OpenAI wprowadza GPT-6 Cyber, Anthropic udostępnia Personal Finance w Claude, Perplexity wprowadza Teammates

OpenAI wprowadza GPT-6 Cyber, model cyberbezpieczeństwa zaklasyfikowany do kategorii Critical, początkowo dostępny tylko dla wybranych klientów Daybreak Red, dzień po publikacji wpisu, w którym autonomiczny pipeline wyszukiwania luk, działający na tym modelu, potwierdził 948 luk umożliwiających eskalację uprawnień w jądrze systemu Linux za 1,2 miliona dolarów. Anthropic udostępnia Personal Finance w Claude, z dostępem tylko do odczytu i w wersji beta w Stanach Zjednoczonych, a Perplexity wprowadza Teammates, agentów pracujących bez przerwy, podobnych do tych, których Mistral dodaje do Studio. W obszarze twórczości OpenAI przyspiesza generowanie obrazów dzięki Images 2.6, a Google wprowadza Gemini Omni 1.2 Flash do powszechnej dostępności, z filmami trwającymi 15 sekund i ceną niższą o 30 %. Z kolei Ricursive Intelligence publikuje Ripple-65B Preview, model gęsty z otwartymi wagami, ukierunkowany na kodowanie agentowe.

OpenAI wprowadza GPT-6 Cyber, model cyberbezpieczeństwa zaklasyfikowany do kategorii Critical, początkowo dostępny tylko dla klientów Daybreak Red

5 listopada — OpenAI wprowadza GPT-6 Cyber, następcę GPT-5.6 Cyber, wytrenowanego do znajdowania i potwierdzania podatności możliwych do wykorzystania przy zachowaniu zakresu wyznaczonego przez badaczy. Jego ramy gotowości (Preparedness Framework) klasyfikują go w cyberbezpieczeństwie jako Critical, wobec High dla GPT-5.6 Cyber. Według OpenAI przewyższa on GPT-6 Astra w większości zadań z zakresu cyberbezpieczeństwa, również wtedy, gdy Astra nie odmawia wykonania żądania.

Introducing GPT‑6 Cyber: a major advance in security research that pairs stronger capabilities with better model alignment. The model powered the Linux kernel research we announced yesterday, and security teams at companies like Mozilla, Palo Alto Networks, Calif, and Cisco—alongside our own at OpenAI—are already putting it to work. GPT-6 Cyber is available to select Daybreak Red customers and we are expanding access over time.

🇵🇱 Oto GPT-6 Cyber: duży krok naprzód w badaniach nad bezpieczeństwem, łączący większe możliwości z lepszą zgodnością modelu z założonymi celami. Model napędzał ogłoszone wczoraj badania nad jądrem systemu Linux, a zespoły bezpieczeństwa firm takich jak Mozilla, Palo Alto Networks, Calif i Cisco, obok naszych zespołów w OpenAI, już z niego korzystają. GPT-6 Cyber jest dostępny dla wybranych klientów Daybreak Red, a z czasem będziemy poszerzać dostęp. — @OpenAI na X

Dane opublikowane przez OpenAI dotyczą najpierw wykorzystywania luk, a następnie zdolności modelu do trzymania się powierzonego zadania: ExploitGym Honeypot umieszcza w pobliżu celu dodatkowe usługi, celowo łatwe do zaatakowania, które model powinien zignorować.

Ocena opublikowana przez OpenAI	Wynik GPT-6 Cyber	Punkt odniesienia
ExploitGym (zdalne wykorzystanie wskazanej luki)	48,5 %	32,1 % dla GPT-5.6 Cyber
Test penetracyjny aplikacji webowych bez dostępu do kodu źródłowego	40,3 % odnalezionych luk	32,0 % dla GPT-6 Astra
RemoteExploitBench (ocena wstępna)	95 % pomyślnie wykonanych zadań	100 % odmów dla GPT-6 Astra (Daybreak Blue)
ExploitGym Honeypot, bez promptu wdrożeniowego	99,93 % unikniętych ataków poza zakresem	94,49 % dla GPT-5.6 Cyber
SRE-Bench, inżynieria wsteczna plików binarnych (karta systemowa)	92,84 %	87,98 % dla GPT-6 Astra

W praktyce OpenAI wskazuje na 948 exploitów umożliwiających lokalną eskalację uprawnień w jądrze systemu Linux (opisanych poniżej) oraz 81 nieznanych wcześniej podatności o wysokiej wadze w Firefox, według klasyfikacji Mozilli, która zaczęła publikować poprawki. Zespoły bezpieczeństwa Cisco, Calif i CodeRabbit już wykorzystują ten model do wyszukiwania podatności i przeglądu kodu.

Zabezpieczenia zostały wzmocnione: monitorowanie niezgodności zachowania modelu z założeniami w obszarze cyberbezpieczeństwa, Private Safety Processing co do zasady obowiązkowe dla klientów API korzystających z opcji nieprzechowywania danych (zaszyfrowane zapisy przechowywane przez 30 dni w przestrzeni dyskowej klienta), lista dozwolonych adresów IP wymagana domyślnie przy dostępie do API w Daybreak Red oraz nowe mechanizmy kontroli przeciwdziałające pomocy w atakach na systemy krytyczne. Grupa Daybreak Red for Critical Infrastructure udostępnia autoryzowane testy zatwierdzonym obrońcom infrastruktury krytycznej, po ocenach przeprowadzonych wspólnie z Dragos na symulowanej elektrowni.

GPT-6 Cyber jest początkowo oferowany w API i Codex ograniczonej grupie zatwierdzonych klientów Daybreak Red, a następnie będzie stopniowo udostępniany wszystkim klientom tej usługi; GPT-5.6 Cyber jest dla nich dostępny już teraz. W API gpt-6-cyber kosztuje 20 dolarów za milion tokenów wejściowych (2 dolary przy użyciu cache) i 100 dolarów za tokeny wyjściowe, z oknem kontekstowym o rozmiarze 1 050 000 tokenów. OpenAI zapowiada kolejne ogłoszenia podczas transmisji na żywo „Cyber at the Frontier”, 12 listopada o 10:00 czasu pacyficznego.

🔗 GPT-6 Cyber: poszerzanie granic możliwości agentów cyberbezpieczeństwa zgodnych z założeniami (OpenAI) · Karta systemowa GPT-6 Cyber

Autonomiczny pipeline potwierdził 948 luk umożliwiających eskalację uprawnień w systemie Linux za 1,2 miliona dolarów

4 listopada — W przeddzień premiery zespół Cyber w OpenAI opisał prototyp, który bez interwencji człowieka kolejno wykrywa luki, odtwarza je w odizolowanej maszynie wirtualnej, ocenia możliwość ich wykorzystania i generuje poprawki, po czym następuje weryfikacja przez człowieka. Działał przez dziesięć dni w połowie października na głównej gałęzi jądra systemu Linux w jej najnowszym wówczas stanie, z modelem wskazanym w tweecie premierowym jako GPT-6 Cyber; 948 wykrytych luk umożliwiających lokalną eskalację uprawnień policzono według odrębnych poprawek.

Etap wykonania	Uzyskany wynik	Koszt w kredytach API
Wyszukiwanie przez agentów analitycznych (12 h)	2 308 potencjalnych podatności	316 549 dolarów
Walidacja dynamiczna (30 h)	1 724 odtworzone podatności	73 330 dolarów
Wykorzystanie luk	1 169 działających exploitów, 948 odrębnych luk	775 929 dolarów
Pełne wykonanie, wraz z wykrywaniem i selekcją	948 odrębnych luk umożliwiających eskalację uprawnień	1 213 430 dolarów, czyli 1 279 na lukę

Pod koniec lipca GPT-5.6 Sol znalazł i wykorzystał zaledwie 166 luk tego typu za 513 690 dolarów, a w ciągu trzech miesięcy dzielących obie kampanie wzmocniono zabezpieczenia jądra. W kernelCTF, programie Google ze wzmocnionym jądrem, pipeline uzyskał 21 exploitów w 112 godzin za około 32 936 dolarów. Agenci zastosowali co najmniej 10 technik wykorzystywania luk nieznanych zarówno OpenAI, jak i konsultowanym ekspertom; ich szczegóły pozostają poufne. OpenAI hipotetycznie szacuje, że według dawnych stawek nagród Pwn2Own i TyphoonPWN te luki byłyby warte od 18,9 do 66,3 miliona dolarów. Po dziesięciu dniach 61 luk było już załatanych w upstream, dla 43 przygotowywano poprawki, a 299 było przedmiotem publicznych dyskusji.

