Meta udostępnia Muse Spark Open z 816 miliardami parametrów, NVIDIA wprowadza Nemotron 3.5 Super VL, Cohere zamierza przejąć AISLE

Meta publikuje wagi Muse Spark Open, multimodalnego modelu typu mieszanka ekspertów z 816 miliardami parametrów, który przedstawia jako najwydajniejszy amerykański model otwarty, ze wsparciem NVIDIA, Hugging Face i siedmiu dostawców API już w dniu premiery. NVIDIA udostępnia również Nemotron 3.5 Super VL, model z 120 miliardami parametrów przeznaczony dla agentów, a Cohere podpisuje list intencyjny w sprawie przejęcia AISLE, firmy specjalizującej się w autonomicznym wykrywaniu luk, i tworzy Cohere Cyber. Perplexity udostępnia jako open source SPACE, sandbox narzędzia Computer, Black Forest Labs otwiera wagi FLUX 3 Image Klein, a Cognition wprowadza Devin Oncall, agenta dyżurnego badającego incydenty w środowisku produkcyjnym.

Muse Spark Open: Meta udostępnia multimodalny MoE z 816 miliardami parametrów, NVIDIA i Hugging Face zapewniają wsparcie tego samego dnia

15 października — Meta publikuje wagi Muse Spark Open, multimodalnego modelu typu mieszanka ekspertów (mixture-of-experts, MoE) z 816 miliardami parametrów, z czego 42 miliardy są aktywne na token, oraz oknem kontekstu o długości miliona tokenów. Model odczytuje tekst, obrazy, wideo i dźwięk, a odpowiada tekstowo; Meta wytrenowała go do programowania i pracy agentowej. W rodzinie Muse staje się dużym modelem otwartym, plasującym się powyżej Muse Glimmer, małego modelu gęstego z 30 miliardami parametrów opublikowanego w sierpniu, i pojawia się trzy dni po Muse Wonder, który pozostał zamknięty.

Today we’re releasing Muse Spark Open, the most capable US open-weight model to date. Built for coding and agentic work, it excels at long-horizon tasks, complex software engineering, and multi-step reasoning.

🇵🇱 Dziś publikujemy Muse Spark Open, najwydajniejszy jak dotąd amerykański model z otwartymi wagami. Zaprojektowany do programowania i pracy agentowej, doskonale radzi sobie z długotrwałymi zadaniami, złożoną inżynierią oprogramowania i wieloetapowym rozumowaniem. — @AIatMeta na X

Określenie „najwydajniejszy” należy rozumieć ściśle. W tabeli na karcie Hugging Face, gdzie model jest oceniany przy ustawieniu xhigh, Muse Spark Open prowadzi w ośmiu pozycjach pełnej tabeli, w tym w używaniu narzędzi MCP i JobBench, ale duże chińskie modele otwarte nadal wyprzedzają go w indeksie Artificial Analysis (45 dla GLM 5.3, 44 dla Kimi K3, wobec 39) oraz w programowaniu. Spośród trzech pozostałych amerykańskich modeli w tabeli — Inkling od Thinking Machines, Nemotron 3 Ultra od NVIDIA i Beam od Reflection AI — jedynie Beam przewyższa go pod względem możliwości, w GPQA Diamond (90,5 wobec 89,0) i Terminal-Bench 2.1 (80,1 wobec 76,4).

Benchmark (karta Hugging Face)	Wynik Muse Spark Open (xhigh)	Najlepszy konkurent w tabeli
MCP-Atlas	89,2	84,5 (Qwen3.8-2.4T-A95B)
JobBench	61,8	61,4 (GLM 5.3)
HLE-Diamond (bez narzędzi)	26,1	22,2 (Kimi K3)
Indeks Artificial Analysis	39	45 (GLM 5.3)
OSWorld Verified	80,4	84,8 (Kimi K3)
DeepSWE 1.1	60	68 (Kimi K3)
Terminal-Bench 2.1 (Terminus 2)	76,4	85,0 (Kimi K3)
StrongREJECT v2 (niżej = lepiej)	0,5	62,9 (GLM 5.3)

Ponieważ wszyscy eksperci pozostają w pamięci, potrzeba pamięci dla modelu z 816 miliardami parametrów, aby uzyskać szybkość modelu z 42 miliardami. Wagi BF16 zajmują około 1,5 TB (repozytorium Muse-Spark-Open-816B-A42B na Hugging Face, dostępne po wypełnieniu formularza), a wersja NVFP4 mieści się na pojedynczym węźle B200. Meta podkreśla jednak możliwość uruchamiania lokalnie: model zoptymalizowano pod kątem dwóch połączonych komputerów Mac Studio M5 Ultra z MLX, z których każdy oferuje do 512 GB pamięci zunifikowanej. Hugging Face przetestowało skromniejszą konfigurację, na pojedynczym Mac M3 Ultra z 512 GB: wersja 2-bitowa pod llama.cpp zajmuje 304 GB i generuje 18 tokenów na sekundę.

Wagi opublikowano na licencji Muse Model License, z ograniczeniami dotyczącymi wykorzystania komercyjnego, która według Meta pozwala wielu deweloperom bezpłatnie korzystać z modelu. Siedmiu dostawców udostępnia go od pierwszego dnia: Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter i Together AI. Meta twierdzi, że dodała etap dalszego trenowania pod kątem bezpieczeństwa, dostosowany do otwartych wag, i osiągnęła progi publikacji określone w Meta Superintelligence Scaling Framework, zaktualizowanym 2 października. W StrongREJECT v2, gdzie niższy wynik jest lepszy, model uzyskuje 0,5, wobec 62,9 do 86,4 dla pozostałych ocenianych modeli. W FORTRESS osiąga najlepszy wynik średniego ryzyka (5,8, wobec 21,6 do 28,2), ale najwyższy w tabeli wynik nadmiernych odmów (17,4, wobec 2,7 do 13,3).

