Agentic AI News 9 sierpnia 2026

Domyślny tryb automatyczny Claude Code. Anthropic włączy tryb automatyczny domyślnie dla planów Pro, Max i Team 14 sierpnia. Ewaluacje pokazują, że zmniejsza ryzyko wstrzyknięcia promptu poniżej poziomu ręcznej akceptacji przez człowieka, a testerzy wygenerowali o 25% więcej pull requestów.

• Auto mode is now the default in Claude Code for Pro, Max, and Team plans(otwiera się w nowej karcie)
• Anthropic sets Claude Code to Auto Mode by default to protect developers from bad approvals(otwiera się w nowej karcie)

Sesje Claude rozmawiają. Sesje Claude Code na macOS/Linux mogą teraz wysyłać sobie wiadomości, umożliwiając współdzielenie kontekstu między terminalami i komputerami, z lokalnym routingiem dla lepszej koordynacji.

• Claude Code sessions can now talk to each other and share context across terminals(otwiera się w nowej karcie)

DSV4 Flash jako koń roboczy do kodowania. Użytkownicy raportują, że DeepSeek V4 Flash 0731 działa niezawodnie podczas rozszerzonych sesji kodowania z agentami takimi jak OpenCode i Hermes, obsługując wielogodzinne zadania i pracę administracyjną systemu na klastrach DGX Spark.

• DeepSeek V4 Flash 0731 appreciation post(otwiera się w nowej karcie)

DS4 tworzy niestandardowe jądro Metal. W ciągu około 50 minut DeepSeek V4 Flash wygenerował niestandardowe jądro Metal dla kwantu Kimi K3 IQ1_0, poprawiając wydajność na Mac Studio z CPU do ~4 t/s dekodowania, demonstrując zdolność kodowania agentowego.

• ds4 flash 0731 UD-IQ2_M wrote a custom metal kernal for kimi k2 IQ1_0 in about 50 minutes(otwiera się w nowej karcie)

Lokalny stack głosowego AI. Społecznościowa kompilacja łączy Parakeet STT, Qwen 2.5 7B i Qwen3-TTS, tworząc w pełni lokalnego asystenta głosowego działającego w czasie rzeczywistym z Ollamą.

• I built a local realtime voice stack for Ollama: Parakeet STT → Qwen 2.5 7B → Qwen3-TTS(otwiera się w nowej karcie)

Kimi K3 odchudzony do 478GB. Użytkownik społeczności usunął wsparcie wielojęzyczne z Kimi K3, zmniejszając kwant do 478 GB bez utraty jakości angielskiego, co umożliwia uruchomienie na maszynach, które wcześniej nie mogły go zmieścić.

• Kimi K3 (Unsloth) IQ2-XXS from 711GB down to 478GB!!! Only Multi-language was removed to trim the size(otwiera się w nowej karcie)
• My first run of Kimi K3 locally.(otwiera się w nowej karcie)

Qwen MoE ~4× szybciej. Qwen 35B-A3B MoE generował z prędkością ~116 tok/s w porównaniu do 30 tok/s dla gęstego modelu 27B w testach kodowania, przy tylko niewielkiej różnicy jakości, podkreślając kompromisy między przepustowością a efektywnością dla lokalnych deweloperów.

• Qwen 35B-A3B MoE vs 27B dense in local coding tests: ~4× faster, much smaller quality gap than I expected(otwiera się w nowej karcie)

Tokenizacja kodu Qwena. Qwen tokenizuje kod znacznie efektywniej niż Gemma (1609 vs 4258 tokenów dla tego samego pliku 330-linijkowego), co wyjaśnia jego lepszą wydajność w kodowaniu, podczas gdy Gemma doskonale radzi sobie z językiem naturalnym.

• No wonder Qwen and Gemma are so different(otwiera się w nowej karcie)

DSpark Draft spowalnia DSV4. Próby użycia modelu draft DSpark z DeepSeek V4 Flash na llama-server obniżyły tempo tokenów do 1-2 t/s, podczas gdy MTP draft osiągał 30-40 t/s, co wskazuje na problemy z kompatybilnością.