🔗 O tysiąc mniej dróg do uprawnień root (OpenAI)

Anthropic wprowadza Personal Finance w Claude, z dostępem tylko do odczytu przez Plaid i w wersji beta w Stanach Zjednoczonych

5 listopada — Anthropic wprowadza Personal Finance w Claude, w wersji beta w Stanach Zjednoczonych w planach Pro, Max i Ultra. Użytkownik łączy wybrane konta bankowe i karty, a następnie zadaje pytania o pieniądze w języku potocznym; Claude odpowiada na podstawie sald i transakcji z jego kont.

Introducing Personal Finance in Claude, in beta in the US. Connect the accounts you choose, and Claude answers your money questions in everyday language, from your own balances and transactions. Access is read-only, and Claude can’t move, manage, or invest your money.

🇵🇱 Oto Personal Finance w Claude, w wersji beta w Stanach Zjednoczonych. Połącz wybrane konta, a Claude odpowie na twoje pytania o pieniądze w języku potocznym, na podstawie twoich własnych sald i transakcji. Dostęp służy wyłącznie do odczytu, a Claude nie może przenosić twoich pieniędzy, zarządzać nimi ani ich inwestować. — @claudeai na X

Połączenie odbywa się przez Plaid: użytkownik sam loguje się do swojego banku i zatwierdza tam dostęp dla Claude, który nigdy nie widzi hasła bankowego. Dla wybranych kont Claude odczytuje nazwę banku, nazwę, typ i cztery ostatnie cyfry każdego konta, salda, limity kredytowe oraz transakcje z okresu do dwóch lat; w przypadku inwestycji, pożyczek i kart odczytuje tylko salda i limity, bez pozycji portfela i stóp procentowych. Funkcja nie jest przeznaczona do udzielania porad inwestycyjnych i nie wyświetla reklam ani sponsorowanych rekomendacji; Anthropic zaznacza, że nie oferuje kart kredytowych, pożyczek ani kont oszczędnościowych.

Osobna strona gromadzi wydatki, przepływy pieniężne, subskrypcje i nadchodzące rachunki. W przykładzie z artykułu Claude sumuje miesięczne wydatki na 4 309,37 dolarów, z czego ponad połowa przypada na czynsz i opłaty, wymienia cztery nadchodzące obciążenia przed wypłatą i oblicza pozostałą kwotę: 1 393,22 dolarów. Sygnalizuje również podwójne obciążenia, nieoczekiwane opłaty lub wzrost kwoty rachunku, a także może utworzyć wykres, kalendarz terminów płatności lub pulpit nawigacyjny.

Parametr oferty	Zapowiedziana wartość
Objęte plany	Pro, Max i Ultra (bez Free, Team i Enterprise)
Kraj i banki	Stany Zjednoczone, maksymalnie 16 banków amerykańskich
Status premiery	Wersja beta, stopniowe wdrażanie od tego tygodnia
Platformy	Web, Claude Desktop, iOS i Android
Odczytywane dane	Transakcje z okresu do 24 miesięcy, tylko do odczytu
Trenowanie modeli	Rozmowy z obszaru Personal Finance wykluczone

Poza tym obszarem obowiązują zwykłe ustawienia prywatności; według centrum pomocy rozmowa, w której korzystano z kont, nie zasila pamięci ani funkcji wyszukiwania w historii. Połączone konta nie są wykorzystywane w Cowork, Claude Code ani w zaplanowanych zadaniach, a funkcja jest niedostępna w Claude Duet. Anthropic przedstawia Personal Finance jako pierwszy krok i deklaruje, bez podawania terminu, że analizuje możliwość współpracy z licencjonowanymi specjalistami i instytucjami podlegającymi regulacjom. Claude dołącza do ChatGPT, Perplexity i Grok, które również korzystają z Plaid.

🔗 Przedstawiamy Personal Finance w Claude · Korzystanie z Personal Finance w Claude (centrum pomocy)

Agenci pracujący bez przerwy: Perplexity Teammates i zarządzani agenci Mistral Studio

5 listopada — Perplexity wprowadza Teammates, osobistych agentów do długotrwałej pracy, zapowiedzianych przez Aravinda Srinivasa, a następnie przez oficjalne konto Perplexity. Każdy współpracownik (teammate) korzysta z tego, co już istnieje w Computer: projektów, skills, pamięci, pluginów i automatyzacji. Nadaje mu się nazwę, rolę, stałą instrukcję i zasady określające, kiedy ma ponownie zwrócić się do użytkownika; planuje pracę, koordynuje sesje Computer i innych współpracowników, sprawdza wyniki w trakcie działania i przekazuje ukończoną pracę do zatwierdzenia. Zachowuje cele, historię zadań i pliki między kolejnymi uruchomieniami, w jednym stałym wątku.

Today, we’re launching Perplexity Teammates. They are personal agents for work. And change the paradigm from writing prompts in a session to giving high-level goals. Rolling out to Max users on the web today. Native apps (mobile, desktop) coming soon.

🇵🇱 Dziś wprowadzamy Perplexity Teammates. To osobiści agenci do pracy. I zmieniają paradygmat: od pisania promptów w sesji do wyznaczania celów wysokiego poziomu. Wdrażanie dziś dla użytkowników Max w wersji webowej. Aplikacje natywne (na urządzenia mobilne i komputery) pojawią się wkrótce. — @AravSrinivas na X

Różnica względem Computer polega na proaktywności. Współpracownik monitoruje bieżącą pracę i działa, gdy coś się zmienia, bez nowego żądania: współpracownik zajmujący się sprzedażą zauważa stałego klienta, który przestał kupować, analizuje jego zamówienia i zgłoszenia, a następnie przygotowuje ofertę lub sygnalizuje problem. Według FAQ współpracownicy działają w tle przez całą dobę i powiadamiają, gdy trzeba podjąć decyzję. Współpracownik dodany do kanału Slack otrzymuje zadania od członków zespołu, a współpracownicy przekazują sobie pracę: jeden znajduje bugi na stronie internetowej, drugi przygotowuje poprawki.

Aspekt produktu	Szczegóły opublikowane przez Perplexity
Wymagany plan	Wyłącznie Perplexity Max
Platformy	Web od 5 listopada, aplikacje natywne zapowiedziane bez podania daty
Koszt użytkowania	Bezpłatnie w okresie promocyjnym, potem miesięczne kredyty w ramach Max
Izolacja	Pulpit, przeglądarka, sesje i pliki cookie osobne dla każdego współpracownika
Uprawnienia	Uprawnienia narzędzi i projektów Computer, zaszyfrowane dane uwierzytelniające

Użytkownik może przejrzeć pracę, przejąć kontrolę nad pulpitem lub zmienić kierunek działania współpracownika w trakcie pracy. Nie podano daty zakończenia okresu promocyjnego, a Perplexity obiecuje poszerzać dostęp i funkcje w nadchodzących tygodniach. Teammates rozwija możliwości Computer w Slack, uruchomionego 1 kwietnia, oraz automatyzacji z 29 września.