NVIDIA towarzyszy premierze wpisem technicznym: Muse Spark Open trenowano na systemach GB300 NVL72, a punkty kontrolne NVFP4 przygotowane przez Meta zoptymalizowano pod Blackwell Ultra. W obciążeniach agentowych NVIDIA deklaruje do 50 000 tokenów na sekundę na GPU i do 600 tokenów na sekundę na użytkownika oraz publikuje instrukcje wdrożenia dla SGLang, vLLM, TensorRT LLM i Dynamo, NIM, a także instrukcje dalszego trenowania z NeMo AutoModel.

Reszta ekosystemu dołączyła w ciągu dnia: Transformers i TRL integrują model (zobacz niżej), mlx-lm 0.32.0 dodaje wersję NVFP4, Unsloth zapowiada wersję 2-bitową mieszczącą się w około 256 GB, a Meta dostarcza dla SGLang kernele Helion, do 3,95 razy szybsze na poziomie kerneli. We wpisie Hugging Face przedstawia nawet dostrajanie pełnego modelu na 64 GPU H100, dzięki któremu średnia trafność na token rośnie z 72 do 84 %.

🔗 Wpis Meta · Karta modelu (Hugging Face) · Wpis Hugging Face · Wpis techniczny NVIDIA

Nemotron 3.5 Super VL: NVIDIA udostępnia multimodalny model ze 120 miliardami parametrów dla agentów, Perplexity integruje go tego samego dnia

15 października — NVIDIA publikuje Nemotron 3.5 Super VL, otwarty model typu mieszanka ekspertów ze 120 miliardami parametrów, z czego 12 miliardów jest aktywnych na token. Łączy rozumowanie, wykonywanie instrukcji i wywoływanie narzędzi z rozumieniem tekstu, obrazów, dokumentów i wideo, na potrzeby agentów wykonujących sekwencje długotrwałych zadań: ten sam model odczytuje stronę internetową, wykres lub PDF, a następnie działa, bez przekazywania kontekstu z modelu tekstowego do modelu wizyjnego. Według NVIDIA w multimodalnych zadaniach agentowych osiąga trafność porównywalną z jej największym modelem rozumującym, przy około jednej piątej liczby parametrów.

Ocena ogłoszona przez NVIDIA	Wynik Nemotron 3.5 Super VL	Punkt odniesienia
Hermes Bench	63,44 %	56,33 % (Nemotron 3 Ultra)
Testy behawioralne LangChain	87,05 %	84,3 % (Nemotron 3 Ultra)
CharXiv (odczytywanie wykresów)	80,8 % (84 % z kodem Python)	63 % (Nemotron 3 Nano Omni)

NVIDIA podkreśla przede wszystkim efektywność: na pojedynczym GPU przepustowość do 5 razy wyższa niż w innych otwartych modelach tej wielkości w zadaniach agentowych, ponad 600 tokenów na sekundę w zadaniach agentowych indeksu Artificial Analysis przez Baseten oraz 10 000 zadań programistycznych wykonanych do 4 razy szybciej, przy zachowaniu dobrej trafności w SWE-Bench Pro. Powstały w wyniku destylacji Nemotron 3 Ultra, model przewyższa go w obu testach środowisk agentowych ujętych w tabeli. Po stronie obsługi zapytań dekodowanie spekulatywne LiLiCorr przyspiesza generowanie do 2,3 razy na DGX Spark, a Dynamo obsługuje do 8 razy więcej użytkowników na 16 GPU B200, przy 50 tokenach na sekundę dla każdego i opóźnieniu pierwszego tokena mniejszym o 85 %.

Publikacja jest kompletna: obejmuje wagi bazowe, po dalszym trenowaniu i skwantyzowane w NVFP4, instrukcje, środowiska uczenia ze wzmocnieniem w NeMo Gym oraz otwarte zbiory danych, w tym 40 zbiorów wizyjno-językowych i korpus około 2 800 miliardów tokenów w 22 językach indyjskich, opracowany wspólnie z IIT Madras i jego laboratorium AI4Bharat. Podczas trenowania model przetworzył około 26 000 miliardów tokenów. Jest dostępny na Hugging Face, OpenRouter, ModelScope i jako mikroserwis NIM, bez ogłoszonego cennika; NVIDIA wymienia dostosowania w Scale AI dla Skydance, z deklarowanym kosztem inferencji mniejszym 40-krotnie, a także w Ramp, AI21 i Alice.

Perplexity dodało go tego samego dnia dla abonentów Pro i Max oraz w swoim Agent API. Changelog API podaje dla perplexity/nemotron-3.5-super-120b-a12b cenę 0,20 dolara za milion tokenów wejściowych (0,04 dolara z cache) i 0,50 dolara za tokeny wyjściowe, z kontekstem o długości 1 048 576 tokenów i możliwością wygenerowania do 131 072 tokenów, w zastępstwie Nemotron 3 Ultra. Drobna niespójność: ten wpis opisuje model przyjmujący wyłącznie tekst, podczas gdy tweet Perplexity zapowiada wersję VL, która odczytuje również obrazy.

Tego samego dnia Nemotron 3.5 Bolt 74B-A9B 24GB, zapowiedziany 13 października, trafia na Hugging Face: natywnie skwantyzowany do 2 bitów, by zmieścić się w 24 GB, jest przeznaczony dla laptopów RTX Spark dostępnych od 16 października i działa z llama.cpp, Ollama, LM Studio, Unsloth i vLLM. NVIDIA plasuje go na pierwszym miejscu wśród otwartych modeli w jego kategorii w PinchBench; Bolt E4B 4GB pojawi się 23 października.

🔗 Ogłoszenie NVIDIA · Wpis techniczny NVIDIA · Ogłoszenie Perplexity · Changelog API Perplexity

Cyberbezpieczeństwo: Cohere zamierza przejąć AISLE i tworzy Cohere Cyber, GitHub udostępnia powszechnie AI Scan i agentowy autofix

Tego samego dnia dwie firmy wykorzystują AI do wyszukiwania i usuwania luk: Cohere kupuje kompetencje w tym zakresie, a GitHub udostępnia je szeroko w swoim code scanning.

