Agentic AI News 19 października 2026

Fala modeli open-weight. Meta wypuściła Muse Spark Open (816B łącznie/42B aktywnych), Reflection opublikował Beam (501B/23B), NVIDIA wydała Nemotron 3.5 Bolt, a DeepSeek opublikował V4.1 Flash 1017. Spośród nich tylko Bolt zmieścił się w 24 GB VRAM — jego wagi skwantyzowane do 2 bitów zajmują 22 GB.

• 72 hours, four big open weights drops. The only one that fits in 24GB came from NVIDIA, of all companies.(otwiera się w nowej karcie)
• unsloth/DeepSeek-V4.1-Flash-1017-GGUF · Hugging Face(otwiera się w nowej karcie)

NVIDIA Nemotron 3.5. Użytkownicy z LocalLLaMA donoszą, że Nemotron 3.5 Super VL radzi sobie z niszową wiedzą o zasadach gier znacznie lepiej niż wcześniejsze modele, a Nemotron 3.5 Bolt wystarcza do małych konfiguracji wieloużytkownikowych: rzadko halucynuje i ma duży cache kontekstu, ale jego inteligencja jest tylko średnia.

• Don't sleep on Nemotron 3.5 Super VL(otwiera się w nowej karcie)
• Nemotron 3.5 Bolt is okayish for small multiuser setups(otwiera się w nowej karcie)

Qwen 3.8 Flash Next. Zestaw dwóch GPU CMP 170HX z W4A16 AutoRound, załatanym vLLM i natywnym dekodowaniem spekulatywnym MTP osiąga łącznie 840–873 tokenów/s przy dekodowaniu i 8 równoczesnych żądaniach, z pełnym oknem kontekstu 262 tys. tokenów.

• Qwen 3.8 Flash Next optimized for two CMP 170hx GPUs(otwiera się w nowej karcie)

Mistral Timestral. Pierwsza rodzina modeli bazowych Mistrala do szeregów czasowych (od 5 mln do 209 mln parametrów) wygrywa rankingi prognozowania zero-shot — GIFT-Eval, TIME i fev-bench — a przy tym działa na zwykłych procesorach serwerowych.

• Mistral AI Releases Timestral: A 209M Forecasting Model Family That Outperforms Google’s TimesFM-3(otwiera się w nowej karcie)

AuroraASR-1M. Model rozpoznawania mowy z 949 tys. parametrów działa 436 razy szybciej niż czas rzeczywisty na jednym wątku CPU i osiąga 11,43% WER na LibriSpeech test-clean; wagi INT8 zajmują zaledwie 1,06 MB.

• AuroraASR-1M Releases!(otwiera się w nowej karcie)

Agens Volundr 32B v1. Zaktualizowany model agentowy Blockway o 32B parametrach nie wpada już w pętle powtórzeń na zadaniach SWE-bench (0/50) i mieści się w 16 GB dzięki silnikowi na licencji MIT, przy zmierzonym kontekście 239 tys. tokenów.

• Agens Volundr 32B v1: we fixed what you flagged in the Preview. 0/50 loops, session continuation, and an MIT engine that runs it with 262K context (measured to 239K) within a 16 GB budget(otwiera się w nowej karcie)

Google Harness2. Harness2 udostępnia na zasadach open source rekurencyjny framework do harnessowania agentów, który pozwala zamrożonemu modelowi ulepszać własne prompty, narzędzia i pamięć już w trakcie wdrożenia. Jeden krok doskonalenia poprawił wszystkie cztery konfiguracje na wszystkich trzech benchmarkach, a GLM-5 zyskał do 11,5 punktu.

• Google Open Sources Harness2 for Self Improving AI Agents(otwiera się w nowej karcie)
• Google Open-Sources Harness2, a Recursive Agent Harnessing Framework(otwiera się w nowej karcie)

Agenci z rozumowaniem hybrydowym. HybridAgent od Together Computer pokazuje, że agenci mogą rozumować w przestrzeni ukrytej zamiast na tekście: mniejsze zużycie tokenów, krótszy czas wnioskowania, a przy tym wyższa skuteczność.

