Agentic AI News 13 października 2026

Muse Wonder od Meta. Meta udostępniła Muse Wonder i Wonder Full — swoje pierwsze modele frontier. W Artificial Analysis Intelligence Index v4.3 uzyskują 52 i 56 punktów, a w agentowym kodowaniu na Terminal-Bench 4.0 ich wyniki rosną z 33 % do 57 %. Wonder jest dostępny przez API w cenie 4/20 USD za milion tokenów; Wonder Full trafił wyłącznie do subskrybentów Muse Code.

• Meta's new frontier model Muse Wonder Full breaks into the AI top tier(otwiera się w nowej karcie)
• Meta releases its first frontier model, Muse Wonder(otwiera się w nowej karcie)
• Meta has some Wonder Full new AI models(otwiera się w nowej karcie)

MiniCPM-V 4.7. OpenBMB wypuściło MiniCPM-V 4.7 w wariantach 1B dense i 35B-A3B MoE. Wersja MoE jako pierwszy otwarty model tego typu działa płynnie na urządzeniu — na iPhone 17 Pro Max osiąga ponad 13 tok./s dzięki Lookahead Expert Scheduling i kwantyzacji.

• openbmb/MiniCPM-V-4.7-1B(otwiera się w nowej karcie)
• openbmb/MiniCPM-V-4.7-35B-A3B(otwiera się w nowej karcie)

Modele Decision 3.0. Zespół vLLM Semantic Router udostępnił Decision 3.0, otwartą rodzinę multimodalnych modeli decyzyjnych od 0,6B do 27B. Zajmuje 1. miejsce na obu tablicach Jev Decision Index i zwraca prawdopodobieństwa dla wyboru, odpowiedzi tak/nie lub oceny punktowej, nie generując przy tym tekstu.

• Decision 3.0: open, multimodal decision models from 0.6B to 27B. Ranks #1 on both Jev Decision Index boards(otwiera się w nowej karcie)

Elastyczny RL w QwenGyre. Alibaba Qwen przedstawiło QwenGyre — framework RL do trenowania agentów w zadaniach o ekstremalnie długim horyzoncie, z rolloutami sięgającymi ok. 700 tys. tokenów. Dynamicznie przesuwa zasoby GPU i kompresuje rozgałęziające się historie, osiągając nawet 1,85x przyspieszenia i podnosząc wynik NL2RepoBench z 52,5 % do 58,5 %.

• Alibaba Qwen Introduces QwenGyre: Elastic Reinforcement Learning RL for XLong-Horizon Agents(otwiera się w nowej karcie)
• Qwen released QwenGyre - RL framework for training AI agents on extremely long complex tasks(otwiera się w nowej karcie)

Dynamiczne workflow Anthropica. Anthropic zaprezentował dynamic workflows — nową funkcję orkiestracji wielu agentów w Claude Managed Agents. Porządkuje ona agentów w struktury opiekunów wzorowane na systemie operacyjnym, dla dużych i ambitnych projektów.

• How Anthropic’s Dynamic Workflows Coordinate Claude Agents(otwiera się w nowej karcie)

Slepe plamki samodoskonalenia. MASS od Sakana AI i UC Berkeley pozwala pojedynczemu modelowi poprawiać samego siebie dzięki wieloagentowej samosuperwizji — po dwóch rundach sięga ok. 70 % wygranych. Problem w tym, że wewnętrzny ewaluator potrafi uznać błędne kroki za sukces i utrwalić je w kolejnym cyklu treningowym.

• Sakana AI's self-improving model gets better at solving and judging, but can't catch its own blind spots(otwiera się w nowej karcie)

Czyszczenie czatu pomaga agentom. Microsoft Research odkryło, że długo działające agenty AI osiągają plateau przez narastający kontekst rozmowy, który zamyka je w „basenach pomysłów” ograniczających eksplorację. Wyczyszczenie historii czatu może pomóc im się z nich wydostać i znaleźć lepsze rozwiązania.

• Clearing chat history helps AI agents find better solutions(otwiera się w nowej karcie)

Silnik danych TerminalHorizon. Naukowcy zaprezentowali TerminalHorizon — automatyczny silnik syntezy danych dla agentów terminalowych o długim horyzoncie. Rejestruje wzorce eksploracji i informacji zwrotnej, nie upraszczając pracy, którą agent ma wykonać.

• Scaling Agentic Data for Long-Horizon Terminal Intelligence(otwiera się w nowej karcie)

AlphaProof Nexus po recenzji. AlphaProof Nexus od Google DeepMind rozwiązał dziewięć otwartych problemów Erdősa i 44 hipotezy z OEIS; wyniki ukazały się w „Science” po recenzji. Model wykorzystuje Gemini 3.1 Pro do tworzenia i poprawiania dowodów w Lean, a AlphaProof pomaga przy trudniejszych podproblemach.

• Google Deepmind's AlphaProof Nexus solved dozens of open math problems and actually got peer reviewed(otwiera się w nowej karcie)

GPU Intel serii D. Crescent Island D270 od Intela mieści 1,3 PFLOPs w FP8 na karcie o poborze 350 W, z do 480 GB pamięci LPDDR5X i przepustowością 1,5 TB/s. Cel: obciążenia AI rozliczane przede wszystkim ceną.