15 października — Cohere zamierza przejąć AISLE, młodą firmę budującą autonomiczne systemy zdolne do wykrywania, potwierdzania i wspomagania usuwania nieznanych dotąd podatności w oprogramowaniu o krytycznym znaczeniu. Obie firmy podpisały list intencyjny (Letter of Intent): transakcja nie została jeszcze sfinalizowana, a jej kwota ani harmonogram nie zostały opublikowane. Po jej zamknięciu siedziba AISLE w Pradze stanie się praskim biurem Cohere.

Opublikowany wskaźnik dotyczący AISLE	Deklarowana wartość
Rok założenia	2024
Nieznane wcześniej podatności, którym nadano CVE	Ponad 500, w ponad 100 bazach kodu
OpenSSL, styczniowa publikacja dotycząca bezpieczeństwa	Wszystkie 12 opublikowanych podatności
curl, najnowsza wersja	18 z 24 CVE
CVE o wysokim lub krytycznym stopniu zagrożenia	Ponad 200 (według Aidana Gomeza)

Aisle is the state-of-the-art in defensive cyber, having found 200+ High/Critical CVEs in critical software like curl, FFmpeg, FreeBSD, Wireshark.

🇵🇱 Aisle jest w czołówce cyberobrony, z ponad 200 CVE o wysokim lub krytycznym stopniu zagrożenia wykrytymi w oprogramowaniu o krytycznym znaczeniu, takim jak curl, FFmpeg, FreeBSD i Wireshark. — @aidangomez na X

W tym samym wątku Aidan Gomez, szef Cohere, twierdzi, że AISLE osiągnęło lepsze wyniki niż Glasswing (Mythos) od Anthropic i Daybreak od OpenAI, wykrywając 29 nowych CVE w curl, podczas gdy Mythos miał nie znaleźć żadnej; ta liczba nie odpowiada „18 z 24 CVE” podawanym we wpisach obu firm.

Założyciele AISLE obejmują stanowiska kierownicze. Ondrej Vlcek, prezes AISLE, zostaje starszym wiceprezesem Cohere Cyber, nowej jednostki odpowiedzialnej za dostarczanie klientom Cohere rozwiązań z zakresu cyberbezpieczeństwa; Jaya Baloo zostaje globalną dyrektorką ds. bezpieczeństwa informacji w Cohere; Stanislav Fort, CTO i główny naukowiec AISLE, zostaje wiceprezesem ds. bezpieczeństwa AI i będzie współpracował z Ivanem Zhangiem, CTO Cohere, aby powiązać badania nad bezpieczeństwem z rozwojem i trenowaniem modeli.

Cohere postrzega to jako kolejny krok w swojej europejskiej strategii, po Reliant AI i Aleph Alpha: firma planuje „znaczącą”, długoterminową inwestycję w Pradze, która ma stać się jej globalnym centrum cyberbezpieczeństwa AI, położonym — według Aidana Gomeza — w odległości krótkiej podróży od nowej siedziby w Berlinie. Cel jest dwojaki: kontynuować prace AISLE nad bezpieczeństwem oprogramowania open source i umożliwić operatorom infrastruktury krytycznej analizowanie ich oprogramowania w sposób całkowicie prywatny, również w środowiskach odłączonych od sieci (air-gapped). Oba wpisy dodają argument dotyczący modeli: trudne, lecz weryfikowalne problemy z zakresu bezpieczeństwa mogą służyć do oceny i ulepszania przyszłych modeli Cohere.

🔗 Wpis Cohere · Wpis AISLE

GitHub: AI Scan pull requestów i agentowy autofix alertów stają się ogólnie dostępne

15 października — GitHub udostępnia ogólnie dwa elementy skanowania kodu wspierane przez AI: jeden wykrywa luki w pull requestach, drugi usuwa przyczyny alertów.

AI Scan pull requestów uzupełnia CodeQL tam, gdzie analizator jeszcze nie sięga: PHP, Shell/Bash, konfiguracja Terraform (HCL), Dockerfiles, JSP po stronie Javy czy Blazor po stronie C#. Uruchamia się automatycznie przy każdym pull requeście, gdy w repozytorium aktywne są skanowanie kodu i ustawienie AI Scan, a jego wyniki pojawiają się obok wyników CodeQL, oznaczone jako „AI”, czasem z wyjaśnieniem ryzyka i sugerowaną poprawką. Mają charakter doradczy: nie powodują niepowodzenia kontroli i nie mogą zablokować scalenia, a analiza nie uruchamia się ani dla pull requestów z forków, ani dla tych od Dependabot.

Agentowy autofix (agentic autofix) obsługuje z kolei alert przypisany do Copilot: przegląda odpowiednie pliki, proponuje poprawkę, ponownie uruchamia CodeQL, aby sprawdzić, czy alert został zamknięty, w razie potrzeby powtarza ten proces, a następnie otwiera roboczy pull request. Można powierzyć mu alert z domyślnej gałęzi, zlecić poprawienie do 25 alertów w jednym pull requeście lub skorzystać z API REST, przypisując alert do copilot-swe-agent[bot]; po aktywacji zastępuje bezpłatną opcję Generate Fix.

Ogólnie dostępny element GitHub	Plany i warunki	Sposób rozliczania
AI Scan pull requestów	Repozytoria publiczne; Code Security lub Advanced Security dla prywatnych i wewnętrznych repozytoriów organizacji, bez licencji Copilot	Code Security AI Credits
Agentowy autofix alertów	Code Security lub Advanced Security w GitHub Enterprise Cloud, w tym z rezydencją danych; wymagane zasady Agentic autofix i metoda rozliczania Copilot	AI Credits z budżetu Code Security i minuty GitHub Actions

Obie premiery zamykają serię opisywaną tutaj od września: API aktywacji AI Scan z 10 września, agentowy autofix wspierany przez Copilot Memory w wersji zapoznawczej z 25 września oraz metryki AI Scan w przeglądzie bezpieczeństwa z 13 października.