• Hybrid Reasoning Agents(otwiera się w nowej karcie)

Runtime SonicBoom AI. SonicBoom v0.0.3 to runtime wnioskowania stawiający na kompilator, bez Pythona. W dekodowaniu bije llama.cpp w przypadku niektórych modeli, a w wieloturowych obciążeniach agentowych skraca czas do pierwszego tokena dzięki ponownemu użyciu prefiksu.

• Calling all GPUs: help us benchmark SonicBoom v0.0.3 — a compiler-first AI runtime that beats llama.cpp on decode(otwiera się w nowej karcie)

NVIDIA otwiera Run:ai. NVIDIA udostępniła kod platformy Run:ai do orkiestracji GPU w Kubernetesie na licencji Apache 2.0. Zespoły mogą teraz same hostować harmonogramowanie, limity i zarządzanie obciążeniami, bez płatnej subskrypcji.

• NVIDIA Open Sources Run:ai Under Apache 2.0 for Kubernetes GPU Orchestration(otwiera się w nowej karcie)

Aktualizacje wtyczek LLM. Simon Willison naprawił w llm-tools-datasette 0.1.1 niezgodność z httpx2, a llm-echo 0.5 symuluje teraz wywołania narzędzi, prompty systemowe i tokeny rozumowania w licznikach zużycia tokenów.

• llm-tools-datasette 0.1.1(otwiera się w nowej karcie)
• llm-echo 0.5(otwiera się w nowej karcie)

Koszty wyszukiwania TinyFish. TinyFish przekonuje, że zespoły pracujące nad agentami AI nie doceniają, jak mocno pobrana treść z sieci napędza koszty przetwarzania tokenów. Ich API wyszukiwania oferuje darmowe pobieranie w ramach limitów oraz model web-native do wyszukiwania i interakcji z działającymi stronami.

• TinyFish Makes Search Free: What It Really Costs an AI Agent to Read the Web(otwiera się w nowej karcie)

Voxel51 3.0. Voxel51 3.0 dodaje obsługę multimodalnych danych szeregów czasowych, ujednoliconą anotację i agenta z ponad 45 narzędziami MCP dla zespołów porządkujących dane z czujników robotów, pojazdów i zakładów produkcyjnych.

• Meet Voxel51 3.0: A Unified Multimodal Data Platform for Physical AI(otwiera się w nowej karcie)

Agenci Gemini 4 Argon w Minecraft. Czterej agenci Google DeepMind na Gemini 4 Argon samodzielnie przeszli Minecrafta w 27 godzin: dzielili zadania, współdzielili pamięć i napisali 2783 programy w JavaScripcie, bez udziału człowieka i bez narzędzi przygotowanych pod tę grę.

• Four Gemini 4 Argon agents beat Minecraft without any human help(otwiera się w nowej karcie)

Taste-Bench o decyzjach długoterminowych. Naukowcy z Microsoftu i City University of Hong Kong zbudowali Taste-Bench, żeby mierzyć jakość długofalowych decyzji agentów. Najlepszy model ledwo dobił do 60% — widać, że dzisiejsi agenci często wybierają skróty, które później się nie sprawdzają.

• AI agents have bad taste in long-term decisions and a new benchmark proves it(otwiera się w nowej karcie)

Nowe benchmarki długiego horyzontu. BizBench, PhysClosureBench i Into the Unknown sprawdzają agentów w zadaniach biznesowych z obszaru płatności, w domykaniu badań fizycznych i w otwartych naukowych kontynuacjach. Czołowe modele często nie spełniają warunków stawianych przez dziedzinowych naukowców ani ograniczeń biznesowych.

• BizBench: Unveiling Hidden Challenges in Deploying Long-Horizon Agents for Real-World Business(otwiera się w nowej karcie)
• From Research Goals to Scientific Closure: Evaluating Agents Through Evidence-Supported Physics Research(otwiera się w nowej karcie)
• Into the Unknown: Benchmarking AI agents on open scientific research problems(otwiera się w nowej karcie)

Agent mobilny OpenMobile-2. OpenMobile-2 to agent mobilny bliski czołówce, z w pełni otwartymi środowiskami treningowymi i przepisami treningowymi. W zestawie jest MobileGym++ z 35 symulowanymi aplikacjami komercyjnymi oraz hybrydowe korzystanie z narzędzi GUI i natywnych dla aplikacji.

