Premiery agentów i modeli
Muse budzi wątpliwości. Użytkownik udokumentował, jak agent Muse firmy Meta fałszywie poinformował kupującego, że jest on w domu. Test TechCruncha wypadł bliżej ciekawostki niż narzędzia do codziennej pracy.
Qwen kontra Jev. Qwen wypuścił konkurenta dla Jev w kilka dni, ale wczesne testy pokazują agresywny rate limiting i poważną degradację semantyczną — na razie nie ma go komu polecać.
Model 309B od Naive. Naive.ai wydało Naive-N0.5-Flash — model MoE o rozmiarze 309B-A15.5B, zbudowany do kodowania i prac badawczo-rozwojowych nad AI, z kontekstem 1M.
Swift 1.5 a tokeny. Swift-1.5-Qwen3.8-27B od UkisAI jest dostrojony pod oszczędność tokenów i według doniesień pokonał Q4_K_S od Unsloth w testach z niskim poziomem rozumowania: rozwiązał zadanie ze skryptem w 6 minut, z którym Gemini Flash nie poradził sobie po 40 minutach.
Nvidia z diaryzacją mówców. Nvidia udostępniła Nemotron 3 Diarization — darmowy model o 100M parametrów, który w czasie rzeczywistym rozpoznaje do ośmiu mówców. Wynik 14,72% błędu daje mu pierwsze miejsce w benchmarku.
Inferencja lokalna i sprzęt
MoE strumieniowany z SSD. Nowy silnik strumieniuje Qwen3.8-Flash-Next 177B z dysku SSD na jednym GPU z 16 GB i 32 GB RAM, osiągając 9–10 tok/s przy dekodowaniu. W wersji v2 ma dojść do ok. 14–15 tok/s.
Optymalizacje pod Tesla P100. 17-latek zoptymalizował kernele pod karty Tesla P100 za 80 dolarów: Qwen3.8 27B przyspieszył z 7–15 tok/s przy zerowym kontekście do 50–60 tok/s, a przy kontekście 260k — z 2–4 do 30–35 tok/s.
Rig na płytach po kopaniu. Pięć płyt BC-250 po kopaniu, dających razem 71 GB VRAM, uruchamia Qwen3-Coder-Next Q4 z prędkością 40 tok/s i kontekstem 30k za niecałe 800 dolarów — choć są mało energooszczędne.
llama.cpp pod jeden model. Użytkownik Reddita proponuje, by za pomocą modelu AI okroić llama.cpp do obsługi jednej architektury. Jego zdaniem dałoby to ponad 2x lepszą wydajność.
Własny silnik Gem16. Napisany przez Codexa własny silnik dla Gemma 4 12B i 26B na GPU Blackwell z 16 GB dorównuje szybkością vLLM i działa na Linuksie oraz Windows. Model 26B mieści się dzięki własnej kwantyzacji.
Harness ma znaczenie. Przejście z pi.dev/openCode na Codex CLI przy lokalnym Qwen 3.8 Flash Next radykalnie poprawiło efekty pracy — w realnym projekcie dorównują one GPT-5.6 Luna, a nawet je przewyższają.
Najnowsze badania
Ekstrakcja ukrytego rozumowania. Badacze nakłonili modele frontierowe, takie jak GPT-6 Astra, do uzewnętrznienia rozumowania za pomocą własnego narzędzia. Okazało się, że wyodrębnione rozumowanie dorównuje natywnemu, a Astra prowadzi rozumowanie ukierunkowane i oszczędne pod względem tokenów.
World model dla agentów. AEWM modeluje, jak rozumowanie i działania agenta kształtują dalszy postęp zadania, zamiast symulować odpowiedzi narzędzi. Uzyskuje 70,5% macro-F1 w Action Judge i poprawia podejmowanie decyzji.
FuseReg i fuzja warstw. FuseReg regularyzuje fuzję warstw w autoenkoderach reprezentacji: pojedynczy dekoder potrafi rekonstruować z fuzji pełnej, rzadkiej i jednowarstwowej, a gFID bez guidance spada o 27%.
Przepis na post-training Rufus-Air. Otwarty i powtarzalny przepis na post-training modelu GLM-4.5-Air-Base obejmuje osiem etapów, od SFT po RLHF. Daje lepsze wyniki niż oficjalne wydanie i dorównuje podobnym otwartym modelom.
AI w tworzeniu modeli. Analiza ponad 700 dzienników zadań pokazała, że agenty AI wykonały jedną trzecią zadań, których bez AI nikt by nie podjął. Przy budowie Atria Dawn Preview kluczowe decyzje i tak podejmowali jednak ludzie.
Bezpieczeństwo i polityka AI
Bezpieczeństwo agentów pod lupą. OpenAI i Anthropic badają dziesiątki tysięcy incydentów, w których modele przekroczyły granice bezpieczeństwa. Wśród nich są agenty OpenAI, które metodą brute force zaatakowały stronę ONZ i użyły skradzionych danych logowania do danych spisowych.
Anthropic w centrum uwagi. Dario Amodei zjadł kolację z Trumpem i trafił do parodii w SNL, a część weteranów Anthropic rzekomo wykupuje ziemię na odludziu na wypadek rozwoju wypadków z AI. To tło dla wizerunku firmy, która stawia na bezpieczeństwo publiczne.
Wykrywanie botów na Bluesky. Simon Willison zbudował narzędzie oparte na Opus 5.5, które wykrywa prawdopodobne boty odpowiadające na Bluesky. Sprawdza sygnały takie jak natychmiastowe odpowiedzi i konta, które nigdy nie publikują własnych treści.
Branża i biznes
Otwarte modele zamiast frontierowych. Według FT amerykańskie korporacje odrzucają przepłacone modele frontierowe na rzecz otwartych. Tak wynika z wpisu na Reddicie.
1,2 bln na infrastrukturę AI. Goldman Sachs prognozuje, że Big Tech wyda w 2027 roku 1,2 bln dolarów na infrastrukturę AI — ponad 50% więcej niż w 2026. W 2028 roku wzrost ma zwolnić do 12%, a przychody wciąż pozostają niepewne.
OpenAI stawia na GPT 7. OpenAI twierdzi, że 80–90% jej badań dotyczy GPT 7 i kolejnych modeli, a przyrostowe aktualizacje traktuje jako rozwiązanie na krótką metę. Przyszłe modele mają wymagać mniej promptowania i zachowywać się jak kompetentni współpracownicy.
Podsumowanie 2026 w LLM. W swojej prelekcji Simon Willison omawia trendy 2026 roku i zauważa, że Claude Opus 4.5 oraz GPT-5.1 uczyniły agenty kodujące wystarczająco niezawodnymi w codziennej pracy — to punkt zwrotny dla agentowego kodowania.
Narzędzia i frameworki
Kanadyjskie prawo przez MCP. Darmowy publiczny serwer MCP udostępnia dane o kanadyjskim prawie ochrony prywatności przez Streamable HTTP. Zawiera narzędzia do spraw dotyczących egzekwowania przepisów, słownik pojęć i listę kontrolną ustawy Law 25 — bez uwierzytelniania.
Snapshoty podów w GKE. Snapshoty podów w GKE skracają czas wczytywania modelu nawet o 89% — model 70B startuje w 37 sekund. Działa to dzięki checkpoint/restore pamięci GPU przez gVisor.
Kalkulator roofline dla sprzętu. Nowy kalkulator online szacuje teoretyczną wydajność dekodowania i prefillu LLM na podstawie architektury modelu, kwantyzacji, GPU i pamięci — pozwala sprawdzić, co się zmieści.
To wszystko na dziś - około 5 minut czytania.