🔗 AI Scan dla pull requestów (rejestr zmian GitHub) · Agentowy autofix alertów skanowania kodu (rejestr zmian GitHub)

SPACE: Perplexity udostępnia sandbox Computer jako open source na licencji Apache 2.0

15 października — Perplexity udostępnia jako open source SPACE (Sandboxed Platform for Agentic Code Execution), platformę sandboxów (sandboxes), która wykonuje każde zadanie Perplexity Computer. Dzień wcześniej Perplexity szczegółowo opisywało, jak SPACE kieruje każde żądanie do odpowiedniej instancji sandboxa; teraz sam kod jest dostępny na GitHub na licencji Apache 2.0. Każde zadanie agenta działa we własnej microVM Firecracker, a dane uwierzytelniające i ruch wychodzący są kontrolowane spoza maszyny wirtualnej.

Zasada bezpieczeństwa sprowadza się do jednej idei: sandbox jest traktowany jako niezaufany. Agenci Computer uruchamiają w nim polecenia, instalują pakiety i wywołują zewnętrzne usługi z dostępem root, ale host pozostaje poza ich zasięgiem, a brama przypisana do każdego sandboxa egzekwuje reguły ruchu wychodzącego dla każdego połączenia; agenci uzyskują dostęp do dozwolonych usług bez przechowywania danych uwierzytelniających w swoim środowisku pracy. Sandbox istnieje także po zakończeniu żądania, które go utworzyło: można go wstrzymać, sklonować (fork) lub zawiesić, zapisując migawkę pamięci i dysku, a następnie wznowić.

Element SPACE	Wartość podana przez Perplexity
Język i licencja repozytorium	Rust, Apache 2.0
Izolacja	Jedna microVM Firecracker na zadanie agenta
Skala w środowisku produkcyjnym	Miliony sandboxów tworzonych dziennie, dla wszystkich sesji Computer od lipca
Tworzenie względem poprzedniego dostawcy	Od trzech do pięciu razy szybciej, przy tym samym ruchu produkcyjnym
Escaping SPACE, Part I	Brak ucieczek do hosta w 108 próbach
Harmonogram wersji	0.8.0 jako publiczna wersja bazowa, następnie 0.9.0 i 1.0.0

Wrześniowa ocena Escaping SPACE nie wykazała żadnej ucieczki z maszyny wirtualnej do hosta, ujawniła jednak sposoby obchodzenia ograniczeń sieciowych: zostały one wyeliminowane, a według wpisu zidentyfikowane metody nie zadziałały już w kolejnych testach. Repozytorium, napisane w Rust, można zainstalować lokalnie na testowym klastrze Kubernetes (Kind); oferuje ono pule wstępnie uruchomionych sandboxów (warm pools) oraz warstwę zgodności z API E2B, przetestowaną z jego SDK Python; 0.9.0 będzie ostatnią wersją wprowadzającą zmiany niezgodne wstecznie przed wersją 1.0 ze stabilnymi kontraktami.

CoreWeave i Akamai przetestowały i uruchomiły SPACE na swoich platformach oraz pracują nad udostępnieniem go klientom, a Crusoe doda go do swojej oferty Managed AI Services. Perplexity przedstawia SPACE jako pierwszy komponent swojej platformy uruchomieniowej agentów (Agentic Runtime Platform), udostępniony otwarcie w celu podniesienia poziomu bezpieczeństwa produktów agentowych.

🔗 Wpis Perplexity · Wątek @perplexity_ai · Repozytorium SPACE (GitHub)

Media generatywne: FLUX 3 Image Klein z otwartymi wagami na konsumenckim GPU, Kling 4.0 dla wszystkich, Instant Soundtracks od ElevenLabs

15 października — Black Forest Labs udostępnia FLUX 3 Image Klein, model obrazowy z otwartymi wagami, liczący 5,6 miliarda parametrów, obejmujący wyłącznie generator i działający na jednym konsumenckim GPU. Ten sam model generuje obrazy na podstawie tekstu i edytuje je na podstawie jednej lub wielu referencji, do 10 obrazów; przejmuje główne funkcje FLUX 3 Image, wprowadzonego 1 października: generowanie w natywnym 4K, edycję z dokładnością do piksela i prostokąty ograniczające (bounding boxes), które określają w prompcie położenie elementu lub ograniczają edycję do wybranego obszaru.

Według wewnętrznych ocen BFL Klein zajmuje pierwsze miejsce w generowaniu obrazów z tekstu, pracy z wieloma referencjami i edycji w porównaniu z większymi otwartymi modelami Qwen-Image 2.1 (7B) i Krea 2 (12,9B), a także wyprzedza oba zamknięte modele uwzględnione w porównaniu: Ideogram V4.5 i FLUX.2 [pro]. Względem swojego poprzednika FLUX.2 [klein] 9B zyskuje 91 punktów Elo w generowaniu obrazów z tekstu i 70 w edycji, przy liczbie parametrów mniejszej o 38 %.

Testowana konfiguracja	Ogłoszony wynik
Wagi w BF16 / w FP8	11,2 Go / 5,6 Go
Wersja INT8 na GeForce RTX (ComfyUI lub Diffusers)	Działa z 8 Go VRAM
RTX 5090, wersja destylowana w INT8 (pomiar NVIDIA)	Około 4 s na obraz o rozdzielczości 1 megapiksela
RTX 4070, wersja destylowana w INT8 (pomiar NVIDIA)	Poniżej 9 s na obraz o rozdzielczości 1 megapiksela
H100, wersja destylowana w Diffusers	Około 2 s na obraz o rozdzielczości 1024 × 1024 pikseli
GB300, wersja destylowana w NVFP4	Poniżej 0,6 s na obraz o rozdzielczości 1 megapiksela

Hugging Face zintegrowało go z Diffusers tego samego dnia, z dwoma checkpointami: wersją destylowaną, działającą w 16 krokach i bez CFG, oraz wersją bazową, działającą w 50 krokach i przeznaczoną do dostrajania. Do tego dochodzą wagi NVFP4 i FP8, enkoder tekstu Qwen3-VL oraz skrypty dostrajania LoRA; w NVFP4 szczytowe zużycie pamięci po inferencji sięga 15,3 Gio na RTX 6000. ComfyUI, TensorRT-LLM, SGLang Diffusion i vLLM-Omni również obsługują go od dnia premiery, a wersje FP8, INT8 i NVFP4 opracowano wspólnie z NVIDIA.