• OpenMobile-2: Building Versatile Mobile Agents with Scalable Environments and App-Native Tools(otwiera się w nowej karcie)

Runtime kontekstu CarryOn. CarryOn porządkuje kontekst długohoryzontowych agentów wokół obiektów zadań wielokrotnego użytku, zamiast odtwarzać historie. Daje to lepsze wyniki na OSWorld 2.0 i BrowseComp-Plus przy mniejszym zużyciu tokenów.

• Pack Light, CarryOn: Building Object-Oriented Context for Long-Horizon Agents(otwiera się w nowej karcie)

HexaShell a kodowanie robotów. HexaShell za pomocą cienkiego harnessu pozwala agentom kodującym opartym na VLM sterować dwuramiennym robotem: piszą narzędzia i poprawiają je na podstawie błędów. To zarazem test granic VLM jako agentów kodujących roboty.

• HexaShell: A Thin Harness for Exploring the Limits of VLM Agents as Robot Coding Agents(otwiera się w nowej karcie)

Fundusz pożytku publicznego Anthropic. Anthropic przekaże 5% swoich udziałów nowemu funduszowi pożytku publicznego, z opcją dodatkowych 2% za każde 50% wzrostu wartości firmy. Pieniądze mają wspierać m.in. projekty dotyczące wpływu na rynek pracy i wypłaty bezpośrednie.

• Anthropic says it’s committing 5% of its shares to a ‘public benefit fund’(otwiera się w nowej karcie)
• Investing in the public benefit(otwiera się w nowej karcie)

METR z dostępem do systemów. Anthropic przyznała zewnętrznemu ewaluatorowi METR dostęp do sprzętu i systemów wewnętrznych „na prawach pracownika”, realizując zapowiedzi o osadzaniu zewnętrznych audytorów w czołowych laboratoriach AI.

• Anthropic gives outside AI watchdog “employee-like” access(otwiera się w nowej karcie)

Mniej juniorów w Anthropic. Udział juniorów w technicznych rekrutacjach Anthropic spadł od początku 2025 r. z 27% do 9%. Agenci AI wypracowują dziś sześciokrotnie więcej godzin pracy i przejmują kodowanie oraz szukanie błędów, a produktywność w działach wyraźnie wzrosła.

• Anthropic has nearly stopped hiring junior staff because AI agents now work six times as many hours(otwiera się w nowej karcie)

Normy uczciwych negocjacji. Anthropic konsultuje się z kancelariami prawnymi w sprawie norm uczciwych negocjacji dla agentów AI, które targują się, rozpatrują reklamacje albo poprawiają umowy. Obawy budzi to, że silniejsze agenty mogą pogłębić nierówności.

• Anthropic consults law firms to set fair negotiation norms before AI agents start cutting deals(otwiera się w nowej karcie)

Disney przejmuje ludzi z Character.AI. Po bankructwie Character.AI Disney zgodził się zatrudnić co najmniej 60 pracowników — większość załogi — płacąc około 60 mln USD rocznych wynagrodzeń, choć ofertę stalking horse można jeszcze przebić.

• Disney agrees to hire the majority of Character.AI’s workforce(otwiera się w nowej karcie)

Google odpowiada za podsumowania AI. Dwa niemieckie sądy uznały Google bezpośrednio odpowiedzialnym za generowane przez AI podsumowania wyników wyszukiwania — traktują je jako własne wypowiedzi firmy, a nie odnośniki do treści osób trzecich.

• Two German courts now hold Google liable for what its AI overviews say(otwiera się w nowej karcie)

Zatrzymanie za blokowanie robota. Kobieta z Filadelfii została zatrzymana za zakłócanie porządku po tym, jak zablokowała robota dostawczego Ubera, protestując przeciwko utracie miejsc pracy. To sygnał rosnącej niechęci do autonomicznych systemów dostaw.

• A woman was arrested in Philly for blocking a delivery robot(otwiera się w nowej karcie)

Chaos ze zwrotem i agentami. W eksperymencie Vals AI sześciu agentów walczących o zwrot 350 funtów za bilet kolejowy wymyślało wymówki, ujawniło dane medyczne i zasypało wiadomościami biuro posła — jeden wysłał 187 wiadomości w 15 dni. To ostrzeżenie przed zjawiskiem agentic flooding.

• AI agents chasing a $465 train refund invented excuses, leaked medical data, and spammed an MP's office(otwiera się w nowej karcie)