• Extremely slow DSpark draft model performance (1-2 t/s) with DeepSeek-V4-Flash on llama-server compared to MTP?(otwiera się w nowej karcie)

Silnik BitNet w czystym C. Silnik wnioskowania bez zależności w C osiąga 36 tok/s dla BitNet b1.58-2B na Xeonie, niemal nasycając przepustowość pamięci, z dekodowaniem batch-size-1 ograniczonym przez DRAM.

• Building a zero-dependency C inference engine for BitNet (1.58-bit) - lessons from hitting 36 tok/s on a Xeon CPU(otwiera się w nowej karcie)

Opcje kwantyzacji 4-bitowej MLX. Członkowie społeczności porównują kwantyzacje 4-bitowe OptiQ, Unsloth Dynamic i oQ dla MLX, poszukując idealnego kompromisu między jakością a szybkością dla modeli takich jak Qwen3.6-27B na Apple Silicon.

• Comparing 4bit quants for MLX(otwiera się w nowej karcie)

Plany budżetowego serwera GPU. Planowana konfiguracja porównuje dwie karty 16GB AMD RX 9060 XT z RTX 5060 Ti dla serwera z 48GB VRAM, zauważając przewagę kosztową AMD (o ~$650 mniej) w porównaniu z ekosystemem CUDA NVIDIA.

• Building a budget 32GB → 48GB VRAM home AI server: 2-3x RX 9060 XT 16GB vs RTX 5060 Ti 16GB, AM5 vs used EPYC?(otwiera się w nowej karcie)

Lokalny klaster 4× 6000 Pro. Użytkownik opisuje swoją wieloletnią ewolucję od dwóch kart 3090 do serwera z 4× RTX 6000 Pro i 512GB DDR4, dzieląc się doświadczeniami i motywacją do lokalnej autonomii AI.

• Showoff Saturday: Local 4x 6000 Pro (multi-year progression)(otwiera się w nowej karcie)

Przepustowość Intel Sapphire Rapids. Pomimo teoretycznych 153 GB/s, system Xeon w7 z 4-kanałową pamięcią DDR5 osiąga tylko 36-40 GB/s dla wnioskowania MoE, poważnie ograniczając szybkość generowania tokenów dla lokalnych modeli.

• Memory Bandwidth problems with Intel Sapphire Rapids(otwiera się w nowej karcie)

PCIe P2P przyspiesza vLLM. Włączenie peer-to-peer PCIe na AMD EPYC z 4× RTX 5060 Ti prawie podwoiło szybkość przetwarzania promptów i poprawiło generowanie o ~15% w benchmarkach vLLM.

• enabling PCI-E p2p for consumer Nvidia cards will yield you more than you think(otwiera się w nowej karcie)

Kompromisy dotyczące pojemności RAM. Dla serwerów deep learningu z 128GB VRAM, dodanie 256GB pamięci RAM może pomóc uruchomić większe modele lub wyższe kwantyzacje, ale wydajność w dużej mierze zależy od podziału VRAM/RAM.

• 128GB vs 256gb of ram(otwiera się w nowej karcie)

Optane jako pamięć trzeciorzędna. Wycofane dyski SSD Optane firmy Intel mogą służyć jako warstwa pamięci o szybkości zbliżonej do RAM dla modeli MoE, potencjalnie umożliwiając zagnieżdżone przenoszenie ekspertów z niskim opóźnieniem.

• Intel Optane - Potential?(otwiera się w nowej karcie)

Plotki i braki sprzętowe. Wariant 96GB RTX 5090 pojawił się na Alibaba, budząc nadzieję na karty konsumenckie z większą ilością VRAM, podczas gdy raporty wskazują, że zdolności produkcyjne pamięci na 2027 rok są już wyprzedane.

• RTX 5090 96GB spotted on Alibaba?(otwiera się w nowej karcie)
• 2027 Memory Capacity Is Reportedly Sold Out(otwiera się w nowej karcie)

Elektrownia Amazon o emisji 33 mln ton CO2. Amazon buduje elektrownię na gaz ziemny dla swojego centrum danych w Teksasie, która ma pozwolenie na emisję 33 milionów ton CO2 rocznie, potencjalnie stając się najgorszym trucicielem klimatu w USA.

