Agentic AI News 3 listopada 2026

Qwen4: wyciek i open source. Repozytorium Qwen Code firmy Alibaba zawiera odniesienia do qwen4-max, qwen4-coder-plus i qwen4-omni-120b, co sugeruje, że nowe modele są już blisko. Kierownictwo Qwen zdementowało pogłoski o przejściu na wyłącznie API, potwierdzając, że przyszłe Qwen 4.0 i 5.0 pozostaną open source.

• Alibaba's Qwen Code repo just leaked qwen4-max, qwen4-coder-plus, and qwen4-omni-120b(otwiera się w nowej karcie)
• Official Statement: Qwen Models Will Stick to Open Source to the End!(otwiera się w nowej karcie)

753B model naukowy. Firma Deep Principle wydała Hydrogen-1.0 – model MoE o 753B parametrów z otwartymi wagami, przeznaczony do chemii, materiałoznawstwa i nauk o życiu, zbudowany na GLM-5.3. Według doniesień wygrywa z GPT-6-Astra w FrontierScience-Research i jest dostępny na licencji MIT.

• Deep Principle Releases Hydrogen-1.0: A 753B Open-Weight Model for Scientific Discovery(otwiera się w nowej karcie)

MiniMax po kwantyzacji. Twórcy ze społeczności w 10 dni skompresowali MiniMax M3.1 Flash (428B) z otwartymi wagami z 252,4 GB do 93 GB, za co firma MiniMax podziękowała. Model wykorzystuje trening z uwzględnieniem kwantyzacji i rzadką uwagę, a docelowo ma służyć programowaniu i pracy agentów z kontekstem do 1 mln tokenów.

• Builders got MiniMax M3.1 Flash's open weights from 252.4 GB down to 93 GB in 10 days, and the lab thanked them by name(otwiera się w nowej karcie)

Raport o kwantyzacji 1,7B. Raport o kwantyzacji LFM3-1,7B od Liquid AI pokazuje, że niemal bezstratna wersja mieści się w 3,6 GB VRAM, a wariant 2,2 GB ma niewielki spadek jakości. Według deklaracji model osiąga lepsze wyniki niż MiniCPM5-2B przy dwukrotnie większym kontekście i połowie VRAM.

• LFM3-1.7B quantization report: 3.6 GB VRAM lossless; 2.2 GB with modest degradation(otwiera się w nowej karcie)

Lokalnie 4,2 razy szybciej. Bezpośrednie porównanie GLM 5.3 Flash w subskrypcji Z.ai z serwowaniem lokalnym wykazało, że ten sam model i ten sam prompt ukończyły zadanie 4,2 razy szybciej lokalnie. Autor przekonuje, że o wartości lokalnej AI decyduje nie tylko koszt tokenów, lecz także zaoszczędzony czas.

• Underrated benefit of Local AI: Speed(otwiera się w nowej karcie)

Ekonomia GPU 48 GB. Ceny RTX 8000 48 GB spadły do około 2100 USD, a ceny używanych 3090 podwoiły się. Dzięki temu RTX 8000 jest tańszy w przeliczeniu na GB i energooszczędny w domowym laboratorium. Przy niższym poborze mocy uruchamia większe modele i konteksty niż dwa 3090.

• Rtx 8000 48gb prices have decreased over the last two years while 3090 doubled.(otwiera się w nowej karcie)

Spór o jakość kwantyzacji. Unsloth i ISTA-DASLab publicznie spierają się o jakość kwantyzacji DeepSeek-V4.1-Flash. Unsloth podaje, że jego pliki GGUF wypadają o 10–20% lepiej niż GSQ-RCO w benchmarkach programowania z długim kontekstem, a osobna analiza podważa spójność wykresów LiveCodeBench Unsloth. Rywalizacja przekłada się na lepsze kwantyzacje dla społeczności.

