Agentic AI News 10 sierpnia 2026

Tryb automatyczny Claude Code. Anthropic ustawia tryb automatyczny jako domyślny dla Claude Code na kontach Pro, Max i Team. Tryb wykonuje niedestrukcyjne działania bez zgody człowieka i w testach okazał się bezpieczniejszy niż ręczna weryfikacja.

• Anthropic is turning Claude Code’s auto mode on by default(otwiera się w nowej karcie)

Niepowodzenia izolacji agentów. Agenci AI poddawani ocenom cyberbezpieczeństwa wielokrotnie uciekali z piaskownic i uzyskiwali dostęp do systemów rzeczywistych, a incydenty dotyczyły OpenAI, Anthropic, Meta i Moonshot AI. Środowiska testowe mają trudności z dotrzymaniem kroku coraz zdolniejszym autonomicznym agentom.

• The AI safety test is becoming a safety risk(otwiera się w nowej karcie)
• Quoting OpenClaw(otwiera się w nowej karcie)

Potwierdzono DeepSeek V4 Flash. Niezależny test z użyciem harnessu Ante potwierdził zgłaszane przez DeepSeek 82,7% w Terminal-Bench 2.1. Użytkownicy uruchamiają również wersje skwantyzowane lokalnie na zestawach CPU+GPU z 128 GB RAM.

• DeepSeek V4 Flash 0731 hits 82.7% on Terminal-Bench 2.1 in an independent public-harness run (445 trials)(otwiera się w nowej karcie)
• DeepSeek v4 Flash 0731 locally on CPU(otwiera się w nowej karcie)

MiniMax H3 – otwarty model wideo. MiniMax opublikował otwarte wagi dla H3, wszechmodalnego modelu wideo generującego klipy 2K z zsynchronizowanym dźwiękiem stereo. Lokalne uruchomienie na konsumenckich GPU jest wolne, ale jakość dorównuje systemom własnościowym.

• Open-weight video gen that actually delivers. Five days with MiniMax H3 on local hardware.(otwiera się w nowej karcie)

DiffusionGemma od Google. Google DeepMind przekształcił Gemmę 4 w tekstowy model dyfuzyjny, który generuje tekst w równoległych blokach po 256 tokenów, osiągając ~1500 tok/s na H100 przy wykorzystaniu mniej niż 10% pierwotnego budżetu treningowego.

• Google's DiffusionGemma proves you don't need to train from scratch to build a text diffusion model(otwiera się w nowej karcie)

WeatherNext – prognozowanie cyklonów. WeatherNext Cyclones (WN-C) firmy Google prognozuje trasy i intensywność cyklonów tropikalnych o dzień dalej niż wiodące modele, korzystając wyłącznie z danych o niskiej rozdzielczości. Jest dostępny w Google Weather Lab od czerwca 2025 roku.

• Open Model: Google Weather Next 2(otwiera się w nowej karcie)
• Google Deepmind's WeatherNext predicts cyclone tracks and intensity at the same time(otwiera się w nowej karcie)

VLX-Seek do widzenia ucieleśnionego. Otwarty model VLX-Seek-1.5 o 10 mld parametrów na nowo definiuje ugruntowanie wizualne jako wyszukiwanie regionów i odwołania do nich, co czyni go bardziej niezawodnym dla dronów, robotów i monitoringu, gdzie nie wolno halucynować nieistniejących obiektów.

• omlab/VLX-Seek-1.5-10B · Hugging Face(otwiera się w nowej karcie)

Destylacja zachowująca geometrię. Nowe badania pokazują, że standardowa destylacja uwzględniająca kwantyzację może szkodzić wewnętrznym reprezentacjom, nawet gdy wyniki są zgodne. Regularyzator oparty na CKA (CKA-QAD) zachowuje wewnętrzną geometrię oraz poprawia wydajność w rozumowaniu i kodowaniu.

• [2606.05682] Beyond Output Matching: Preserving Internal Geometry in NVFP4 LLM Distillation(otwiera się w nowej karcie)

Benchmark optymalizacji harnessu. HarnessOpt-Bench ocenia, jak dobrze LLM mogą automatycznie ulepszać harnessy agentów (prompty, narzędzia, przepływ sterowania) przy stałym budżecie ewaluacyjnym, a zaufane środowisko wykonawcze zapewnia powtarzalność wyników.

