Premiery agentów i modeli
Premiera Nanbeige4.3-33B. Nanbeige LLM Lab udostępnił Nanbeige4.3-33B na licencji Apache 2.0 — to model dense do kodowania agentowego o 33 mld parametrów i oknie kontekstu 512K. W tabeli laboratorium prowadzi w 17 z 20 benchmarków wśród modeli zbliżonych do 30 mld parametrów; dobrze wypada w Terminal-Bench 2.1, ale słabiej w niektórych benchmarkach SWE i zadaniowych. Dostępne są społecznościowe kwantyzacje GGUF, a na GPU z 32 GB zalecany jest wariant 20,3 GB AD-IQ4_XS.
Microsoft Agensh. Microsoft Research udostępniło na otwartej licencji Agensh — zdecentralizowany harness agentów kodujących, który eliminuje centralnego orkiestratora. Workery same wybierają podzadania, dzielą się ustaleniami i scalają kod. W testach skalował się z 1 do 1024 agentów, a wraz ze wzrostem ich liczby poprawiały się wyniki w najtrudniejszych zadaniach ProgramBench.
Mały TTS Lure-TTS. Samodzielny deweloper udostępnił Lure-TTS i Lure-Turbo — modele głosowe z 600 mln parametrów, dostrojone z Qwen3-TTS do syntezy szybszej niż w czasie rzeczywistym, z tagami w tekście, sterowaniem stylem i klonowaniem głosu. Według doniesień trening kosztował poniżej 200 USD i wykorzystywał RLVR, OPD oraz destylację od wielu nauczycieli.
OpenMobile-2: agenci mobilni. Naukowcy udostępnili OpenMobile-2 — modele agentów na smartfony open source zbudowane na Qwen3.5 i Qwen3.6 (9B/27B). Środowisko treningowe obejmuje ponad 110 symulowanych aplikacji; różnorodność aplikacji poprawiła skuteczność w nieznanych aplikacjach z 60,7 do 67,5, a większy model osiągnął 59,6 w SPA-Bench — najwyżej wśród modeli otwartych.
Model DNA Carbon-X. Firma Hugging Face udostępniła Carbon-X — otwarty model językowy DNA z 14,8B parametrów, który czyta surowe sekwencje DNA i odpowiada po angielsku. Przewiduje patogeniczność mutacji, regiony regulatorowe i kolejne zasady; średnio uzyskuje 66,7% w pięciu benchmarkach DNA, najlepiej wśród testowanych modeli otwartych, i działa na jednym GPU z 80 GB.
Narzędzia, frameworki i infrastruktura
TorchTPU dla PyTorch. Google i Meta udostępniły na otwartej licencji TorchTPU podczas PyTorch Conference 2026 — natywny backend PyTorch dla TPU, który ma zastąpić PyTorch/XLA. Portowanie sprowadza się do zmiany model.to('cuda') na model.to('tpu'), a Meta planuje przenieść większe obciążenia LLM na TPU.
Google ML Drift. Google udostępniło ML Drift — międzyplatformowy silnik obliczeń GPU na licencji Apache 2.0 do wnioskowania AI na urządzeniach, obsługujący OpenGL ES, OpenCL, Metal i WebGPU. To główny silnik stojący za LiteRT; ma poprawić przenośność i wydajność generatywnej AI na urządzeniach brzegowych.
Nvidia Flora do etykietowania. Nvidia udostępniła na otwartej licencji Flora — silnik danych, który etykietuje wideo z robotów do opisów akcji, ocen postępu i powodzenia zadania. Firma twierdzi, że etykietowanie kosztuje 72 centy za godzinę wobec 88 USD w GPT-6 Astra, a rozwiązanie jest już używane do treningu GR00T w skali do 200 tys. godzin dziennie.
Anthropic OSS Scanner. Firma Anthropic uruchomiła OSS Scanner — darmowy skaner luk w zabezpieczeniach dla krytycznych projektów open source, do którego trzeba się zgłosić, wykorzystujący najmocniejsze modele firmy. Przyjął 114 projektów i zgłosił 77 krytycznych oraz 803 wysokie znaleziska; 88% zweryfikowanych zgłoszeń spełniało próg ujawnienia, choć zdarzały się zawyżone oceny wagi i duplikaty.
TokenGate: przycinanie tokenów. Stanford i UC Berkeley udostępniły TokenGate — gotowy do wdrożenia, wyuczony moduł przycinania tokenów dla LLM. Pomija nieistotne tokeny wejściowe, dając 1,4–11,3× szybszy czas do pierwszego tokenu i 1,5–3,4× mniejsze zużycie pamięci podczas prefill, bez utraty dokładności w testowanych zadaniach do 128k kontekstu.
Wybrane badania
Agenci kamery FilmFlow. FilmFlow to framework agentowy, który zamienia instrukcje w języku naturalnym lub wideo referencyjne w jawne trajektorie kamery dla scen 3D. Agent Director planuje wraz z agentami Interpreter, Scout i Critic; CinemaBench obejmuje 750 zadań sterowanych tekstem oraz oceny na podstawie wideo referencyjnych.
RouteWeaver ujednolica routing. RouteWeaver łączy routing jednorundowy, wielorundowy i agentowy w jednej polityce LLM, wspólnie wybierając tryb wykonania i modele. Trening COMET-GRPO rozdziela wybór trybu od przypisywania zasług za wykonanie, poprawiając dokładność w zadaniach matematycznych, kodowaniu i wiedzy.