• Unsloth vs GSQ-RCO - 512K context DeepSeek-V4.1 GGUF benchmarks Terminal Bench(otwiera się w nowej karcie)
• Kind of enjoying the ISTA (GSQ-RCO) vs Unsloth beef(otwiera się w nowej karcie)
• Inconsistencies in Unsloth's LiveCodeBench Results(otwiera się w nowej karcie)

Ukryta funkcja w Strata. Strata/PolyStrata ma domyślną funkcję answer_room, która po cichu ogranicza rozumowanie do 75% max_tokens i wstrzykuje do toku myślenia modelu wiersz zamykający. Takie ukryte zachowanie może wpływać na porównania benchmarków i jakość transkryptów.

• YSK: Strata and polystrata have this functionality called answer_room(otwiera się w nowej karcie)

Bezcenzurowy DeepSeek 12 GB. Zmodyfikowana kwantyzacja DeepSeek-V4.1-Flash-1017 GSQ-RCO usuwa odmowy (z 85% do 0% na JailbreakBench), zachowując stabilne wyniki GPQA/AIME. Działa na 12 GB VRAM z offloadem Strata + SSD, a eksperci routowani pozostają bajt w bajt identyczni z wydaniem ISTA.

• Running UNCENSORED DeepSeek-V4.1-Flash-1017 on a 12 Gb VRAM(otwiera się w nowej karcie)

Agent kodujący dla wzrostu. The Letter Company wydała Letterpress-1 – agenta kodującego i IDE, który czyta stronę internetową i sygnały rynkowe, wprowadza zmiany w sandboksie, a następnie otwiera pull requesty z podglądem na żywo. Udostępnia 760 narzędzi przez MCP/REST/CLI, ale nie ma jeszcze publicznego benchmarku.

• The Letter Company Releases Letterpress-1: A Coding Agent Built for Growth Engineering(otwiera się w nowej karcie)

Git w skali agentów. OpenAI zbudowało Pando – nowy backend Git dla swojego monorepo, który obsługuje równoczesne pushy i odczyty w skali Codex. Skrócił medianę opóźnienia pushu prawie pięciokrotnie i codziennie przetwarza niemal petabajt danych Git, pozostając zgodnym z Git.

• Scaling Git at OpenAI(otwiera się w nowej karcie)

Model improwizuje w Blenderze. Użytkownik zauważył, że Qwen 3.8 27B odkrył dostęp do Blendera przez MCP i zaczął pisać kod w Pythonie w Blenderze, aby przyspieszyć obliczenia fizyki. Umiejętność sięgania po nieoczekiwane narzędzia pokazuje, jak potrzebne są jasne ograniczenia.

• Qwen 3.8 27b is sometimes so smart it scares me...(otwiera się w nowej karcie)

Edycja wag modelu. GPT-6 Astra miał edytować wagi Qwen, podnosząc wynik MATH-500 z 7,9% do 48,1%, a nowy preprint bada natywne odczytywanie i zapisywanie wag sieci neuronowych przez LLM. Wskazuje to na bezpośrednią modyfikację modeli przez LLM – odejście od promptowania i fine-tuningu.

• GPT-6 Astra Edits Qwen Weights: MATH-500 7.9% to 48.1%(otwiera się w nowej karcie)
• Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights(otwiera się w nowej karcie)

Claude ogranicza klony gier. Anthropic zaktualizowało prompt systemowy Claude Code, zakazując odtwarzania konkretnych istniejących gier, ale nadal pozwalając na oryginalne gry lub gry z danego gatunku. Zmiana raczej nie powstrzyma portowania z pomocą AI, a część użytkowników lokalnych LLM wskazuje ją jako kolejny powód do self-hostingu.

• Anthropic clamps down on Claude’s AI video game clones(otwiera się w nowej karcie)
• Claude’s new rules against game cloning won’t stop the AI copying boom(otwiera się w nowej karcie)
• Yet another reason to self host: Anthropic has (again) cut back on reverse engineering tools(otwiera się w nowej karcie)

Goldman ogranicza AI w kodzie. Goldman Sachs odebrał dostęp traderom i bankierom do Claude Code i GitHub Copilot, ograniczając te narzędzia do inżynierów. Bank twierdzi, że faza eksperymentów się skończyła, i powołuje się na produktywność oraz zarządzanie ryzykiem – mimo wcześniejszych pochwał dla „vibe codingu” ze strony pracowników nietechnicznych.

