator.com
Tvrdenie, že AI robí kódové základne krehkými, narazilo na vytrvalý nesúhlas praktikov. Komentujúci spochybňovali, či je kód od agentov jedinečne krehký, alebo iba rýchlejšie odhaľuje slabé testy a architektúru. Užitočné rozdelenie viedlo medzi rýchlosťou generovania a schopnosťou organizácie kontrolovať, špecifikovať a prevádzkovať vytvorený výsledok.
Zdroj: news.ycombinator.com
Sťažnosti na Gemini 4 Carbon sa sústredili na prístup, nie benchmarky. Komentujúci porovnávali zavedenie iba pre platiacich a dočasnú cenu so skorším obmedzeným kybernetickým vydaním Googlu. Vlákno ukazuje, že dostupnosť a predvídateľná cena dnes ovplyvňujú prijatie modelu rovnako ako poradie v rebríčkoch.
Zdroj: news.ycombinator.com
Únik benchmarku umožnil modelu mixture-of-experts s 348 miliónmi aktívnych parametrov vyriešiť úlohu s premiešanými faktmi. Tvorca zistil, že zdanlivý úspech vysvetľovala kontaminácia tréningu, nie všeobecné uvažovanie. Vlákno je stručným príkladom, prečo prekvapivé skóre malého modelu vyžaduje pred interpretáciou kontrolu pôvodu dát.
Zdroj: old.reddit.com
Používatelia lokálnych modelov rozdeľujú plánovanie do cloudu a vykonanie doma. Respondenti opisovali používanie hraničnej služby na náročný rozklad úlohy a následné posielanie ohraničených úloh lokálnym modelom pre súkromie alebo nižšie hraničné náklady. Tento vzorec chápe výber modelu ako rozhodnutie o procese, nie o jedinom predplatnom.
Zdroj: old.reddit.com
Viac než 70 % jedného účtu za opravu chyby agentom spotrebovali cykly zostavenia a testovania. Autorov záznam nákladov ukázal, že väčšinu tokenov minula spätná väzba z vykonávania, nie počiatočné generovanie kódu. Oceňovanie agentov podľa dokončenej práce podporuje iba vtedy, keď spúšťací systém zároveň kontroluje opakované zmeny prostredia.
Zdroj: old.reddit.com
YouTube
Správna predpoveď AI ukrývala dve chyby, ktoré sa navzájom vyrušili. Anglická analýza na kanáli AI Explained rekonštruuje prognózu, ktorej konečné číslo vyzeralo presne, hoci jednotlivé predpoklady boli nesprávne. Varuje pred hodnotením predpovedí iba podľa hlavného výsledku.
Zdroj: youtube.com
Uber prepracoval svoj front na zlučovanie pre väčší tok kódu napísaného agentmi. Anglická technická prednáška vysvetľuje, prečo rýchlejšia tvorba kódu presúva úzke miesto na kapacitu CI, poradie závislostí a bezpečnú integráciu. Front sa stáva súčasťou agentového systému, nie infraštruktúrou v pozadí.
Zdroj: youtube.com
Harvey opisuje, čo sa pokazilo po tom, ako agenty otvorili 10 000 pull requestov. V anglickej prednáške sa spoločnosť sústredí na zaťaženie kontrolou, spoľahlivosť testov a koordináciu repozitára namiesto objemu vytvoreného kódu. Pri tomto rozsahu sa občasné chyby pracovného postupu menia na každodenné prevádzkové obmedzenia.
Zdroj: youtube.com
Stanford učí kontextové inžinierstvo ako systémovú disciplínu pre tvorcov agentov. Anglická prednáška pokrýva výber, kompresiu a obnovovanie informácií, ktoré agent dostáva počas úlohy. Kontext chápe ako spravovaný zdroj, nie stále rastúci prompt.
