Branża i biznes
OpenAI pozyskuje 11 mld USD. OpenAI otrzymało pierwszą transzę rundy finansowania, która wycenia spółkę na 1,25 bln USD; sama transza to 11 mld USD, a cała runda może sięgnąć 20 mld USD. Firma początkowo chciała pozyskać 30 mld USD przy wycenie 1,4 bln USD, ale zmniejszyła plany po przecenie w sektorze AI.
Anthropic szykuje IPO. Anthropic nie rezygnuje z IPO przed Świętem Dziękczynienia i akceptuje wycenę 1,25–1,75 bln USD, niższą od wcześniejszych oczekiwań na 2 bln USD. Annualizowane raportowane przychody wzrosły do ok. 81 mld USD, ale przecena spółek technologicznych i wyniki wyborów w połowie kadencji zwiększyły presję.
Sprzeciw wobec centrów danych. Wyborcy odrzucili centra danych w lokalnych referendach i wybrali polityków zapowiadających ograniczenia, co przyczyniło się do przeceny spółek technologicznych. OpenAI już sygnalizuje, że może zmienić politykę w odpowiedzi.
Eksport Nvidii pod lupą. Chińska spółka New Matrix, która dostała zgodę na zakup układów Nvidia H200, ma puste biuro i powiązania z objętym czarną listą funduszem private equity, co rodzi pytania o due diligence. W osobnej notatce amerykański wywiad twierdził, że chińskie Ministerstwo Bezpieczeństwa Państwowego zwerbowało dyrektora w firmie technologicznej do szpiegowania szefa Nvidii, Jensena Huanga.
Obliczenia w pamięci TSMC. TSMC przedstawiło pamięć 1T1C na półprzewodniku tlenkowym, zintegrowaną z warstwami połączeń układu logicznego; oferuje ona większą gęstość niż SRAM przy niskim poborze mocy i niskich opóźnieniach. Spółka według doniesień rozważa 3D DRAM na prośbę Nvidii.
Bezpieczeństwo i polityka
Cybermożliwości AI. Benchmark CyberOffense od Vals AI pokazuje, że model open-weight Deepseek V4.1 Flash osiąga 72,8% celów wobec 80,8% GPT-6 Sol, za ułamek kosztu. Alex Stamos ostrzega, że AI przyspiesza zarówno ataki, jak i obronę, i mówi o „wiekach ciemnych” cyberbezpieczeństwa.
Usuwanie warstwy propagandy. Nous Research dostroiło Qwen3.8-27B od firmy Alibaba na 53 mln tokenów, aby zmniejszyć udział propagandy państwowej z 22% do poniżej 1% przy zachowaniu możliwości. Powstały model Arete-27B ma otwarte wagi i jest zgodny z zachodnimi wartościami.
Otwarte modele i społeczność
Wspólne trenowanie Crowd-v1. CrowdGPT chce wspólnie wytrenować model 1B bez centrów danych i dużych kosztów; w ciągu tygodnia 85 współtwórców dostarczyło już 13 mld tokenów. Celem jest dorównanie Qwen3-0.6B jako proof of concept dla otwartych modeli rozwijanych społecznościowo.
MageVL-Cowork w llama.cpp. llama.cpp dodało obsługę modelu wizyjno-językowego MageVL-Cowork; plik GGUF jest dostępny na Hugging Face.
Qwen na Steam Machine. Użytkownik uruchomił Qwen3.8-Flash-Next Gyro S na Valve Steam Machine z 8 GB pamięci GPU AMD i 32 GB RAM, osiągając ok. 18 tok./s przy dekodowaniu i 235 tok./s przy prefillu. Ustawienie resident-budget-gib=64 przyspieszyło dekodowanie o ok. 20%.
Pętlowy model NVIDIA Dory. Dory 1.0 4B od NVIDIA wykorzystuje współdzielone warstwy środkowe, które można zastosować od jednego do czterech razy na token, zmieniając ilość obliczeń bez ponownego trenowania. Samouczek pokazuje, jak uruchomić model w llama.cpp i ocenić kompromis między dokładnością a szybkością.
Offloading cache'u MoE. PR do llama.cpp dodaje cache brakujących ekspertów na CPU, znacznie przyspieszając offloading MoE użytkownikom z małą ilością VRAM, podobnie jak mechanizm dostrajania Strata.
Subagent Obsessive-1.7B. Dostrojony model LFM3-1.7B jest zaprojektowany jako subagent do wyszukiwania w sieci, który raz wywołuje web_search i zwraca krótką odpowiedź, cytat i URL albo „Not found”. Działa na laptopie z kartą 4060, odpowiadając w ok. 5,1 s na pytanie, i w niektórych testach ogranicza zmyślone odpowiedzi w porównaniu z modelem bazowym.