🔗 Teammates to agenci do złożonej, ciągłej pracy (Perplexity) · Strona produktu Perplexity Teammates

Mistral rozszerza Studio o zarządzane agenty i aplikacje oraz wprowadza Workflows do ogólnej dostępności

5 listopada — W ofercie dla firm Mistral rozszerza Studio, swoją platformę AI: zarządzane agenty (Managed Agents) i aplikacje (Apps) trafiają do publicznej wersji zapoznawczej, a Workflows, dostępny w publicznej wersji zapoznawczej od końca kwietnia, przechodzi do ogólnej dostępności. Wszystkie trzy elementy są dostępne od 5 listopada w Mistral Cloud, a pod koniec listopada trafią do wdrożeń w chmurze prywatnej i lokalnie. Zarządzane agenty pisze się w Pythonie z użyciem SDK mistralai-agents: raz zdefiniowany agent działa na własnych serwerach (agents serve) lub u Mistral (agents deploy), pracuje w tle przez godziny lub dni, po awarii wznawia działanie od ostatniego ukończonego kroku i może czekać na zatwierdzenie przez człowieka. Studio zapewnia aplikacjom hosting, uwierzytelnianie i kontrolę dostępu. Informacje o wydaniu wymieniają dwanaście nowości, w tym kreator przepływów pracy w języku naturalnym z Mistral Vibe, ewaluacje offline i na rzeczywistym ruchu, zarządzany indeks wyszukiwania oraz webhooki. Wśród klientów i partnerów, którzy już korzystają ze Studio w środowisku produkcyjnym, Mistral wymienia między innymi ABANCA, BNP Paribas, Capgemini i CMA CGM. Nie opublikowano cennika, a API zarządzanych agentów może się jeszcze zmieniać w trakcie wersji zapoznawczej.

🔗 Le Chonk dostarcza inteligencję. Studio robi z niej użytek (Mistral AI)

OpenAI wprowadza Images 2.6: animowane GIF-y, obrazy referencyjne i dwa modele API szybsze o 50 %

4 listopada — Dwa miesiące po Images 2.5 OpenAI wprowadza Images 2.6 w ChatGPT, Codex i API, publikując ogłoszenie wieczorem 4 listopada. Model generuje obrazy o 50 % szybciej i lepiej zachowuje szczegóły między kolejnymi edycjami, na przykład strój postaci przy zmianie tła. Jest dostępny na całym świecie w ChatGPT i Codex, we wszystkich planach, w przeglądarce, na komputerze i na urządzeniach mobilnych.

Do ChatGPT trafiają dwie funkcje. Stopniowo wdrażane tworzenie GIF-ów przekształca prompt, obraz lub szkic w zapętloną animację, z regulowaną prędkością odtwarzania i możliwością edycji każdej klatki. Zapisane obrazy referencyjne pozwalają ponownie wykorzystać zdjęcie w nowych rozmowach: zapisujemy zdjęcie swojego psa pod nazwą Pepper, a następnie prosimy o akwarelowy portret @Pepper bez ponownego przesyłania zdjęcia.

Model API	Zapowiadana mocna strona	Obraz wyjściowy, za milion tokenów
`gpt-image-2.6-flare`	Obraz w sześć sekund przy niskiej jakości, dopracowany układ plakatów i grafik	30 dolarów
`gpt-image-2.6-sunburst`	Lepsza jakość i spójność przy kolejnych edycjach, w średniej lub wysokiej jakości	30 dolarów

W API oba modele służą zarówno do generowania, jak i edycji. API zyskuje też parametr złożoności, który reguluje stopień planowania modelu (niska wartość nadaje się do szybkich edycji), eksport SVG, generowanie animowanych GIF-ów oraz edycję sterowaną adnotacjami, dostępną także dla zgodnych modeli GPT Image 2.5. Ceny są takie jak w GPT-Image-2.5 Flare: 5 dolarów za milion wejściowych tokenów tekstowych i 8 dolarów za milion wejściowych tokenów obrazowych. OpenAI podaje, że za pośrednictwem ChatGPT, Codex i API powstają 4 miliardy obrazów tygodniowo, czyli ponad pół miliarda dziennie. OpenArt, Figma Weave, Picsart, fal, Sable i Higgsfield otrzymały wcześniejszy dostęp, a HeyGen zintegrował model już następnego dnia (zob. Krótkie wiadomości).

🔗 Przedstawiamy Images 2.6 (OpenAI) · Informacje o wydaniach ChatGPT

Google wprowadza Gemini Omni 1.2 Flash do ogólnej dostępności: 15-sekundowe filmy i ceny niższe o 30 %

5 listopada — Google wprowadza Gemini Omni 1.2 Flash, nową wersję swojego modelu do generowania i modyfikowania wideo, do ogólnej dostępności w API Gemini (gemini-omni-1.2-flash, wyłącznie w płatnym wariancie) oraz w Gemini for business. Według Google po raz pierwszy Gemini Omni jest ogólnodostępny z infrastrukturą Google Cloud, w tym Provisioned Throughput; każdy wynik zawiera znak wodny SynthID.

Model natywnie tworzy i modyfikuje 15-sekundowe klipy, wobec 10 sekund w Omni 1.1, z długością regulowaną co sekundę w zakresie od 3 do 15 sekund. Lepiej zachowuje zgodność z materiałami referencyjnymi (obrazy postaci, produktów lub stylu, krótkie klipy ruchu, wskazówki dźwiękowe, do 6 obrazów referencyjnych w API) i generuje mniej gwałtownych cięć (jump cuts). Wieloturowa edycja konwersacyjna działa na pełnych 15-sekundowych klipach, oferując bardziej naturalne dialogi i dokładniejszą synchronizację ruchu ust. W API przedłużanie klipu dodaje od 3 do 10 sekund na turę, do łącznie 30 sekund, a limity przepustowości płatnego wariantu zostają podwojone.

Porównywany parametr	Omni 1.1 Flash	Omni 1.2 Flash
Maksymalna natywna długość	10 sekund	15 sekund
Wyjściowe wideo, za milion tokenów	17,50 dolarów	12 dolarów
Efektywna cena w 720p	około 0,10 dolara za sekundę	około 0,07 dolara za sekundę

Google ogłasza tym samym obniżkę o 30 %: 15-sekundowy klip w 720p kosztuje około 1,04 dolara, a sekunda kosztuje 0,023 dolara w 360p i 0,209 dolara w 4K uzyskanym przez nadpróbkowanie. Od 3 grudnia wszystkie żądania kierowane do gemini-omni-1.1-flash będą przekierowywane do wersji 1.2 i rozliczane według jej cennika. W ofercie konsumenckiej model trafia do Flow, Google Vids, gdzie 15-sekundowe klipy nie wymagają dodatkowych opłat przy koncie Google lub subskrypcji Workspace, Google Ads oraz aplikacji Gemini dla wszystkich subskrybentów Google AI, przy czym 15-sekundowe filmy są w niej zarezerwowane dla Google AI Ultra. Runway dodał go tego samego dnia (zob. Krótkie wiadomości). Google przyznaje, że potrzebne są dalsze postępy w odwzorowywaniu szybkich akcji sportowych, szybkich zmian scenariusza i złożonej fizyki, i nie publikuje żadnego benchmarku.

🔗 Przedstawiamy Gemini Omni 1.2 Flash (Google) · Cennik Gemini Omni 1.2 Flash

Luma łączy swoje kreatywne przepływy pracy z Claude i ChatGPT za pomocą konektora MCP

3 listopada — Luma wprowadza konektor MCP, który udostępnia jej narzędzia kreatywne w Claude i ChatGPT; wpis, datowany na 3 listopada i zaktualizowany 4 listopada, został udostępniony przez Luma 5 listopada. Konektor zapewnia dostęp do Luma Agent, przedstawianego jako narzędzie zdolne do koordynowania całego projektu na podstawie jednego promptu, oraz do gotowych przepływów Luma: Product Shots, Camera Angles, Background swap, Relight Studio i krótkich klipów promocyjnych. Gotowe obrazy i filmy wracają do rozmowy. Eksponowany scenariusz dotyczy marketingu: pytamy asystenta, która reklama najlepiej sprawdziła się w poprzednim tygodniu, a następnie zlecamy Luma przygotowanie wariantów zwycięskiej reklamy z nowymi scenami, ujęciami i oświetleniem. Konto Luma łączy się jednorazowo, a każde generowanie zużywa kredyty z subskrypcji Luma, bez osobnego cennika dla konektora. Luma połączyła już konektor MCP z Claude Motion 8 października; nowością są ChatGPT, gotowe przepływy i Luma Agent, dostępne teraz w obu asystentach. Luma dołącza do Runway, Synthesia, Suno i HeyGen, które w ostatnich tygodniach podłączyły swoje narzędzia do asystentów.