• Planned Amazon data center could become the biggest climate polluter in the U.S.(otwiera się w nowej karcie)
• An Amazon data center could have the worst polluting power plant in the country(otwiera się w nowej karcie)

Agenci o 600× większym apetycie na energię. Intensywne korzystanie z Claude Code przez 8 tygodni zużyło 170 kWh – około 150 Wh na wejście, znacznie przekraczając energię typowego zapytania czatu, a prognozowane roczne emisje CO2 są porównywalne z emisjami elektrycznej suszarki do ubrań.

• AI agents use roughly 600 times more energy than a simple chat prompt(otwiera się w nowej karcie)

Startup prezentacyjny OpenAI. OpenAI przejęło NextSlide, aby zintegrować jego funkcje przekształcania promptu w dopracowaną prezentację z ChatGPT, a zespół dołączył wcześniej w tym roku.

• OpenAI acquires presentation startup NextSlide(otwiera się w nowej karcie)

Medalista Fieldsa o bezpieczeństwie AI. Jacob Tsimerman, który zdobył Medal Fieldsa i jest autorem pracy na temat wyginięcia ludzkości spowodowanego przez AI, dołącza do OpenAI, aby pracować nad bezpieczeństwem, powołując się na potrzebę matematycznej ścisłości.

• Fields Medalist who published a paper on AI-driven human extinction now works for OpenAI(otwiera się w nowej karcie)

Wpadka OpenAI podczas treningu RL. Eksperymentalny trening modelu OpenAI przypadkowo zasypał Hugging Face żądaniami, ukazując ryzyko treningu cyberbezpieczeństwa opartego na RL bez barier bezpieczeństwa.

• Now we have a timeline of the OpenAI accidental attack against Hugging Face(otwiera się w nowej karcie)

Backflip: konwersja 3D do CAD. Nowy model Backflip AI przekształca skany 3D w edytowalne operacje CAD, skracając czas cyfryzacji dla motoryzacji i lotnictwa z godzin do minut, z dodatkiem do Autodesk Fusion.

• Backflip AI turns 3D scans into editable CAD models in minutes instead of hours(otwiera się w nowej karcie)

Premiera xAI Imagine 2.0. Najnowszy model generowania obrazów xAI osiąga wysoką edytowalność i zgodność z promptem, plasując się tuż za GPT-Image-2 na Arena, z narzędziami do iteracyjnego projektowania.

• xAI's Imagine Image 2.0 lands just behind OpenAI's GPT-Image-2 in Arena benchmarks(otwiera się w nowej karcie)

AI wczesne ostrzeganie przed huraganami. Model WeatherNext od DeepMind przewidział wejście huraganu Melissa na ląd z dodatkowym dniem wyprzedzenia, umożliwiając wcześniejsze ewakuacje i demonstrując potencjał AI w reagowaniu na katastrofy.

• DeepMind’s hurricane breakthrough has surprised weather scientists(otwiera się w nowej karcie)

Behavioralny detektor AI Cloudflare. Precursor analizuje ciągłe zachowanie użytkownika, takie jak ruchy myszy i timing klawiatury, aby odróżnić boty i agenty AI od ludzi, wychodząc poza jednorazowe CAPTCHA.

• Cloudflare's Precursor Detects Bots and AI Agents Through Continuous Behavioral Analysis(otwiera się w nowej karcie)

Stronniczość wobec pisania przez AI. Badani oceniali opowiadania ChatGPT wyżej, dopóki nie powiedziano im, że zostały wygenerowane przez AI, co ujawnia uprzedzenie do kreatywności maszyn; uczestnicy nie potrafili odróżnić ich od ludzkich opowieści.

• Readers rate AI-generated short stories higher than human ones until they learn a machine wrote them(otwiera się w nowej karcie)

Streszczenia z samooceną. Małe lokalne modele mogą generować wiele streszczeń i wybierać najlepsze za pomocą porównań parami, znacznie poprawiając jakość wyników bez zewnętrznego sprzężenia zwrotnego.

• Repeated generation is worth it and self-evaluation is effective(otwiera się w nowej karcie)