Wagi opublikowano na licencji FLUX Kommunity, bezpłatnej do użytku komercyjnego dla osób prywatnych i firm o rocznych przychodach poniżej 5 milionów dolarów, a także do badań; powyżej tego progu trzeba uzyskać licencję na samodzielne hostowanie lub skorzystać z API. API BFL oferuje flux-3-image-klein w cenie od 0,009 dolara za obraz 1K. To drugi otwarty model z rodziny FLUX 3, po FLUX 3 Action, a BFL zapowiada kolejne.

🔗 Wpis Black Forest Labs · Ogłoszenie @bfl_ai · FLUX 3 Image Klein w Diffusers (Hugging Face)

Kling 4.0 staje się w pełni dostępny, z dostępem przez MCP i z wiersza poleceń

15 października — Kling AI udostępnia Kling 4.0 wszystkim po okresie wczesnego dostępu rozpoczętym 30 września. Z modelu wideo można korzystać w przebudowanym interfejsie tworzenia na kling.ai oraz, co jest nowością, przez MCP i z wiersza poleceń (CLI), co pozwala włączyć go do procesów produkcyjnych korzystających z narzędzi. Dwie funkcje zapowiedziano na najbliższy czas, bez podania daty: wyjście wideo HDR 10 bitów w 4K i 1080p oraz dostęp przez API dla firm i programistów. Nadal obowiązuje specyfikacja przedstawiona 28 września: klipy od 3 do 30 sekund, rozdzielczość do 4K, dźwięk stereo, 10 klatek kluczowych, 15 referencji i prompty o długości 8 000 tokenów. Ogłoszenie nie zawiera cen ani wyników benchmarków.

🔗 Ogłoszenie Kling AI · Informacje o wersji Kling

Instant Soundtracks: ElevenLabs komponuje muzykę i synchronizuje efekty dźwiękowe na podstawie wideo

15 października — ElevenLabs wprowadza Instant Soundtracks w ElevenCreative: po przesłaniu wideo model komponuje oryginalną muzykę, rozpoznaje momenty wymagające efektu dźwiękowego i umieszcza każdy efekt we właściwym punkcie czasowym, na przykład „whoosh” dopasowany do logo na końcu reklamy. Narzędzie jest przeznaczone do krótkich formatów, z dokładniejszym dopasowaniem do cięć i przejść, zmienia nastrój muzyczny między scenami i może korzystać z oryginalnego dźwięku jako referencji (gatunek, tempo, instrumentacja). Efekty trafiają na osobne ścieżki, które można edytować przed eksportem.

Parametr API ElevenCreative Studio	Rola parametru
`add_sfx`	Dodaje zsynchronizowane efekty dźwiękowe
`separate_tracks`	Zwraca muzykę i efekty w osobnych plikach (.ZIP)
`use_audio_as_reference`	Wykorzystuje oryginalny dźwięk jako referencję muzyczną

Instant Soundtracks jest dostępne w ElevenCreative, ElevenMusic oraz przez API, które przyjmuje do 10 filmów, 200 Mo i łącznie 10 minut wideo na żądanie. ElevenLabs nie podaje cen.

🔗 Ogłoszenie ElevenLabs

Agenci programistyczni: Cognition wprowadza Devin Oncall, Claude Code 2.1.301 i Code Review, Delta 0.20, Antigravity CLI 1.3.6, Codex w OpenAI, MX Keypad

15 października — Cognition wprowadza Devin Oncall, od teraz ogólnie dostępny: Devin automatycznie analizuje alerty i zgłoszenia błędów, a następnie pomaga zespołowi diagnozować i rozwiązywać incydenty produkcyjne. Od razu integruje się między innymi z Datadog, Dynatrace i Sentry, a według Cognition już teraz przetwarza codziennie tysiące alertów produkcyjnych w niektórych z największych firm na świecie. Jego architektura nie zależy od konkretnego modelu: Cognition wybiera najskuteczniejszy dla każdego zadania podczas dyżuru.

Oceniany agent i model	Skuteczność od początku do końca (SREGym-Lite)	Źródło wyniku
Devin Oncall + Claude Opus 5.5	100 % (w 2 min 21 s)	Wewnętrzna ocena Cognition
Devin Oncall + GPT-6 Astra	100 %	Wewnętrzna ocena Cognition
Devin Oncall + GPT-6.1 Sol	94,1 %	Wewnętrzna ocena Cognition
Devin Oncall + Claude Fable 5.1	85,3 %	Wewnętrzna ocena Cognition
CloudThinker + Claude Opus 5	76,5 %	Publiczny ranking SREGym
Codex + GPT-5.6 Sol	76,5 %	Publiczny ranking SREGym
Claude Code + Claude Sonnet 5	45,1 %	Publiczny ranking SREGym

SREGym-Lite obejmuje 17 awarii zaczerpniętych z rzeczywistych incydentów: agent musi znaleźć pierwotną przyczynę, a następnie naprawić działający system w ramach tego samego uruchomienia. Wyniki Devin Oncall pochodzą z wewnętrznej oceny Cognition, a wyniki pozostałych agentów z publicznego rankingu SREGym z 15 października, w którym CloudThinker również osiąga 100 % z GPT-6 Astra. Benchmark jest więc już nasycony: według Cognition modele ze średniej półki uzyskują w nim maksymalny wynik, podczas gdy poprzednia generacja osiągała najwyżej od 50 do 60 %.