🔗 Połącz Luma z ChatGPT i Claude (Luma)

Ricursive Intelligence publikuje Ripple-65B Preview, gęsty model z otwartymi wagami nastawiony na programowanie agentowe

4 listopada — Ricursive Intelligence, laboratorium dotychczas nieobecne w tym przeglądzie, publikuje Ripple-65B Preview: gęsty model językowy o 65 miliardach parametrów, wstępnie wytrenowany od zera na 12 000 miliardów tokenów, na licencji Apache 2.0, z kontekstem sięgającym 1 048 576 tokenów. Publikacja obejmuje model dostrojony do instrukcji w BF16 i NVFP4, model bazowy po samym treningu wstępnym oraz mały model pomocniczy DFlash2 do dekodowania spekulatywnego. Ricursive przedstawia się jako laboratorium, które wspólnie optymalizuje sprzęt, oprogramowanie i model, a Ripple-65B Preview jest wariantem ogólnego przeznaczenia własnościowego modelu używanego w jego platformie projektowania układów scalonych z użyciem AI.

Eksponowane wyniki dotyczą programowania agentowego: 80,5 % w Terminal-Bench 2.1, 79,1 % w SWE-Bench Pro v2.0-Hard i 44,3 % w DeepSWE v1.1. Ricursive deklaruje prowadzenie w tej dziedzinie wśród amerykańskich modeli z otwartymi wagami, przed znacznie większymi modelami opartymi na mieszance ekspertów (Mixture-of-Experts, MoE); deklaracja dotyczy amerykańskich modeli otwartych, a nie wszystkich modeli otwartych.

Cecha (dane Ricursive)	Ripple-65B Preview	Reflection Beam	Muse Spark Open	Inkling	Nemotron 3 Ultra
Architektura modelu	Gęsta	MoE	MoE	MoE	MoE
Łączna liczba parametrów	65B	501B	816B	975B	550B
Aktywne parametry	65B	23B	42B	41B	55B
Terminal-Bench 2.1	80,5	80,1	76,4	63,8	56,4
GPQA Diamond	85,2	90,6	89,0	87,2	87,0

Ricursive mówi o porównaniu przeprowadzonym w miarę możliwości (best-effort): oficjalne wyniki konkurentów, gdy są dostępne, własna ewaluacja w pozostałych przypadkach, różne środowiska testowe zależnie od testu oraz niższe wyniki Terminal-Bench 2.1 przy użyciu oficjalnego środowiska Terminus 2 dla wszystkich modeli poza Muse Spark Open. W zakresie wiedzy ogólnej (GPQA Diamond) Ripple pozostaje za konkurentami.

Za tą metodą stoi niewielki zespół, który rozrósł się z jednej do pięciu osób. Ricursive wyszło od procedury treningowej Olmo 3, otwartego modelu Ai2, i przerobiło ją pod każdym względem (prawa skalowania, architektura, dane, trening końcowy): firma twierdzi, że zwiększyła efektywność obliczeniową w zadaniach programistycznych 16-krotnie względem serii modeli Olmo 3, a w całym treningu nawet 55-krotnie. Model jest gęsty zamiast opierać się na mieszance ekspertów, aby uprościć infrastrukturę, ma wąską i głęboką architekturę inspirowaną Gemma 3N (80 warstw) i jest trenowany w BF16 bez własnych kerneli obliczeniowych. Stosunkowo lekki trening końcowy pozwolił osiągnąć 80,5 w Terminal-Bench 2.1 przy 1,4 miliona przebiegów uczenia ze wzmocnieniem (rollouts), według Ricursive około 70 razy mniej niż w przypadku Reflection Beam.

Model generuje 250 tokenów na sekundę na dwóch B200 (partie po 8) bez kwantyzacji i mieści się na jednej DGX Spark przy użyciu checkpointu NVFP4. Together AI udostępnia go od 5 listopada w cenie 0,20 dolara za milion tokenów wejściowych i 0,60 dolara za milion tokenów wyjściowych, z oknem 128K tokenów na swojej platformie, a Atomic Chat opublikował pierwszy GGUF, przenosząc model do llama.cpp.

🔗 Ogłoszenie Ricursive na X · Ripple-65B Preview na Hugging Face · Ripple-65B Preview na Together AI

Agenty programistyczne: Devin Review 2.0, aplikacje online w Cursor, microVM Replit i Qwen Code v0.26.8

Cognition wprowadza Devin Review 2.0, tańszy przegląd PR-ów, domyślnie przyrostowy

5 listopada — Cognition wprowadza Devin Review 2.0 i czyni go domyślnym narzędziem do przeglądu pull requestów podczas pracy z Devin. Tytuł wpisu mówi o pięciokrotnie tańszym przeglądzie od sierpnia, a w treści spadek kosztu na PR w tym okresie oszacowano na 82 %, dzięki lepszemu doborowi modeli i optymalizacji środowiska wykonawczego; z kolei wątek ogłoszeniowy @cognition mówi o przeglądzie nawet pięciokrotnie tańszym. Typowy przegląd kosztuje od 0,25 do 0,75 dolara, a koszt jednego naprawionego błędu u klientów wynosi średnio około 2,25 dolara. Według Cognition średnia liczba błędów znajdowanych w PR wzrasta z 1,22 do 1,32, a mediana opóźnienia spada ze 139 do 94 sekund. Przegląd staje się domyślnie przyrostowy: kolejne uruchomienie sprawdza tylko zmiany, około 80 % PR-ów kosztuje mniej niż dolara, ze wszystkimi operacjami push włącznie, a limit wydatków na PR zapobiega niekontrolowanemu wzrostowi kosztów. Dochodzą do tego Devin Review Ultra, droższy tryb z większym nakładem pracy dla wrażliwego kodu (rozliczenia, bezpieczeństwo), oraz niestandardowi recenzenci (Custom Reviewers) w wersji beta; nie opublikowano nowych cen.

🔗 Devin Review 2.0 (Cognition)

Cursor tworzy, hostuje i udostępnia aplikacje online

5 listopada — Cursor pozwala tworzyć aplikacje online i udostępniać je przez link. Punktem wyjścia jest według Cursor obserwacja, że agenty obniżyły koszt tworzenia kodu, ale większość powstałych narzędzi nigdy nie opuszcza lokalnego komputera (localhost). Uruchamiamy agenta chmurowego, wyraźnie prosząc o aplikację: Cursor tworzy jej szkielet, w razie potrzeby zakłada bazę Postgres, zapewnia uwierzytelnianie przez logowanie do Cursor i hostuje aplikację na dedykowanym koncie, odizolowanym od kont innych zespołów. Przed każdym udostępnieniem na wybranej domenie muszą pomyślnie zakończyć się cztery kontrole deterministyczne (sekrety zapisane w plikach, pliki z danymi uwierzytelniającymi, pliki .env, mapy źródeł) oraz przegląd bezpieczeństwa przez AI, po czym użytkownik jawnie publikuje aplikację. Administratorzy widzą wszystkie aplikacje i sekrety, dodają własne reguły przeglądu i mogą wycofać publikację dowolnej aplikacji. Aplikacje można udostępniać osobom, grupom, zespołowi lub publicznie, przy czym ta ostatnia opcja jest domyślnie wyłączona w Teams i Enterprise. Funkcja jest dostępna we wszystkich płatnych planach z agentami chmurowymi, z poziomu Cursor Origin lub GitHub, a obsługa GitLab jest zapowiadana wkrótce; nie podano ceny hostingu.

🔗 Twórz aplikacje online w Cursor · Dokumentacja Cursor dotycząca aplikacji

Replit przepisuje swój silnik sandboxów, opierając go na microVM, z których każda ma własne jądro Linux

4 listopada — Replit publikuje pierwszą część serii o swoim nowym silniku sandboxów, udostępnioną wieczorem 4 listopada i rozpowszechnioną następnego dnia. Każdy sandbox jest teraz microVM, lekką maszyną wirtualną z własnym jądrem Linux, zamiast kontenera współdzielącego jądro hosta; Replit twierdzi, że przeprowadził migrację setek milionów projektów bez utraty danych. Monitor Cloud Hypervisor współdzieli komponenty z Firecracker, a jądro gościa, zbudowane na podstawie tinyconfig, obywa się bez Bluetooth, USB i sterowników wyświetlania.