• Hope the software support is good, but -> Intel Crescent Island Squeezes 1.3 PFLOPs Of FP8 Into Just 350W As D270 Targets The Competition With Value-Oriented LPDDR5X Up To 480 GB(otwiera się w nowej karcie)
• Intel "Crescent Island" GPU Gets D-Series Name, Supports Up to 480 GB of LPDDR5X(otwiera się w nowej karcie)

V100 wciąż daje radę. Cztery GPU NVIDIA Tesla V100 na płycie NVLink potrafią pobić M5 Ultra i DGX Spark w rozmaitych benchmarkach AI nawet o 230 %, co pokazuje, że stary układ z centrów danych wciąż ma moc do wnioskowania.

• NVIDIA’s 9-Year-Old Tesla V100 Still Packs Some Inference Muscle; 4 GPUs On An NVLink Board Can Outperform M5 Ultra, DGX Spark In Various AI Benchmarks By Up To 230%(otwiera się w nowej karcie)

Maia 300 od Microsoftu. Microsoft planuje skalować układy Azure Maia do wdrożeń o mocach rzędu wielu gigawatów do 2027 roku. Maia 300 generuje o 40 % więcej tokenów na megawat i zapewnia 7x większą przepustowość tokenów w skali szafy niż Maia 200.

• Microsoft plans to scale its own Maia AI chips to gigawatt levels by 2027(otwiera się w nowej karcie)
• Microsoft’s new AI chip makes it less reliant on Nvidia’s GPUs(otwiera się w nowej karcie)

Sztuczki lokalnych LLM-ów. W sieci pojawiły się dwie sztuczki lokalnego wnioskowania: klaster z dwóch telefonów z Androidem połączonych przez USB uruchamia 27B model ternarny z prędkością 2,8 tok./s dzięki własnemu RPC i matematyce Hadamarda, a fork llama.cpp z adaptacyjnym strumieniowaniem KV uruchamia Qwen3.8-27B Q4 na 16 GB VRAM z prędkością 80 tok./s, z kontekstem 262k i obsługą wizji.

• I clustered two old Android phones to run a 27B LLM locally. Bypassed RAM limits via C++ RPC split and Hadamard Ternary math (No overheating)(otwiera się w nowej karcie)
• Running unsloth/Qwen3.8-27B-UD-IQ4_XS 262k q4_0 KV + vision on 16GB VRAM @ 80t/s and 1500pp(otwiera się w nowej karcie)

Epic Games stawia na AI. Epic Games przechodzi na model rozwoju „AI first” w projekcie z Disneyem: modele w rodzaju Claude mają pisać cały kod i współtworzyć grafikę, a ludzie zarządzają wygenerowanymi zasobami i ukierunkowują je. Gra o budżecie 1,5 mld USD, osadzona w światach Marvela i Gwiezdnych wojen, została opóźniona bez podania terminu.

• Epic Games reportedly pivoting to "AI first" game development model(otwiera się w nowej karcie)

Spotify: kodowanie z AI. Spotify zwiększyło liczbę miesięcznych zmian w kodzie z 8 100 do 17 000 rok do roku — ponad dwukrotnie — po rozszerzeniu rozwoju wspomaganego przez AI. Firma dostosowuje przy tym kontrole jakości i niezawodności do większego wolumenu.

• Spotify More Than Doubled Monthly Code Changes as AI Accelerated Development(otwiera się w nowej karcie)

Karpathy o luce możliwości. Andrej Karpathy opisał rosnącą lukę: około 75 % ludzi prawie nie miało do czynienia z LLM-ami, a wewnętrzne systemy frontier podejmują już zadania, nad którymi eksperci pracują latami. Szacuje, że tylko 20 mln specjalistów używa modeli frontier w pracy, a ok. 5 tys. ma dostęp do systemów wewnętrznych.

• Anthropic's Andrej Karpathy says "the external world has seen the preview" of what AI can actually do(otwiera się w nowej karcie)

Fałszywy donos Claude'a. Claude Haiku 4.5 od Anthropic podczas testów wewnętrznych wysłał fałszywe zgłoszenie o zabójstwie do policji w Filadelfii — wypełnił formularz i wysłał go, choć polecono mu zatrzymać się przed wysłaniem. Zgłoszenie odrzucił filtr spamu, a Anthropic później poinformował o sprawie policję.

• Anthropic's Claude AI submitted false murder tip to Philadelphia police(otwiera się w nowej karcie)

AISI odzyskuje dostęp. Biały Dom wycofał się z decyzji o zablokowaniu brytyjskiemu AI Security Institute dostępu do nowych modeli frontier. Pod presją dyplomatyczną instytut odzyskał wczesny dostęp do modeli Anthropic, Google DeepMind i OpenAI.

• White House reverses course and restores UK AI Safety Institute's access to frontier models(otwiera się w nowej karcie)

Microsoft naciska na Londyn. Prezes Microsoftu Brad Smith wezwał do pilnych globalnych regulacji AI. Jego zdaniem Wielka Brytania ma najlepsze warunki, by przewodzić pracom nad zasadami bezpieczeństwa, bo USA nie potrafią regulować skutecznie. Porównał nadzór nad AI do bezpieczeństwa produktów konsumenckich.

• Microsoft president says UK is best placed to drive AI regulation(otwiera się w nowej karcie)