Wpis opisuje przede wszystkim narzędzia otaczające model. Agent weryfikujący pracuje równolegle z analizą, aby zapobiegać pochopnym wnioskom: uznaniu korelacji za przyczynę, pominięciu sprzecznych danych telemetrycznych czy pomyleniu czynnika wyzwalającego z przyczyną. Trzy poziomy pamięci gromadzą wiedzę o firmie: pamięć odrębna dla każdego respondera, skills generowane przez regularne indeksowanie środowiska oraz pamięć organizacyjna zasilana każdą analizą. Responders, przedstawiane jako nowa generacja Auto-Triage, monitorują strumień alertów i pozwalają uniknąć około 60 % analiz dzięki rozpoznawaniu wcześniej napotkanych problemów, co pozwala zaoszczędzić ponad połowę kosztów klasycznych automatyzacji; tryb Incidents umieszcza Devin w kanale kryzysowym, z na bieżąco aktualizowanym dokumentem incydentu i podrzędnymi instancjami Devin odpowiadającymi na bezpośrednie pytania inżynierów.

Premierę ilustrują przykłady trzech klientów. W Reducto Devin samodzielnie otworzył incydent na długo przed uruchomieniem alertów produkcyjnych; w RV Tech, wspólnym przedsięwzięciu Rivian i Volkswagen, wyodrębnia ze zgłoszeń klientów identyfikatory pojazdów i znaczniki czasu, pobiera logi i przeprowadza wstępną selekcję; w AngelList identyfikuje właściwą pierwotną przyczynę 3,5 raza częściej niż wewnętrzne narzędzie Sky i samodzielnie obsłużył połowę incydentów, przez co zrezygnowano ze Sky. Nie ogłoszono cen: strona Devin Oncall oferuje rozpoczęcie korzystania lub rezerwację demonstracji. Premiera stanowi kontynuację dołączenia w lipcu do Cognition założycieli TierZero, firmy specjalizującej się w SRE wspieranym przez AI.

🔗 Wpis Cognition · Wątek @cognition · Strona Devin Oncall

Claude Code 2.1.301: ograniczony czas oczekiwania na reset limitów użycia w trybie bez nadzoru, 37 poprawek

15 października — Wydana o 19:22 UTC wersja Claude Code 2.1.301 zawiera 51 pozycji, w tym 8 nowości, 37 poprawek, 4 usprawnienia i 2 zmiany, i koncentruje się przede wszystkim na pracy bez nadzoru. Nowa zmienna CLAUDE_CODE_RETRY_WATCHDOG_MAX_USAGE_LIMIT_WAIT_MS pozwala trybowi automatycznego ponawiania (CLAUDE_CODE_RETRY_WATCHDOG) porzucić żądanie zamiast czekać, gdy osiągnięty limit użycia zresetuje się zbyt późno. W zakresie obserwowalności zdarzenia OpenTelemetry tool_decision zawierają teraz classifier_verdict i permission_mode, co pozwala odróżnić decyzję klasyfikatora trybu auto od reguły uprawnień, a także classifier_category, czyli wbudowaną regułę, która spowodowała blokadę (z OTEL_LOG_TOOL_DETAILS=1).

Kilka poprawek dotyczy niezawodności: alias fable (oraz best) nie zwraca już błędu, gdy najnowszy Fable nie jest dostępny dla organizacji — Claude Code ponawia wtedy próbę jeden raz z poprzednim Fable; zakończenie sesji nie usuwa już bez pytania katalogu worktree utworzonego przez hook WorktreeCreate i mogącego zawierać niewysłane commity; Grep i Glob zgłaszają błąd zamiast komunikatu „brak dopasowań”, gdy wyszukiwanie się nie powiedzie. Przy przełączaniu na model z mniejszym oknem kontekstowym zbyt długa rozmowa jest najpierw streszczana przez poprzedni model. W VS Code odpowiedzi wyświetlają wzory LaTeX, a baner limitu użycia oferuje subskrybentom Pro i Max link „Uzyskaj większy limit użycia”.

🔗 Informacje o wydaniu Claude Code 2.1.301

Code Review w Claude Code wychodzi z fazy podglądu badawczego i trafia do Team oraz Enterprise

15 października — Siedem miesięcy po uruchomieniu podglądu badawczego 9 marca Code Review, usługa Claude Code automatycznie przeglądająca pull requesty GitHub, staje się dostępna dla organizacji Claude Team i Enterprise. Według Anthropic większość przeglądów kończy się około trzykrotnie szybciej niż w fazie podglądu, a krótkie uwagi opisują problem, warunki jego wystąpienia i sposób naprawy. Administrator wybiera poziom dla każdego repozytorium: Quick, Standard (domyślny) lub Deep.

Kluczowy aspekt Code Review	Szczegóły opublikowane przez Anthropic
Czas przeglądu	Około 6 do 10 minut, wobec około dwudziestu w fazie podglądu
Rozliczanie przeglądów	Zużyte tokeny, rozliczane z kredytów na użycie poza pulą zawartą w planie, z miesięcznym limitem
Kredyty na start	Co najmniej 10 000 dolarów dla uprawnionych organizacji Enterprise, do odebrania przed 15 stycznia 2027, ważne przez 30 dni
Obecne wyłączenia	Zero Data Retention, konfiguracja HIPAA i na razie klucze zarządzane przez klienta (CMEK)

Zasada pozostaje bez zmian: uwagi pojawiają się jako komentarze przy odpowiednich liniach kodu, uporządkowane według wagi problemu, a towarzyszący im check run nigdy nie kończy się niepowodzeniem. Przegląd nie zatwierdza ani nie blokuje pull requestu — decyzja o scaleniu pozostaje w gestii zespołu.

🔗 Code Review jest już ogólnodostępne (Claude) · Dokumentacja Code Review

Delta 0.20: podagenci stają się podwątkami, którymi można kierować, a agenci uzyskują dostęp do serwerów MCP

14 października — Delta, środowisko programistyczne do pracy zespołowej od twórców Zed, przechodzi na wersję 0.20 (18 nowości, 14 usprawnień i 29 poprawek, a następnie dodatkowa poprawka w wersji 0.20.1 tego samego dnia). Podagenci stają się zwykłymi podwątkami, które można przeglądać, nadawać im nowy kierunek i samodzielnie kontynuować, a podwątki można teraz zagnieżdżać; ustawienie Enable Sub-agents zmienia nazwę na Delegation i ma trzy opcje (Off, Only When Asked, Max). Agenci uzyskują dostęp do serwerów MCP, które można podłączyć w Settings → MCP, a przegląd lub polecenie Land uruchomione z podwątku obejmuje również zmiany odziedziczone po wątkach nadrzędnych. Wersja dodaje obsługę Gemini 4 Argon z własnym kluczem Google, polecenie /create-skill oraz polecenia delta org do zarządzania organizacją z terminala.