Audyt CVE jądra Linux (od 1 czerwca do 4 listopada 2026)	Wartość według Replit
Opublikowane CVE poddane audytowi	6 211
CVE wyeliminowane dzięki nowemu silnikowi	5 969 (96,1 %)
Poprawki wdrożone przed ujawnieniem	4 375 (70,4 %)
CVE wykluczone dzięki konfiguracji jądra	676 (10,9 %)

W przypadku CVE-2026-98432, luki w TCP, której wykorzystanie zademonstrował Anthropic, poprawione jądro działało już 12 października. Reguły wychodzącego ruchu sieciowego są egzekwowane poza maszyną gościa, przez proxy po stronie hosta, a pośrednicy poświadczeń wywołują GitHub lub Google Docs, nigdy nie przekazując klucza konta do sandboxa. Uruchomienie sandboxa zajmuje około 500 milisekund; druga część będzie poświęcona orkiestracji dziesiątek tysięcy microVM za pomocą Kubernetes.

🔗 Wewnątrz nowego silnika sandboxów Replit, część 1

Qwen Code v0.26.8 łączy się z subskrypcjami Plus i Pro Qwen

5 listopada — Qwen Code v0.26.8 przywraca logowanie przez konto Qwen, teraz powiązane z subskrypcją. W CLI, rozszerzeniu VS Code i aplikacji Desktop opcja „Konto Qwen z subskrypcją” pozwala korzystać z subskrypcji Plus lub Pro wykupionej na chat.qwen.ai bez klucza API: klient wczytuje katalog modeli konta, wykorzystuje subskrypcję do rozmów i wbudowanego wyszukiwania w sieci oraz prowadzi użytkownika w przypadku błędu uwierzytelniania, wyczerpania limitu użycia lub przekroczenia limitu liczby żądań. Według wprowadzającego tę funkcję pull requesta ta ścieżka jest odpowiedzią na zakończenie działania dawnej bezpłatnej usługi OAuth; ani informacje o wydaniu, ani dokumentacja nie podają daty jej zakończenia ani cen planów, a CI i kontenery nadal korzystają z klucza API. To stabilne wydanie, bez zmian naruszających kompatybilność, obejmuje 83 pozycje, w tym 14 funkcji, 37 poprawek i 13 optymalizacji wydajności: Mods mogą przesyłać własne prompty, a hooki dostarczane przez projekt wymagają zatwierdzenia w oknie dialogowym. Tego samego dnia ukazują się aplikacja Desktop v0.26.8 i SDK TypeScript v0.1.28.

🔗 Qwen Code v0.26.8

Szybsza inferencja: CPU Vera od NVIDIA, sgl-muse-mega od Meta i Runway Characters w czasie rzeczywistym

NVIDIA przedstawia liczby pokazujące przewagę CPU Vera nad x86 w obsłudze agentów

5 listopada — NVIDIA publikuje nowe dane dotyczące Vera, procesora zaprojektowanego z myślą o agentach. Każdy etap działania agenta (wyszukiwanie, odpytywanie bazy danych, pisanie i testowanie kodu, wykonywanie działań) odbywa się na CPU, a ponieważ fabryki AI są ograniczone dostępnością energii, NVIDIA mierzy pracę wykonaną na wat. We własnym porównaniu, w skali centrum danych o mocy 100 megawatów, pojedynczy CPU Vera miałby obsługiwać 1,6 raza więcej agentów na wat niż najszybszy x86 i sprawiać, że agenci działają dwa razy szybciej niż na najbardziej energooszczędnym x86; nie podano nazwy żadnego z nich. NVIDIA przytacza również wyniki sześciu partnerów:

Partner wskazany przez NVIDIA	Deklarowany wynik z Vera
Perplexity	Programowanie agentowe 1,5 raza szybsze niż na tradycyjnych CPU, planowane wdrożenie
DeepInfra	Do 2,2 raza większa szybkość niż najlepszy x86 w orkiestracji agentów
ClickHouse	Niemal liniowe skalowanie na 176 rdzeniach, pierwsze miejsce w rankingu ClickBench
DuckLabs	Około 1,5 raza wyższa mediana wydajności niż Intel Xeon 6 w TPC-H SF1000
Daytona	1 000 sandboxów uruchomionych w 10,8 s, wobec 88,4 s na x86
Modal	Do 2 razy większa przepustowość sandboxów na rdzeń niż na porównywalnym x86

Wpis nie podaje cen ani harmonogramu; Vera został zaprezentowany na CES w styczniu, a następnie dostarczony do AWS pod koniec sierpnia.

🔗 Vera łączy zalety obu rozwiązań (NVIDIA)

Meta bez zapowiedzi publikuje sgl-muse-mega, który dekoduje Muse Spark Open nawet 2,1 raza szybciej na GB300

5 listopada — Meta opublikowała bez zapowiedzi na GitHubie facebookresearch, na licencji MIT, sgl-muse-mega: plugin do silnika inferencji SGLang, który obsługuje Muse Spark Open, jej model o otwartych wagach liczący 816 miliardów parametrów (42 miliardy aktywnych), na GPU GB300. Zamiast uruchamiać setki małych jąder obliczeniowych (kernels) w każdym kroku dekodowania, wykonuje każdą warstwę dekodera w jednym uruchomieniu i łączy generowanie propozycji DFlash2, weryfikację oraz akceptację dekodowania spekulacyjnego w jednym grafie CUDA. Według README pojedyncze żądanie osiąga do 1 109 tokenów na sekundę na GSM8K z ośmioma GB300, wobec 517 dla SGLang z tym samym modelem proponującym tokeny, czyli 2,1 raza więcej; krok dekodowania skraca się z 12,9 ms i 1 450 jąder do 5,9 ms i 97 jąder. Zysk dotyczy wyłącznie dekodowania jednego żądania naraz (pozostałe żądania wracają do SGLang), narzędzie jest oznaczone jako eksperymentalne i wymaga ośmiu GB300 w jednej domenie NVLink lub czterech w jednym węźle.

🔗 sgl-muse-mega (facebookresearch)

Runway obsługuje w czasie rzeczywistym model wideo 57B Runway Characters na czterech H100

5 listopada — Runway Research publikuje wpis i artykuł na arXiv o tym, jak Runway Characters, postacie wideo, z którymi można rozmawiać na żywo na podstawie jednego obrazu, utrzymuje działanie w czasie rzeczywistym. Autoregresyjny transformator dyfuzyjny wideo o około 57B parametrów musi przy 24 klatkach na sekundę generować blok czterech klatek w rozdzielczości 704x1088 co 166,7 ms dla jednego użytkownika: nie można grupować żądań wielu użytkowników, każdą milisekundę trzeba zaoszczędzić w samym kroku obliczeń. Pierwszym źródłem oszczędności jest cache: 29 % czasu GPU pochłaniało ponowne przetwarzanie niemal niezmienionego cache w każdym z 240 wywołań mechanizmu uwagi. Stosując RoPE i kwantyzację FP8 tylko raz, podczas zapisu do bufora pierścieniowego, Runway skraca czas jego obsługi z 69,7 do 6,2 ms na krok.

Konfiguracja zmierzona przez Runway	Czas jednego kroku dyfuzji
Oprogramowanie z dnia premiery, na czterech H100	240,9 ms
Po optymalizacji, na czterech H100	159,3 ms (24,5 images/s)
Z jądrem łączącym redukcję i obliczenia FP8	147,4 ms
Na trzech B200	154,3 ms

Jedna sesja mieści się teraz na czterech H100, wobec ośmiu w dniu premiery. Przez siedem tygodni pracy produkcyjnej średnia przekraczała 23,5 klatki na sekundę w 99,5 % sesji, a mediana czasu jednej tury rozmowy wynosi 2,13 s, z czego 1,42 s przypada na agenta głosowego.