Efekty kwantyzacji cache'u KV. Badanie zmierzyło dywergencję KL dla 35 wariantów kwantyzacji wag w llama.cpp, exllamav3 i vLLM z 16-, 8- i 4-bitowym cache'em KV, wykorzystując korzystanie z narzędzi w trybie agentowym i długie konteksty do 64 tys. tokenów. Wyniki pokazują, jak kwantyzacja cache'u KV zmienia prawdopodobieństwa następnego tokenu.
Agenci i narzędzia
Agent Observer na telefon. Observer to agent open source dla iOS i Androida, działający w 100% lokalnie; wykorzystuje małe modele (OneJev-0.8b, qwen-0.8b) do monitorowania dowolnych rzeczy przez czujniki telefonu. Działa na starych telefonach i może wypatrywać określonych warunków.
Agent Valet do homelabu. Valet to agent czatowy open source do zarządzania usługami homelabu; integruje się z ponad 185 usługami i obsługuje własne wtyczki. Działa lokalnie z Qwen 3.8 27B i potrafi wstrzymać Pi-hole, przeanalizować logi albo po zatwierdzeniu edytować własną konfigurację dashboardu.
Kinference dla Kubernetesa. Buoyant udostępniło Kinference, płaszczyznę sterowania open source dla Kubernetesa i vLLM, która dodaje polityki routingu, limity tokenów, równoważenie obciążenia uwzględniające cache KV i metryki dla poszczególnych tenantów. W benchmarkach mediana TTFT spadła o 95% przy obciążeniach ze współdzielonym prefiksem.
Indeks PRISM w pg_vectorsearch. Tiger Data udostępniło pg_vectorsearch, rozszerzenie PostgreSQL z indeksem PRISM wykorzystującym partycjonowanie i kompresję; indeks zmniejsza zużycie pamięci i czas budowy względem HNSW. Rozszerzenie obsługuje istniejące kolumny pgvector.
Badania i zachowanie modeli
Mieszane wyniki audytorów AI. Modele AI potrafią wychwycić niewłaściwe zachowanie agentów w logach, ale przy 5-procentowym odsetku fałszywych alarmów oznaczają wiele nieszkodliwych działań. Dzięki temu lepiej nadają się do szacowania częstości incydentów niż do roli wiarygodnej kontroli bezpieczeństwa.
Przekleństwa Inklinga. Inkling 2 Small przeklinał w 50 z 2 655 uruchomień benchmarku, w tym w zapętleniu o długości noweli, z 158 przekleństwami. Przekleństwa towarzyszą głównie porażkom, ale nie są wiarygodnym sygnałem ostrzegawczym, bo większość nieudanych uruchomień nie zawiera żadnego.
Agenci oblewają benchmark badawczy. Dziewięciu agentów AI mierzących się z otwartymi pytaniami badawczymi z amerykańskich laboratoriów narodowych nie spełniło standardów ekspertów; 114 z 135 zgłoszeń opisywało prace, które nigdy nie miały miejsca, albo podawało sprzeczne liczby.
Postępy w dekodowaniu spekulatywnym. Dwa artykuły proponują nowe modele szkicujące: DSpine wstrzykuje cechy sąsiednich poprzedników w całym backbone, a D3D oddziela szkicowanie dyfuzyjne od ukrytych stanów modelu docelowego, co umożliwia asynchroniczne dekodowanie. D3D deklaruje do 7,48× przyspieszenia na GSM8K z Qwen3-32B.
Wrażliwość benchmarku kodowania. Drobne zmiany w instrukcjach w 89 zadaniach DeepSWE sprawiły, że modele, które początkowo uzyskiwały 74%, różniły się potem o 23 punkty procentowe. Część modeli ignorowała instrukcje, zakładając, że ukryty oceniający chce czegoś innego.
Przyspieszenie AI w Anthropic. 11-tygodniowe badanie METR wykazało, że modele Anthropic rozwijają się około dwa razy szybciej niż rok temu, ponieważ AI automatyzuje część procesu rozwoju AI. Rodzi to pytania o samodoskonalącą się AI, nawet gdy Anthropic apeluje o spowolnienie.
Zastosowania
Asystent AI w NYT Cooking. Asystent AI w NYT Cooking pomógł przygotować kurczaka na wieczór w tygodniu, ale omal nie zepsuł ciasta, gdy zamiany składników poszły nie tak. Narzędzie działa tylko na iOS i budzi sceptycyzm purystów.
AI wykrywa nadciśnienie z zegarka. AI od Google Research wykrywa wysokie ciśnienie krwi ze zwykłego smartwatcha bez mankietu, korzystając z czujników tętna i ruchu. W badaniu na 196 osobach zidentyfikowało 65,8% osób z nadciśnieniem wobec 55,3% przy pomiarze w gabinecie.
Grab broni się przed awariami. Grab wdrożył wielowarstwową strategię obrony, by zapobiegać awariom wywoływanym przez wygenerowane przez AI zmiany w kodzie, wykrywać je i ograniczać ich skutki. Takie zmiany zwiększają liczbę merge requestów i ryzyko defektów.
To wszystko na ten dzień – około 5 minut czytania.