15 października wpis oparty na wystąpieniu Conrada Irwina szczegółowo przedstawia DeltaDB, warstwę współpracy wysyłającą każde naciśnięcie klawisza do serwera i współpracowników: mechanizmy CRDT inspirowane diamond-types, w których każda zmiana jest zakotwiczona w wersji Git lub wcześniejszych zmianach. Ponieważ każdy znak przechowuje informację o zmianie, która go utworzyła, Delta może powiązać z nim autora, agenta, a nawet prompt.

🔗 Informacje o wydaniach Delta · DeltaDB: przyszłość kontroli wersji

Antigravity CLI 1.3.6: Claude 5.5 z danymi uwierzytelniającymi Google Cloud, po trybie Auto i /compact z wersji 1.3.5

14 października — Antigravity CLI, narzędzie do pracy z agentami w wierszu poleceń, które Google przedstawia jako następcę Gemini CLI, otrzymuje kolejne wersje: od opisanej tutaj 8 października wersji 1.3.1 pojawiło się ich pięć. Wersja 1.3.6 dodaje Claude Opus 5.5 i Claude Sonnet 5.5 dla użytkowników zalogowanych przy użyciu domyślnych danych uwierzytelniających Google Cloud (Application Default Credentials, AGY_ADC_AUTH): modele Claude pojawiają się w /model tylko wtedy, gdy projekt Google Cloud ma do nich dostęp. Eliminuje też zawieszanie się bez końca: po 5 minutach bez danych z modelu żądanie jest anulowane i automatycznie ponawiane.

Najbardziej widoczna nowość pochodzi z wersji 1.3.5: tryb Auto, który samodzielnie zatwierdza zmiany plików i polecenia uznane za bezpieczne, ale zawsze pyta przed nieodwracalnym działaniem. Polecenia, które wykraczałyby poza sandbox terminala, są najpierw sprawdzane przez osobnego agenta; wersja 1.3.6 przyspiesza ten przegląd, przepuszcza polecenia formatowania i lintowania projektu oraz blokuje te, które wysyłałyby wrażliwe dane. Tryb włącza się za pomocą --mode auto, z poziomu /config lub skrótem Shift+Tab, w Linux i macOS (Windows później). Wersja 1.3.5 dodaje też /compact, które na żądanie streszcza rozmowę, aby zwolnić miejsce w oknie kontekstowym.

Wersja Antigravity CLI	Data changelogu	Usprawnienia i poprawki	Najważniejsza zmiana w wersji
1.3.6	14 października	3 + 10	Claude Opus 5.5 i Sonnet 5.5 przez ADC, ponowienie po 5 minutach zawieszenia
1.3.5	13 października	5 + 1	Tryb Auto, `/compact`, kolorowanie i zwijanie w `/diff`
1.3.4	12 października	4 + 10	`agy plugin list --json`, model wybrany bez `--effort`
1.3.3	9 października	6 + 15	Narzędzia MCP zawsze załadowane, wzmocniony sandbox
1.3.2	7 października	6 + 4	`/plugin` i oficjalny marketplace pluginów

🔗 Changelog Antigravity

Codex w OpenAI: zespół Core Experimentation scala ponad 1 400 PR związanych z utrzymaniem kodu za pomocą GPT-6 Astra i GPT-6.1 Sol

14 października — Na blogu OpenAI Developers inżynier zespołu Core Experimentation, który utrzymuje oprogramowanie do eksperymentów używane w całej firmie, opisuje, jak modele GPT-6 przejęły zadania związane z utrzymaniem repozytoriów zespołu w Codex. Punktem wyjścia był krótki i celowo ogólny prompt z prośbą o wykrycie i usunięcie martwego kodu. GPT-5.6 Sol nie doprowadzał zadania do końca; GPT-6 Astra przejrzał wcześniejsze PR, wątki Slack, wewnętrzne narzędzia do śledzenia zadań i tabele profilowania ze środowiska produkcyjnego, a następnie uzasadnił każde usunięcie. Pięciu inżynierów pracowało następnie z różnymi wariantami tego promptu, poświęcając na to część czasu pracy przez dwa tygodnie: ponad 1 400 scalonych pull requestów, ponad 800 000 usuniętych linii i obraz kontenera jednej z usług zmniejszony z 3,31 do 1,72 GB (-48 %).

Model i poziom wysiłku rozumowania	Koszt zadania w API	Uwzględnione ustalenia	Koszt jednego ustalenia
GPT-6 Astra Ultra	109,06 dolarów	142	0,77 dolara
GPT-6.1 Sol Ultra	15,12 dolarów	131	0,12 dolara
GPT-6.1 Sol Medium	5,27 dolara	86	0,06 dolara

W tym samym zadaniu porządkowania kodu, obejmującym ponad 6 000 plików i 1 milion linii Python, TypeScript, Go i Rust, GPT-6.1 Sol z poziomem wysiłku Ultra uzyskuje więc 92 % ustaleń GPT-6 Astra Ultra przy 14 % kosztu API; różnica wynika głównie z tego, że Astra wykrywa flagi funkcji (feature flags) o stałej wartości używane jako zależności innych flag, a Sol je pomija. Około trzydziestu PR z optymalizacjami skróciło też medianę czasu CI z około 10 do 4,5 minuty. Autor przyznaje, że niektóre propozycje wprowadzały więcej złożoności, niż dawały korzyści, i radzi zaczynać od małych zadań.