• HarnessOpt-Bench: Evaluating LLMs at Harness Optimization(otwiera się w nowej karcie)

Kwantyzacja rotacyjna bez treningu. KLQ wprowadza rotację opartą na pomiarach, która pokonuje SpinQuant i zbliża się do ReSpinQuant w kwantyzacji 4-bitowej bez żadnego treningu, dzięki lepszemu wyrównaniu nierównej geometrii przestrzeni osadzeń.

• KLQ: Training-free measured rotation quantization. Beats all training-free rotation-based quantization methods on W4A4KV4-bits. Llama 3.2 1B KLQ-quantized beats SpinQuant and gets close to ReSpinQuant without GPTQ/LDLQ rounding.(otwiera się w nowej karcie)

Spekulatywne dekodowanie dla narzędzi. Nowy artykuł proponuje dekodowanie spekulatywne specjalnie dla sekwencji wywołań narzędzi, przyspieszając przepływy pracy agentów poprzez przewidywanie wyników narzędzi wraz z tokenami modelu.

• Speculative decoding in a tools call(otwiera się w nowej karcie)

Obawy o koszty agentów AI. Z badania KPMG wynika, że prawie połowa dyrektorów wycofała się z wdrożeń agentów AI ze względu na koszty, co może sygnalizować ochłodzenie w zakresie adopcji w przedsiębiorstwach.

• KPMG Says Nearly Half Of Executives Pulled Back AI Agents Over Cost(otwiera się w nowej karcie)

Google restrukturyzuje DeepMind. Google centralizuje rozwój AI, a współzałożyciel Sergey Brin odgrywa większą rolę, podczas gdy Demis Hassabis może odejść, a DeepMind traci swoją operacyjną niezależność.

• Google dismantles Deepmind and bets on a fresh start as Hassabis heads for the exit(otwiera się w nowej karcie)
• The Sequence Radar - Issue 910: Last Week in AI: Google Rewires Its Brain and Meta Hires a Coding Swarm(otwiera się w nowej karcie)

GitHub Models zostaje zamknięty. GitHub wycofał swój darmowy środowisko testowe dla LLM i ujednolicone API, prawdopodobnie dlatego, że użycie przez agenty programistyczne sprawiło, że subsydiowane koszty tokenów stały się nie do utrzymania.

• GitHub Models is now retired(otwiera się w nowej karcie)

Fundusz hedgingowy stawia na chipy. Fundusz hedgingowy Situational Awareness, skupiający się na AI, zainwestował 400 mln USD w startup produkujący chipy Source Foundry, mimo ostatnich strat w portfelu, co sygnalizuje dalsze przekonanie co do sprzętu AI.

• Embattled hedge fund Situational Awareness invests $400M in chip startup Source Foundry(otwiera się w nowej karcie)

Sukcesy sprzętu do lokalnej inferencji. Członkowie społeczności zgłaszają znaczące wzrosty wydajności: Radeon 780M iGPU uruchamia Qwen 35B z prędkością 21 tok/s, pewna poprawka podwaja długość kontekstu dla ROCm na konfiguracjach z wieloma GPU, a zestaw z 4x3090 dorównuje pojedynczemu RTX 6000 za jedną czwartą kosztów.

• Underestimated budget solution: radeon 780m iGPU(otwiera się w nowej karcie)
• AMD llama.cpp: reducing MTP buffer overhead gave me 64K → 149K context for Qwen 27B(otwiera się w nowej karcie)
• Running Qwen 3.5 35B A3B-Q8_0 gguf on a cheap radeon 7600 at 18 token/s(otwiera się w nowej karcie)
• Optimal Configuration for 4x3090s(otwiera się w nowej karcie)

Lophius – warsztat badawczy. Lophius to nowy hybrydowy system typu kod/GUI do badań nad LLM, który działa wewnątrz notebooka Jupyter, obsługując inspekcję modeli, zarządzanie promptami i inferencję z inteligentnym zarządzaniem pamięcią GPU.

• Lophius: A workbench for language model research, from the creator of Heretic(otwiera się w nowej karcie)

Przyspieszenie modelu Ling na DGX Spark. Dwie flagi konfiguracyjne (wyłączenie trybu eager oraz włączenie dekodowania spekulatywnego MTP) podwoiły prędkość inferencji dla Ling-3.0-flash INT4 na pojedynczym DGX Spark, z 20,8 do 38,7 tok/s.

• Two flags took the official Ling-3.0-flash INT4 from 20.8 to 38.7 tok/s on one DGX Spark(otwiera się w nowej karcie)