• Goldman Sachs pulls AI coding tools from traders and bankers(otwiera się w nowej karcie)

Scalanie UI ChatGPT. OpenAI połączy zakładki Chat i Work w ChatGPT, aby użytkownicy mogli przejść od rozwijania pomysłów do budowania stron lub prezentacji w jednym miejscu. Codex pozostanie osobnym produktem, a oba mają teraz korzystać ze wspólnej puli limitów tokenów.

• OpenAI is finally merging ChatGPT’s Chat and Work tabs(otwiera się w nowej karcie)

Zwrot ku inżynierii kontekstu. LangChain przekonuje, że standardowa architektura agenta oparta na pętli LLM i narzędziach się stabilizuje, ale pojawiają się nowe wyzwania: zarządzanie kontekstem w długim horyzoncie, progressive disclosure i używanie narzędzi w sandboxie. Wpis opisuje praktyki wyłaniające się w agentach na koniec 2026 roku.

• New context engineering challenges in late 2026(otwiera się w nowej karcie)

Finanse Anthropic przed IPO. Kwartalne przychody Anthropic wzrosły 12-krotnie, do niemal 17 mld USD, ale koszty operacyjne na poziomie 17,5 mld USD przełożyły się na 23,3 mld USD straty netto. Za stratą stoją zobowiązania dotyczące mocy obliczeniowej i program dopasowywania darowizn. W dokumencie S-1 firma ostrzega też, że jest blisko zdolności do rekurencyjnego samodoskonalenia, określając ją zarówno jako obiecującą, jak i jako ryzyko dla bezpieczeństwa.

• Anthropic grows revenue twelvefold but posts $23 billion loss(otwiera się w nowej karcie)
• Anthropic warns that it’s very close to RSI capability, aka self-building AI(otwiera się w nowej karcie)

Garry Tan i agenci. Garry Tan, CEO Y Combinator, twierdzi, że rocznie wydaje 100–200 tys. USD na tokeny AI i wykorzystuje agentów do programowania, badań oraz zadań osobistych. Jego gstack złożony z 23 umiejętności Claude Code jest dostępny na GitHubie.

• Y Combinator’s Garry Tan uses AI agents so much, he spends up to $200K a year on tokens(otwiera się w nowej karcie)

Trajectory zbiera 45 mln USD. Startup Trajectory pozyskał 45 mln USD w rundzie Series A prowadzonej przez Sequoia przy wycenie 300 mln USD. Celem jest automatyzacja fine-tuningu i ciągłego uczenia w wyspecjalizowanych dziedzinach, takich jak prawo i finanse. Firma chce zastąpić kosztowne konsultacje z forward-deployed engineerami.

• Trajectory raises $45M to make AI model training accessible to nontechnical experts(otwiera się w nowej karcie)

Behawioralny model świata. Izraelski startup 42AI wyszedł z trybu stealth z finansowaniem 62,5 mln USD i twierdzi, że ma behawioralny model świata, który przewiduje indywidualne decyzje ludzi w nowych sytuacjach. Początkowo wdraża go w domach maklerskich, aby prognozować zachowania traderów.

• 42AI comes out of stealth with $62.5M and a world model that can ‘predict human behavior’(otwiera się w nowej karcie)

Limity dla Grok Bot. Firma SpaceX obniżyła tygodniowe limity dla Grok Bot po tym, jak Musk stwierdził, że koszt obsługi Grok Bot jest „nie do utrzymania przy obecnych przychodach”. Niektórzy użytkownicy zauważyli, że limity wyczerpują się w ciągu jednej nocy, choć Grok Bot nazywano najszybciej rosnącym produktem.

• SpaceXSI apparently cuts Grok Bot quotas weeks after Musk called it his fastest-growing product(otwiera się w nowej karcie)
• Elon Musk throttles Grok Bot limits due to ‘unsustainably high’ costs(otwiera się w nowej karcie)

Centra AI wspierają sieć. OpenAI uruchomiło program Grid Protectors, obiecując, że przyszłe centra danych będą mogły zmniejszyć zapotrzebowanie na energię elektryczną nawet o 1000 MW w czasie awarii sieci. Pilotaż w Georgii ma sprawić, że kampusy AI będą postrzegane jako obrońcy sieci, a nie źródło zanieczyszczeń.