🔗 Wideo w czasie rzeczywistym przy rozmiarze partii równym jeden (Runway) · Artykuł arXiv 2611.05642

Otwarta robotyka: LeRobot v0.7.0 od Hugging Face i ToyBlocks od Ai2

Hugging Face publikuje LeRobot v0.7.0, który pozwala rozmawiać z robotem podczas jego pracy

5 listopada — Hugging Face publikuje LeRobot v0.7.0, nową wersję swojej otwartej biblioteki robotyki, a Hub przechowuje już niemal 300 To danych fizycznej AI w formacie LeRobot. Sesje interaktywne pozwalają rozmawiać z pracującym robotem: /subtask zmienia polecenie bez zatrzymywania robota, /vqa pyta politykę sterowania o to, co widzi, a /autosteer powierza jej cel. Te dwa ostatnie polecenia wymagają polityki generującej tekst, takiej jak FineART-VLA, wytrenowanej na zbiorze FineART od Scale AI i Hugging Face (1 718 godzin manipulacji dwoma ramionami, ponad 533 000 opisanych podzadań), lub zewnętrznego planera VLM. W zakresie treningu zbiory można odczytywać strumieniowo z Hub lub LanceDB, bez pobierania, a stos przechodzi na FSDP2 i HSDP: w modelu FastWAM 6B szczytowe zużycie pamięci przy wznawianiu spada ze 143 do 42 Go na GPU. Wersja dodaje cztery modele działań w świecie (Cosmos 3 i Long-WAM od NVIDIA, FLUX 3 Action od Black Forest Labs, LaWAM od RLinf) oraz cztery polityki wizyjno-językowo-akcyjne, w tym LingBot-VLA 2.0 i Wall-OSS-0.5. Wprowadza kilka zmian naruszających dotychczasowe sposoby użycia: PyTorch skompilowany dla CUDA 13, inferencję asynchroniczną zastąpioną serwerem polityk oraz Trackio zamiast Weights & Biases.

🔗 LeRobot v0.7.0 (blog Hugging Face)

Ai2 bez zapowiedzi udostępnia ToyBlocks, framework symulacyjny generujący demonstracje dla robotów

5 listopada — Między wieczorem 4 listopada a 5 listopada Ai2 bez zapowiedzi udostępnił elementy ToyBlocks: otwartego frameworka symulacyjnego zbudowanego na IsaacSim i IsaacLab, w którym ramię robota przesuwa, przewraca i układa klocki na stole. Jego zaletą jest zastąpienie teleoperacji automatycznym generowaniem zadań i demonstracji: opublikowany zbiór obejmuje 83 496 udanych demonstracji układania trzech klocków, czyli 143,7 miliona klatek i niemal 1 600 godzin, na trzech poziomach trudności, ze zbiorami walidacyjnymi po 1 000 epizodów na poziom. Towarzyszą mu dwa modele: Molmo2-4B-tb, dostrojony Molmo2-4B, który odczytuje obraz z kamery i cel, formułuje krótki plan oraz wskazuje następne działanie (chwycenie, odłożenie, przewrócenie, obrót) i jego obiekt z częstotliwością około 6 Hz, oraz polityka ManiFlow wykonująca te ruchy. Wpis na blogu wskazany w repozytoriach zwracał błąd 404 w chwili sprawdzania, a raport techniczny zapowiedziano na wkrótce.

🔗 ToyBlocks (allenai)

Anthropic mierzy, jak naukowcy korzystają z Claude, na podstawie 207 049 sesji badawczych

5 listopada — Zespół Economics w Anthropic publikuje raport o naukowym wykorzystaniu Claude, oparty na 207 049 sesjach badawczych w planach konsumenckich między 2 sierpnia a 30 września 2026, przeanalizowanych przez klasyfikatory zachowujące jedynie etykiety dziedzin i zadań. Nauki formalne korzystają z Claude znacznie częściej, niż wynikałoby z ich udziału w światowych badaniach: informatyka odpowiada za 32,7 % sesji Claude Code, choć zajmuje się nią 4,3 % badaczy na świecie.

Obserwowana miara	W Claude (Chat i Cowork)	W Claude Code
Przeanalizowane sesje	128 914	78 135
Udział analizy danych	33,7 %	48,1 %
Udział tworzenia pomysłów i hipotez	4,2 %	2,1 %

Naukowcy korzystają z Claude głównie do analizy danych i pisania, znacznie rzadziej do formułowania hipotez, choć 528 ankietowanych badaczy stawia tworzenie pomysłów i gromadzenie danych na czele najważniejszych zadań; w Claude Science udział tworzenia pomysłów jest około dwukrotnie większy niż w Claude. Raport nakreśla scenariusze przedstawione jako ilustracje, a nie prognozy: przy szerokim wykorzystaniu obecnych możliwości skala działalności badawczej wzrosłaby od 1,35 raza (sztuka) do 2,02 raza (statystyka); gdyby AI przejęła całą pracę niewymagającą działań fizycznych, wzrost wyniósłby od 15 do 16 razy w dziedzinach bez pracy laboratoryjnej, wobec od 3 do 4 razy w biologii lub chemii. Około 40 % ankietowanych badaczy spodziewa się projektów badawczych prowadzonych samodzielnie przez AI do 2030 roku.

🔗 AI w odkryciach naukowych: jak badacze korzystają z Claude (Anthropic)

OpenAI publikuje porozumienie ze społecznościami goszczącymi jego kampusy obliczeniowe

5 listopada — OpenAI publikuje ogólnokrajowe porozumienie ze społecznościami (National Community Compact) oraz plan polityki publicznej dla kampusów obliczeniowych (Compute Campus Policy Blueprint). Każdy przyszły kampus, którego OpenAI będzie właścicielem i operatorem, będzie miał lokalne porozumienie, konsultacje przeprowadzone na tyle wcześnie, by mogły wpłynąć na projekt, lokalną osobę do kontaktu oraz coroczny raport publiczny. OpenAI zobowiązuje się pokrywać pełne koszty energii elektrycznej i niezbędnej infrastruktury, zapewniając gwarancje finansowe chroniące pozostałych klientów w razie opóźnienia, ograniczenia lub anulowania projektu, publikować zużycie wody i energii elektrycznej w każdym obiekcie, preferować chłodzenie w obiegu zamkniętym lub zużywające niewiele wody oraz nie narzucać umów o zachowaniu poufności osobom wybranym do władz i urzędnikom, poza ściśle ograniczonymi zabezpieczeniami. W hrabstwie Effingham w Georgii mieszkańcy zdecydowali o przeznaczeniu dotacji w wysokości 4,8 miliona dolarów na bezpłatne posiłki szkolne dla 14 000 uczniów hrabstwa; w hrabstwie Pike w Ohio OpenAI i SB Energy przeznaczają 6 milionów dolarów na opiekę nad dziećmi. Plan wzywa również decydentów do wprowadzenia wspólnych zasad: obciążania dużych odbiorców kosztami, które generują dla sieci, ułatwiania przyłączania kampusów zdolnych ograniczać zapotrzebowanie, zgodnie z założeniami uruchomionej 2 listopada inicjatywy Grid Protectors, oraz przyspieszenia budowy linii przesyłowych energii elektrycznej.

