Premiery modeli i produktów
Qwen-Image-2.1 na otwartych wagach. Alibaba udostępniła Qwen-Image-2.1 — model 7B o otwartych wagach do generowania i edycji obrazów, który według producenta bije modele zamknięte w swoim benchmarku. Model natywnie obsługuje przezroczyste obrazy RGBA oraz do 10 obrazów referencyjnych przy edycji, ale jego licencja badawcza wyklucza użycie komercyjne bez zgody.
Model Gander od Tencent. Tencent przedstawił Gander, model badawczy, który łączy rozmowę w czasie rzeczywistym z zadaniami agentowymi w tle: za mowę odpowiada „móżdżek”, a za złożoną pracę wymienny „mózg”. Obsługuje przerywanie wypowiedzi i jednoczesne przetwarzanie mowy, obrazu oraz tekstu, ale w testach wypadł słabiej pod względem dokładności zadań.
Runway: wideo na żywo. Runway zaprezentował wyniki badań nad generowaniem wideo w czasie rzeczywistym, w którym użytkownik streamuje obraz i steruje nim w trakcie pisania promptu, rozwijając swój model świata GWM-1. Celem jest skrócenie czasu oczekiwania i kosztów GPU dzięki generowaniu klatek interaktywnie, a nie w jednej partii.
Narzędzia i frameworki
ADK for Kotlin. Google wydało ADK for Kotlin 1.0, doprowadzając swój Agent Development Kit do parytetu funkcji z Pythonem i Javą oraz dodając obsługę AI na urządzeniach z Androidem i w trybie hybrydowym. Framework obejmuje hierarchiczną orkiestrację wielu agentów, kompresję kontekstu i zarządzanie sesjami.
OpenCodeReview od Alibaby. Alibaba udostępniła na licencji Apache-2.0 narzędzie OpenCodeReview — CLI, które łączy deterministyczny wybór plików i dopasowywanie reguł z agentem LLM analizującym kod. Korzystały z niego wewnętrznie dziesiątki tysięcy deweloperów, a narzędzie ma radzić sobie z takimi problemami jak rozjazd numerów linii czy niestabilność promptów.
ZCode w open source. ZCode, platforma agentowa do kodowania, jest już open source po tym, jak uporano się ze zgłoszonymi problemami bezpieczeństwa. Repozytorium zawiera aplikację desktopową, workspace w przeglądarce, backend, Agent CLI i runtime, a także nowy proces zgłaszania luk i nagrody za ich znalezienie.
Modele decyzyjne i System 1
Model decyzyjny Laya. Laya to nieautoregresyjny model „System 1” o otwartych wagach od Convai Innovations, który odpowiada na pytania decyzyjne w jednym przejściu w przód. Checkpointy dostępne są w wariantach: angielskim, wielojęzycznym i typed-decisions. Implementacja w C++, laya.cpp, osiąga do 810 pytań na sekundę na RTX PRO 6000.
Jev własnymi siłami. Kilka projektów odtwarza ocenianie decyzyjne w stylu Jev przy użyciu zwykłych LLM-ów o otwartych wagach: jeden z nich dostroił metodą LoRA model Qwen3.5 4B do 0,709 na zbiorze typed-decisions, inne weryfikowały kandydatów wsadowo przez llama.cpp albo używały n_predict=1 z logprobs. Celem jest dorównanie Jev bez osobnych głowic klasyfikacyjnych.
Agenci lokalni i sprzęt
Pętla agentowa Qwen 3.8 27B. Lokalna pętla agentowa oparta na Qwen 3.8 27B pracowała niemal bez nadzoru około trzech tygodni na pojedynczym RTX 3090, budując silnik inferencji CUDA przy zaledwie 12 wiadomościach od człowieka. Kompresja kontekstu pochłonęła 83 godziny, ale eksperyment pokazał, że długoterminowa praca lokalnego agenta jest wykonalna — choć wciąż nie jest to sukces pod względem wydajności.
mini-AGI uczy się ciągle. mini-AGI to liczący 530 mln parametrów model uczenia ciągłego, trenowany od zera na laptopie z 8 GB VRAM z wykorzystaniem dynamicznego podejścia mixture-of-experts i jednego ciągłego strumienia danych. Projekt pokazuje, że trening da się dziś prowadzić na sprzęcie konsumenckim, zachowując pełną kontrolę nad danymi.
Kimi K3 na klastrze GB10. Klaster 16 węzłów GB10 uruchomił liczący 2,8 bln parametrów model Kimi K3 od Moonshot AI z własnymi poprawkami do runtime, utrzymując około 30 tok/s przepustowości przy kodowaniu i 136 tok/s w szczycie przy równoległych zapytaniach. Konfiguracja wymagała zmodyfikowanej topologii NCCL i sieci z dwoma przełącznikami.
Z badań
Fuse i rozumowanie społeczne. Fuse to framework do symulacji wieloagentowych, który służy do oceny, jak asystenci LLM wnioskują o motywach społecznych z opowieści użytkownika; weryfikowalny ground truth zapewniają ukryte agenty docelowe. Testy na 12 modelach LLM pokazują, że pośrednictwo użytkownika potęguje trudność, a modele są wrażliwe na stronnicze ramy.
StudentSim i cyfrowi uczniowie. Badacze z Microsoftu i UIUC zbudowali StudentSim, który tworzy cyfrowe repliki uczniów popełniające realistyczne błędy, by przyspieszyć ulepszanie korepetytorów AI bez kosztownych testów z prawdziwymi uczniami. Metoda buduje osobne repliki na podstawie ograniczonych danych i ma skrócić czas rozwoju takich korepetytorów.
Branża i polityka
Spór o bezpieczeństwo AI. Dario Amodei z Anthropic zaproponował plan „nadawania tempa” pracom na froncie AI, a Jensen Huang z Nvidii nazwał obawy związane z AI przesadzonymi i stwierdził, że szanse na to, że AI zakończy świat, wynoszą „0%”. Ten podział pokazuje, jak bardzo liderzy branży nie zgadzają się ze sobą, gdy regulatorzy rozważają przepisy.
AI Force Trumpa. Prezydent Trump zapowiedział utworzenie „AI Force” i stanowiska „cara ds. AI”, obiecując, że nie będzie hamować rozwoju AI, i przekonując, że centra danych przynoszą korzyści lokalnym społecznościom. Wpisy pojawiły się po ostrzeżeniach liderów branży o ryzyku egzystencjalnym i odzwierciedlają deregulacyjne nastawienie jego administracji.
Pozew o spowolnienie AI. Pozew zarzuca Anthropic, OpenAI, SpaceXAI i Google zawarcie nielegalnego porozumienia w sprawie spowolnienia rozwoju AI. Szczegóły są skąpe, ale sprawa dokłada presję prawną do debaty o tempie prac nad modelami na froncie.
Anthropic opóźnia IPO. Anthropic ma według doniesień przesunąć swoje IPO z października na listopad 2026 roku; doradcy tłumaczą to potrzebą pokazania mocnych wyników trzeciego kwartału. Inwestorzy spodziewają się wyceny w okolicach 2 bln dolarów i emisji o wartości do 100 mld dolarów.
To wszystko na ten dzień – około 5 minut czytania.