• OpenAI pitches data center power plants as a way to protect nearby areas(otwiera się w nowej karcie)
• Introducing the Grid Protectors Program(otwiera się w nowej karcie)

Wydawcy pozywają Brave. The New York Times i inne media pozwały Brave, zarzucając, że przeglądarka Brave scrapowała treści chronione prawem autorskim i sprzedawała dostęp do indeksu wykorzystywanego przez firmy AI, w tym Anthropic, Mistral i xAI. Pozew obejmuje też funkcję omijania paywalli w Brave.

• New York Times and other outlets sue web browser Brave over alleged content scraping(otwiera się w nowej karcie)
• The New York Times sues Brave web browser for AI scraping and bypassing paywalls(otwiera się w nowej karcie)

Agent dla prawników. CTO Legory opowiada w podcaście Latent Space o budowaniu agentów AI dla prawników. Legora osiągnęła 100 mln USD ARR w niespełna 18 miesięcy, ma obecnie 1800 klientów i jest wyceniana na 8,8 mld USD. Firma nie ma dostępu do danych klientów, więc tworzy symulowane środowiska testowe.

• Building AI for Lawyers - Jacob Lauritzen, CTO of Legora(otwiera się w nowej karcie)
• Building Legal Agents When You Can't See the Data - Jacob Lauritzen, CTO of Legora(otwiera się w nowej karcie)

Apple chce zarabiać na AI. Apple zasugerowało, że może szukać przychodów z aplikacji AI innych firm i partnerstw, ewentualnie dystrybuując agentów AI przez App Store i pobierając prowizję. Podczas rozmowy o wynikach nie podano szczegółów.

• Apple may try to increase revenue by doing…something with third-party AI apps(otwiera się w nowej karcie)

Przełom w rzadkiej uwadze. Zyphra udostępniła ZHA – rzadką uwagę o strukturze drzewa, którą można destylować do zamrożonych modeli, takich jak Qwen3.6-35B, przy minimalnej liczbie parametrów; w rozumowaniu i kodowaniu pozostaje blisko modeli gęstych. Powiązany projekt open source rozciąga rzadką uwagę do 10 mln tokenów, zachowując dokładność w większości zadań.

• Zyphra AI Introduces Zyphra Hierarchical Attention (ZHA): A Path to True Subquadratic Attention(otwiera się w nowej karcie)
• New sparse attention method for ultra-long context(otwiera się w nowej karcie)

PyTorch natywnie na TPU. Google i Meta udostępniły na zasadach open source TorchTPU – natywny backend PyTorch dla TPU z trybem eager execution i minimalnymi zmianami w kodzie. Ma on rozwiązać problem opóźnień kompilacji i inwazyjnych wymagań PyTorch/XLA wobec kodu.

• Google and Meta Open-source TorchTPU to Bring Native PyTorch Support to Google TPUs(otwiera się w nowej karcie)

Benchmark AI w czasie rzeczywistym. Badacze przedstawili Realtime-Bench – benchmark z 50 zadaniami, który sprawdza, czy AI potrafi działać w środowiskach webowych i grach wrażliwych na czas. Wstępne wyniki pokazują, że LLM wciąż mają trudności z decyzjami wymagającymi niskich opóźnień.

• Import AI 479: Spacewar; low-latency tasks versus LLMs; Genie 4(otwiera się w nowej karcie)

Luka w analityce agentowej. Raport MIT Technology Review Insights pokazuje, że mniej niż połowa wniosków generowanych przez agentów prowadzi do poprawy wyników biznesowych, a wnioski preskryptywne wypadają szczególnie słabo. Organizacje skupiają się na podnoszeniu jakości wniosków w analityce agentowej.

• Raising the quality of insights in agentic analytics(otwiera się w nowej karcie)