🔗 Wyznaczanie nowego standardu odpowiedzialnej infrastruktury AI (OpenAI)

W skrócie

Agenci i narzędzia programistyczne

Amp i GitLab — Amp integruje się z GitLab, zarówno na gitlab.com, jak i w samodzielnie zarządzanych instancjach: jego środowiska chmurowe, orbs, klonują repozytoria i wysyłają zmiany w imieniu użytkownika, otwierają i śledzą merge requesty, a Orb Spawner uruchamia orb dla każdego nowego merge requesta lub zgłoszenia; nie podano cen. 🔗 źródło
Przegląd PR-ów agentów w Warp — Ben Holmes proponuje trzy sposoby na zatory w przeglądzie kodu: własnego agenta wykonującego przegląd w kilku rundach, weryfikację end-to-end przez agenta oraz ocenę ryzyka scalenia według pięciu kryteriów, opublikowaną jako skill /merge-risk. 🔗 źródło
Copilot CLI 1.0.106-10 — W npm pojawia się nowa wersja testowa bez informacji o zmianach; SDK Copilot 1.0.29-preview.9, który ją zawiera, ujawnia eksperymentalną kompakcję historii i logowanie za pomocą kodu urządzenia. Najnowszą stabilną wersją pozostaje 1.0.105 z 28 października. 🔗 źródło
Copilot Fusion — GitHub wyznacza 30 listopada jako koniec rabatu 30 % na ten router modeli, który zgodnie z ogłoszeniem z 28 października był przez ograniczony czas dostępny dla płatnych planów Copilot; wpis na X przedstawia go w aplikacji GitHub Copilot, Copilot CLI i VS Code. 🔗 źródło
Kimi Code 2.5.1 — Osiem poprawek, w tym usunięcie powtarzających się błędów HTTP 400 powodowanych przez puste komunikaty systemowe dla dynamicznych schematów narzędzi oraz przywrócenie podglądu obrazów i filmów w wynikach narzędzi. 🔗 źródło
Kimi Work 3.2.25 — Globalne wyszukiwanie obejmuje projekty, pluginy, skills i rozmowy, pluginy bez wymaganych uprawnień są wykrywane podczas wykonywania zadania, a wyświetlane okno prowadzi przez nadawanie im uprawnień; nowa akcja zatrzymuje zadanie przed jego zarchiwizowaniem. 🔗 źródło
CLI mistral 0.17.2 — Dwie poprawki w dniu rozszerzenia funkcji Studio: link ostrzegawczy mistral apps deploy otwiera kartę Secrets aplikacji, a polecenia mistral agents nie kończą się już błędem z powodu blokady uv.lock, gdy shell eksportuje UV_DEFAULT_INDEX lub UV_INDEX_URL. 🔗 źródło
Codex na iOS — Od 2 listopada ChatGPT dla iOS 1.2026.300 pozwala dodawać i usuwać załączniki bez opuszczania pełnoekranowego edytora wiadomości Codex, synchronizuje status przeczytania zadań między urządzeniami i domyślnie kieruje kolejne wiadomości do bieżącego zadania. 🔗 źródło
Rozszerzenia Antigravity — Od 2 listopada rozszerzenie VS Code 1.11.0 pozwala klikać znaczniki kontekstu terminala wysłane do rozmowy, a rozszerzenie Visual Studio 1.0.261102.0 domyślnie włącza diffy inline, które można akceptować lub odrzucać blokami albo całymi plikami. 🔗 źródło
Strona Overview pull requestów — GitHub udostępnia publiczną wersję testową, wymagającą dobrowolnego włączenia, strony pokazującej u góry stan scalenia i kolejne działania, z przeprojektowanym obszarem scalania i filtrami rozmowy; można wrócić do klasycznego widoku. 🔗 źródło
Discord w Rust — Poza AI: Discord pokazuje nową wersję swojego klienta przebudowaną w Rust, którą Zed przedstawia jako opartą na GPUI, swoim frameworku interfejsu open source. 🔗 źródło

Firmy i partnerstwa

DevRev i Codex — W studium przypadku opublikowanym przez OpenAI DevRev powierza rozumowanie swoich agentów Computer i Operator modelom OpenAI, w tym GPT-6.1 Sol, i deklaruje przeniesienie całego zespołu inżynierskiego na Codex oraz rezygnację z licencji Cursor; nie podano wyników liczbowych. 🔗 źródło
Replit i SMFL — Replit nawiązuje współpracę z Sumitomo Mitsui Finance and Leasing, aby połączyć swoją platformę z AssetForce, usługą zarządzania aktywami SMFL używaną przez ponad 200 firm, wspierając cel SMFL: dziesięciokrotne zwiększenie przychodów z usług cyfrowych, do 10 miliardów jenów do 2031 roku. 🔗 źródło
Baseten i Nemotron Coalition — Baseten dołącza do sojuszu NVIDIA skupionego wokół otwartych modeli, zaprezentowanego w marcu wraz z Mistral, Black Forest Labs, Cursor, Ai2 i Perplexity, wnosząc do niego środowiska uczenia przez wzmacnianie, post-training i zoptymalizowaną inferencję. 🔗 źródło

Platformy, API i bezpieczeństwo

Bezpieczeństwo Claude Enterprise — Anthropic dodaje w wersji beta centrum bezpieczeństwa porównujące ustawienia rozmów, Cowork i Claude Code z jego zaleceniami, scentralizowaną konsolę administracyjną oraz czujnik EDR (wykrywanie i reagowanie na stacjach roboczych) w lokalnej maszynie wirtualnej Cowork na macOS i Windows. 🔗 źródło
Claude Console i Admin API — W wersji beta lista dozwolonych adresów IP, obejmująca do 1 000 adresów lub zakresów na organizację, odrzuca żądania z innych źródeł, ograniczając możliwość użycia ujawnionego klucza API, a Admin API może wylogować użytkownika Claude Enterprise ze wszystkich sesji. 🔗 źródło
SDK OpenAI — openai-python 3.46.0 i openai-node 7.51.0 dodają opcje rezydencji danych w Australii, Indiach i Japonii, obsługę GPT-6 Rosalind oraz ustawienia Images 2.6, a kolejne wersje dodają gpt-6-cyber; nadal nie ma nowej stabilnej wersji Codex CLI od 0.166.0 z 29 października. 🔗 źródło
Gemini API — API przyjmuje teraz prezentacje PPT i ODP oraz arkusze kalkulacyjne ODS, przetwarza dokumenty DOC na obrazy stron, a narzędzia mogą zwracać modelowi audio, wideo lub pliki Office i OpenDocument. 🔗 źródło
API Perplexity — Agent API udostępnia poziom wysiłku ultra, działający na Claude Opus 5.5 i służący do szeroko zakrojonych poszukiwań; nie należy go mylić z poziomem Ultra w Effort Mode produktu Computer; dzień wcześniej Decisions API zyskało możliwość odczytywania tekstu z adresu URL przed wyszukiwaniem, za 0,001 dolara za pobranie. 🔗 źródło
Orkiestracja agentów — Perplexity publikuje przewodnik porównujący trzy architektury orkiestracji (scentralizowaną, zdecentralizowaną i hierarchiczną), opisujący siedem częstych awarii i proponujący siedem dobrych praktyk, od kontraktów zadań po idempotentne ponowienia; brak nowości produktowych. 🔗 źródło
Skanowanie sekretów w GitHub — SpaceX zostaje partnerem: identyfikator starlink_public_api_v2_secret ujawniony w publicznym repozytorium jest przekazywany firmie w celu unieważnienia, a detektory dla sześciu dostawców, w tym AWS i Google Cloud Storage, generują mniej fałszywych alarmów. 🔗 źródło

Infrastruktura i symulacja w NVIDIA

Pamięć i inferencja — Artykuł objaśniający uzasadnia wspólne projektowanie całego stosu wobec niedoboru i wysokich cen HBM: od Blackwell Ultra do Vera Rubin ilość HBM na GPU rośnie tylko o około 3 %, ale przepustowość w przeliczeniu na dolara wzrasta nawet 30-krotnie w SemiAnalysis AgentX; wokół pamięci masowej NVIDIA CMX skupia się dziewięciu partnerów. 🔗 źródło
Into the Omniverse — NVIDIA aktualizuje swój artykuł o symulacjach tworzonych przez agentów, opisywany 9 października, dodając około dziesięciu projektów zrealizowanych głównie za pomocą GPT-6 Astra, czasem Claude, w tym magazyn z 80 przenośnikami, 40 ramionami i 800 pudełkami, działający w 30 klatkach na sekundę; brak nowego produktu. 🔗 źródło