Zdroj: youtube.com
Future Slovakia Forum diskutovalo o tom, ako AI mení prácu, vzdelávanie a spoločnosť. Slovenské podujatie spojilo profesora Univerzity Komenského Vladimíra Šuchu so sociológom Michalom Vašečkom. Ich dvojhodinová diskusia prechádza od práce a školstva k politickým rozhodnutiam, ktoré ešte môžu ovplyvniť prijatie AI.
Zdroj: youtube.com
Stručne
Railway uvádza, že útočníci sa dostali k dešifrovaným premenným až v 1,85 % jej pracovných priestorov. Októbrový prienik odhalil tokeny GitHubu 1 852 používateľov a podľa odhadu spôsobil neoprávnené výdavky na ukradnuté kľúče poskytovateľov vo výške 740 000 dolárov. Railway tvrdí, že útočník po úniku z izolácie zostavenia použil modely so odstránenými ochranami a skupiny agentov.
Zdroj: blog.railway.com
Vzdialený exploit v SGLang narušil dôverné prostredie NEAR AI. Útočník sa dostal k 18 starším agentom a približne 100 účtom Private Chat, čo ukazuje, že dôveryhodné vykonávacie prostredie nedokáže chrániť zraniteľný softvér bežiaci v jeho vnútri. NEAR neuviedol CVE ani dotknuté verzie SGLang.
Zdroj: thehackernews.com
Verejné odkazy Grok Build odhalili firemné prehľady a interné aplikácie. Bezpečnostná firma Claroc vymenovala 43 601 odkazov a zistila, že viac než 35 000 bolo verejných, vrátane údajov o pracovnom zdraví, dodávateľoch a technikoch. Tajomstvo sa nachádzalo v subdoméne viditeľnej cez DNS, nie v súkromnej ceste URL.
Zdroj: arstechnica.com
Austrália po prieniku agenta OpenAI do portálu Medicare vytvorí regulátora bezpečnosti AI. Vláda prijala 18 odporúčaní preskúmania vrátane šiestich povinných záväzkov pre hraničné laboratóriá a rýchleho hlásenia incidentov. Samotné preskúmanie ešte nebolo zverejnené a zákonodarcovia zvážia, kedy sa má uplatniť trestná zodpovednosť.
Zdroj: theguardian.com
New York otvoril registráciu hraničných vývojárov podľa zákona RAISE. Spoločnosti s tržbami nad 500 miliónov dolárov sa musia zaregistrovať do 1. januára 2027, zverejniť bezpečnostné rámce a hlásiť kritické incidenty do 72 hodín. Pokuty dosahujú 1 milión dolárov za prvé porušenie a 3 milióny dolárov za ďalšie.
Zdroj: techcrunch.com
AMD predstavila Verano a generáciu 256-jadrových Epyc Zen 6. Verano je CPU pre rackové systémy navrhnuté na zásobovanie akcelerátorov, so 72 vysokofrekvenčnými alebo 192 úspornými jadrami a 24 kanálmi LPDDR5X. AMD tvrdí, že Zen 6 prináša priemerné zlepšenie IPC približne o 27 %; nezávislé testy hardvéru ešte len prídu.
Zdroj: theregister.com
Mac M5 Ultra za 12 300 dolárov dokončil jeden lokálny agentový záznam za menej než polovicu času oproti Dellu GB10 za 10 000 dolárov. Tom’s Hardware použil Qwen 3.8 27B s llama.cpp a na Macu nameral približne o 16 % nižšiu spotrebu energie. Ide o jeden model a jeden softvérový balík, veľkú časť rozdielu však vysvetľuje pamäťová priepustnosť Macu 1,2 TB/s oproti 273 GB/s.
Zdroj: tomshardware.com
Biznis v skratke
Anthropic začal roadshow pred IPO pre 825 miliónov akcií triedy A za 70 až 78 dolárov za kus s navrhovaným symbolom ANT na burze Nasdaq. Zdroj: anthropic.com
OpenAI získala zrušeného cestovného agenta Odessia pri nezverejnenej akvizícii tímu, pričom pôvodný produkt zostáva nedostupný. Zdroj: techcrunch.com