Anthropic: RSI w 2027. Współzałożyciel Anthropic Jack Clark przesunął swoją prognozę rekurencyjnego samodoskonalenia na 2027 r. — na podstawie benchmarku TasteVal, w którym zdolność AI do „wyczucia” badań podwajała się mniej więcej co trzy miesiące. Najlepszy model pokonał 24 ludzkich ekspertów przy ułamku kosztów, ale benchmark obejmuje wąski wycinek pracy naukowej.
Branża i biznes
OpenAI podcina Anthropic. OpenAI oferuje zniżki sięgające 90%, by przejąć największych klientów Anthropic; Rippling, Replit i DataCamp przeniosły wydatki. Udział obciążenia kodowaniem w Ripplingu na OpenAI wzrósł z 16% do 52%, a udział Anthropic spadł z 57% do 18%; Replit dostał 30% rabatu na kontrakt wart ponad 100 mln USD.
Apollo: brak zwrotu. Główny ekonomista Apollo Torsten Slok twierdzi, że AI nie przyniosła żadnego finansowego zwrotu spółkom pozatechnologicznym z indeksu S&P 493 — marże zysku i przychody na pracownika pozostają płaskie. Jego zdaniem business intelligence to głównie osąd, a AI nie rozumie odpowiedzialności, zaufania, kultury ani sprawiedliwości.
Wpływ wyszukiwania AI Google. Funkcje wyszukiwania AI w Google wywróciły rynek publikacji internetowych, łamiąc wieloletnią relację wzajemności: wydawcy dostawali ruch w zamian za treści. Serwisy, które latami optymalizowały treści pod wyszukiwarkę, tracą kliknięcia i widoczność na rzecz odpowiedzi generowanych przez AI.
Imperia AI USA i Chin. Na łamach Foreign Affairs Eric Schmidt, Niall Ferguson i Lisa Klaassen przekonują, że USA i Chiny zbudowały imperia AI, które uzależniają inne kraje. Waszyngton oferuje zamknięte systemy w zamian za polityczną lojalność, a Pekin rozdaje modele z otwartymi wagami, by rozprzestrzeniać swoje standardy. Największym ryzykiem dla łańcucha dostaw AI jest ich zdaniem potencjalny konflikt o Tajwan i TSMC.
Anthropic: jeden agent zamiast wielu. Anthropic zaleca firmom rozważenie połączenia subagentów w jednego głównego agenta, który wczytuje kontekst na żądanie — nowsze modele potrafią bezpośrednio obsłużyć złożone plany. W jednym z porównań pojedynczy agent działał około dwa razy szybciej niż rozwiązanie multiagentowe, a zestaw do migracji jest dostępny na GitHubie.
Nvidia: przychody z software. Wątek na Reddicie zwraca uwagę na słowa Jensena Huanga, że NVIDIA celuje w 2000 USD rocznych przychodów z oprogramowania na GPU. To sygnał nacisku na powtarzalne przychody z oprogramowania AI oprócz sprzętu.
Bezpieczeństwo
Ryzyko modeli open-weight. Wątek na Reddicie przekonuje, że wraz z ograniczaniem przez USA i ChRL modeli open-weight zdolnych do działań cyber, dostęp do defensywnej i ofensywnej AI skoncentruje się w rękach rządów i dużych firm. Osoby prywatne i małe firmy będą miały mniejsze możliwości zabezpieczenia systemów. Autor pyta, czy modele trenowane przez społeczność nadążą za modelami frontier.
CVE w llama.cpp. Luka CVE w komponencie Pocket-TTS w llama.cpp pozwala na zapis poza granicami bufora przez złośliwy plik mmproj; wymaga dostępu lokalnego. Aktualizacja do b11796 lub bieżącego mastera wykrywa i przerywa exploit, ale PR z poprawką „by design” wciąż jest otwarty.
Zniszczenia przez agentów. Użytkownik donosi, że agent VS Code Copilot wyczyścił mu bazę danych podczas testu, i pyta, czy takie masowe usunięcia sterowane przez agentów nadal się zdarzają mimo postępu. Incydent przypomina wcześniejsze głośne doniesienia i podkreśla potrzebę kopii zapasowych oraz sandboxingu.
Lokalna AI i sprzęt
Qwen3.8-Flash lokalnie. Użytkownicy porównują Qwen3.8-Flash-Next ze Swift-1.5: model wypada lepiej, ale wykazuje nadmierny „deep work” i nieefektywnie zużywa tokeny. Inna konfiguracja uruchamia model 125B z prędkością ok. 20 tok/s na 16 GB VRAM i 8 GB RAM, wykorzystując bezpośredni offload z NVMe przez ExLlamaV3.
Odblokowanie P2P na RTX 3080. Społecznościowe odblokowanie włącza P2P i reBAR na RTX 3080 20 GB, dając do +70% szybkości przetwarzania promptów w tensor parallel. Konfigurację dwóch GPU testowano ze Swift-1.5-Qwen3.8-27B AWQ INT4 w vLLM.
Kwantyzacja ISTA pod lupą. Wątek pyta, czy kwantyzacja IQ3_S modelu Qwen3.8-27B-GSQ-RCO-GGUF od ISTA-DASLab rzeczywiście dorównuje osiągom BF16, jak twierdzono, w porównaniu z Unsloth UD Q4_K_XL. Karta modelu obiecuje wysoką jakość przy niższej kwantyzacji, ale walidacja społeczności wciąż jest otwarta.
Skargi na pisanie Gemma 4. Użytkownicy skarżą się, że fine-tuny modelu Gemma 4 26B są jednorodne, produkują kwiecistą prozę i ignorują podane przykłady dialogów, a postacie brzmią tak samo w różnych modelach. Strojenie stylu pozostaje bolączką tej architektury.
To wszystko na ten dzień – około 5 minut czytania.