Otwarte modele, dane i badania

ML Intern w Slack — Agent open source Hugging Face, który ocenia, przygotowuje dane i dostraja modele, staje się botem Slack do zainstalowania we własnym obszarze roboczym, połączonym z danymi, plikami i serwerami MCP użytkownika; nie podano cen ani linku do instalacji. 🔗 źródło
Llama i modele decyzyjne — Lokalna aplikacja zespołu llama.cpp i Hugging Face, bezpłatna na Mac i Windows, uruchamia d1-Omni od Liquid AI oraz d3-flash, który przypisuje vLLM i umieszcza na szczycie Jev Decision Index. 🔗 źródło
Sand3D — Sandflow publikuje 106 094 obiekty 3D, w tym 10 456 z przegubami, każdy zapisany jako krótki program Python w otwartej bibliotece sand3d, z eksportem OpenUSD możliwym do odczytania w przeglądarce 3D Hub. 🔗 źródło
SimReady Central — Lightwheel szczegółowo opisuje swoją rolę w bibliotece obiektów 3D NVIDIA na Hugging Face, która zawiera już ponad 3 500 obiektów OpenUSD: firma weryfikuje i dostraja ich zachowanie fizyczne podczas kontaktu i ruchu. 🔗 źródło
DreamTac — Artykuł przedstawia zbiór danych Uniwersytetu Pekińskiego, przekonwertowany przez Voxel51 na potrzeby FiftyOne: 703 trajektorie ramienia Franka z żelowymi opuszkami palców, obejmujące 12 zadań i 7,03 godziny, w których kontakt staje się widoczny na obrazie. 🔗 źródło
Synteza mowy w libańskiej odmianie arabskiego — Bilal Zaraket sklonował głos testera z Bejrutu za pomocą czterech modeli: w ocenie w ciemno przeprowadzonej przez pięciu rodzimych użytkowników języka prawdziwy głos uzyskał 4,98 na 5, a najlepszy model, VoxCPM2, 3,89 i został uznany za brzmiący po libańsku tylko w 65 % przypadków. 🔗 źródło
Guardián colombiano — Hugo Alonso dostraja Tiny Aya Global (3,35 miliarda parametrów), aby moderować publiczną tablicę pamięci zbiorowej w kolumbijskiej odmianie hiszpańskiego, na GPU z 6 GB pamięci, zastępując łańcuch trzech usług chmurowych. 🔗 źródło
Anvaya-1B — Programista wstępnie trenuje od zera model o nieco ponad miliardzie parametrów na dwóch kartach T4 z 16 GB pamięci, za pomocą PyTorch FSDP i FineWeb, oraz publikuje pierwszy checkpoint i przepis na trening. 🔗 źródło
traj2envs — Hugging Face publikuje bez zapowiedzi narzędzie przekształcające trajektorie agentów w formacie ATIF w zweryfikowane zadania uczenia przez wzmacnianie Harbor, z obrazami środowisk przypiętymi do konkretnych wersji. 🔗 źródło

Obraz, wideo i awatary

Runway i Gemini Omni 1.2 Flash — Runway dodaje nowy model Google do tworzenia i edycji filmów trwających do 15 sekund, modyfikowania sceny bez zaczynania od zera, a następnie zwiększania jej rozdzielczości do 4K; nie opublikowano artykułu ani kosztu w kredytach. 🔗 źródło
HeyGen i Images 2.6 — HeyGen integruje ChatGPT Images 2.6 do tworzenia postaci drugoplanowych w swoich scenach, z lepszymi kartami postaci i większą spójnością w HeyGen Video 1; nie sprecyzowano cen ani dostępnych planów. 🔗 źródło
Photo Reframe od Luma — Po Expression Sheet i Character Sheet Luma dodaje narzędzie uzupełniające przestrzeń wokół obrazu, aby dopasować go do publikacji na Instagramie, okładki albumu lub plakatu; nie opublikowano artykułu ani cen. 🔗 źródło
Manus Studio — Projekty można teraz eksportować do Premiere Pro, DaVinci Resolve, CapCut lub Final Cut Pro, aby dokończyć tam montaż filmu stworzonego z AI; nie sprecyzowano formatu eksportu ani planów. 🔗 źródło
Muse Realtime Avatar — Zaprezentowana na Meta Connect technologia, która nadaje Muse Realtime Voice twarz animowaną w czasie rzeczywistym, trafia do aplikacji Muse w Stanach Zjednoczonych, bez harmonogramu dla innych krajów. 🔗 źródło

Co to oznacza

Ofensywne cyberbezpieczeństwo osiąga skalę przemysłową, przy ograniczonym dostępie. GPT-6 Cyber, sklasyfikowany jako Critical, posłużył do zweryfikowania 948 luk umożliwiających eskalację uprawnień w jądrze Linux w ciągu dziesięciu dni za 1,2 miliona dolarów, czyli 1 279 dolarów za lukę, oraz do znalezienia 81 luk o wysokiej wadze w Firefox. OpenAI udostępnia model wyłącznie zatwierdzonym klientom Daybreak Red, domyślnie wymaga listy dozwolonych adresów IP i monitoruje odchylenia od oczekiwanego zachowania specyficzne dla cyberbezpieczeństwa. Wyścig toczy się teraz o szybkość wprowadzania poprawek: w ciągu dziesięciu dni kampanii inni współtwórcy zdążyli już naprawić 61 z tych luk upstream i przygotowywali poprawki do kolejnych 43, a OpenAI uważa automatyczne generowanie poprawek za niezbędne, by nadążyć za tym tempem. Replit pokazuje drugi koniec tego łańcucha: jego jądro systemu gościa zawierało 4 375 poprawek jeszcze przed ujawnieniem luk, a luka TCP, której wykorzystanie zademonstrowała firma Anthropic, była w nim załatana już 12 października.

Agenci pracujący przez długi czas na wrażliwych danych sprawiają, że izolacja i uprawnienia stają się rdzeniem produktu. Współpracownicy Perplexity działają przez 24 godziny na dobę, każdy z własnym pulpitem, przeglądarką i plikami cookie; zarządzani agenci Mistral pracują godzinami lub dniami i mogą czekać na zatwierdzenie przez człowieka; Cursor hostuje każdą aplikację na odizolowanym koncie, po czterech deterministycznych kontrolach i przeglądzie przez AI. Personal Finance posuwa tę logikę aż do dostępu tylko do odczytu: Claude odczytuje salda i transakcje przez Plaid bez możliwości przesunięcia choćby dolara, a rozmowy w jego obszarze nie są wykorzystywane do treningu. Po stronie infrastruktury Replit przydziela każdemu sandboxowi własne jądro Linux i egzekwuje reguły sieciowe poza maszyną gościa; po stronie administratorów Claude Enterprise porównuje teraz swoje ustawienia bezpieczeństwa z zaleceniami Anthropic.

Generowanie obrazów i wideo staje się szybsze, tańsze i w ciągu kilku godzin trafia do narzędzi na całym rynku. Images 2.6 generuje obrazy o 50 % szybciej, Gemini Omni 1.2 Flash wydłuża klipy do 15 sekund, obniżając cenę o 30 %, do około 0,07 dolara za sekundę w 720p, a Runway obsługuje swoje postacie wideo 57B w czasie rzeczywistym na czterech H100 zamiast ośmiu. Integracje pojawiają się natychmiast: Runway dodaje Omni 1.2 Flash w dniu premiery, HeyGen integruje Images 2.6 następnego dnia, a Luma umieszcza swoje narzędzia twórcze w Claude i ChatGPT. Dla twórców punkt ciężkości przesuwa się z wyboru modelu na narzędzie, w którym model się pojawia, często jeszcze tego samego dnia.

Koszt inferencji staje się samodzielnym argumentem sprzedażowym. NVIDIA promuje Vera liczbą agentów na wat, Meta przyspiesza dekodowanie Muse Spark Open 2,1 raza dzięki jednemu jądru obliczeniowemu na warstwę, a Cognition od sierpnia obniża koszt przeglądu kodu o 82 %, znajdując przy tym nieco więcej błędów. Ripple-65B Preview stosuje tę samą logikę do treningu: gęsty model wstępnie trenowany od zera według przepisu wywodzącego się z Olmo 3, a następnie poddany post-trainingowi z 1,4 miliona przebiegów uczenia przez wzmacnianie, deklaruje pierwsze miejsce wśród amerykańskich otwartych modeli w programowaniu agentowym i kosztuje w Together AI 0,20 dolara za milion tokenów wejściowych.