🔗 Utrzymanie oprogramowania z rodziną GPT-6 (OpenAI Developers)

MX Keypad: GitHub i Logitech pozwalają sterować aplikacją GitHub Copilot za pomocą panelu programowalnych klawiszy

15 października — We wpisie poświęconym „inteligencji otoczenia” Martin Woodward, wiceprezes GitHub ds. relacji z programistami, przedstawia efekt 18 miesięcy współpracy z Logitech: MX Keypad, panel programowalnych klawiszy, integruje się z aplikacją GitHub Copilot. Klawisz może wysłać prompt z parametrami, otworzyć lub wznowić sesję Copilot, wywołać polecenie IDE albo uruchomić sekwencję wielu kroków. Wpis osadza urządzenie w wizji trzech warstw: modalność (tekst, głos, fizyczne elementy sterujące) odczytuje intencję, harness planuje i działa, a warstwa sterowania pozwala programiście przyglądać się działaniom, zmieniać ich kierunek i je zatwierdzać. Autor zachowuje ostrożność: rozwiązanie jest „jeszcze na wczesnym etapie” (to wciąż początki), a nie każdy programista potrzebuje kolejnego urządzenia. Link pozwala wypróbować MX Keypad z trzema bezpłatnymi miesiącami GitHub Copilot Pro+, ale wpis nie podaje ceny ani daty dostępności.

🔗 Następnym interfejsem programisty jest inteligencja otoczenia (GitHub Blog)

Bezpieczeństwo modeli: METR uzyskuje w Anthropic dostęp na poziomie pracownika, IPI Black przeznacza 300 000 dolarów na walkę z prompt injection

Dwie inicjatywy z tego samego dnia, które pozwalają podmiotom zewnętrznym sprawdzać bezpieczeństwo modeli: zespół niezależnych ewaluatorów pracujący w Anthropic oraz publiczny konkurs ataków na agentów.

METR uzyskuje w Anthropic dostęp porównywalny z dostępem pracownika

15 października — Anthropic rozpoczęło wdrażanie u siebie zespołu METR, organizacji non profit oceniającej najnowocześniejsze modele AI, z dostępem „porównywalnym z dostępem pracownika” (dostęp jak dla pracownika). Sześć osób z METR ma firmowy sprzęt, biura i dostęp do wewnętrznych narzędzi oraz systemów mniej więcej taki jak zespoły Anthropic oceniające ryzyko; niedostępne pozostają jedynie dane klientów, informacje objęte tajemnicą adwokacką i architektury modeli. METR będzie publikować swoje analizy ryzyka, a Anthropic nie może tego zablokować: może jedynie wymagać zaczernienia informacji należących do wąskich, z góry określonych kategorii, a METR zachowuje swobodę publicznego wypowiadania się o tym, czy uważa te zaczernienia za uzasadnione.

Poziom dostępu ewaluatorów	Dostęp do informacji	Prawo do publikacji	Ewaluator wskazany przez Anthropic
Poziom 1	Ukierunkowane badania, dostęp ustalany przez Anthropic	Za zgodą Anthropic	SecureBio
Poziom 2	Więcej informacji	Bez zgody, możliwe zaczernienie informacji z określonych kategorii	Nie wskazano
Poziom 3	Porównywalny z dostępem pracownika	Jak na poziomie 2	METR

Anthropic przygotowuje też partnerstwo z Accenture i Faculty (ocena i red-teaming modeli, oceny alignmentu, testy zabezpieczeń) oraz prowadzi wstępne rozmowy z innymi organizacjami, w tym Hugging Face. Firma porównuje ten mechanizm z nadzorem bankowym, w którym stali kontrolerzy pracują na miejscu w największych bankach, i przedstawia go jako kolejne działanie po podpisaniu White House Accord on Super Intelligence, na mocy którego przedsiębiorstwa zobowiązują się do współpracy z niezależnymi ewaluatorami zewnętrznymi.

🔗 Aktualizacja dotycząca niezależnych ewaluatorów (Anthropic)

IPI Black: Gray Swan uruchamia konkurs pośrednich ataków prompt injection z pulą 300 000 dolarów

15 października — Gray Swan uruchamia IPI Black (Indirect Prompt Injection: Black), publiczny konkurs pośrednich ataków prompt injection z pulą 300 000 dolarów, przy wsparciu Anthropic, Meta, Google DeepMind, Reflection AI, OpenAI, Amazon, Thinking Machines i AI Security Institute. Uczestnicy, od których nie wymaga się doświadczenia, atakują agentów umieszczonych w symulowanych środowiskach z realistycznymi narzędziami (Gmail, Slack, GitHub, X): na przykład próbują skłonić agenta tworzącego treści dla menedżera mediów społecznościowych do opublikowania szkodliwych materiałów na oficjalnych kontach jego firmy. W wariancie white box widać odpowiedzi agenta i można dopracowywać atak; w wariancie black box wysyła się payload bez żadnego podglądu.

Konkurs odbywa się w trzech tygodniowych turach, rozpoczynających się 15, 22 i 29 października, a każda ma własne rankingi z pulą 100 000 dolarów dzieloną między kategorie white box i black box. Pierwsza tura oferuje dziesięć scenariuszy, sześć w wariancie white box i cztery w wariancie black box, od wycieku identyfikatora w komentarzu do issue w GitHub po fałszywe zgłoszenie sygnalisty. Zebrane ataki zasilą benchmark, którego laboratoria partnerskie używają do pomiaru odporności swoich modeli. Boris Cherny, twórca Claude Code, udostępnił informację o konkursie: jego zdaniem modele Claude poczyniły w ostatnich latach duże postępy w obronie przed prompt injection, ale wraz ze wzrostem możliwości agentów rozwiązanie tego problemu w całej branży staje się pilne.

🔗 Wątek Gray Swan · Strona konkursu · Wpis Borisa Cherny’ego

Nowe modele: Timestral do szeregów czasowych, Step 5 Preview od StepFun, Apertus 1.5 i Jev 1.14

Cztery publikacje o różnym charakterze: rodzina modeli prognostycznych od Mistral, duży otwarty model MoE od StepFun, w pełni otwarte modele ze Szwajcarii i model decyzyjny od TypeSafe.

Timestral: Mistral publikuje swoją pierwszą rodzinę modeli bazowych dla szeregów czasowych

15 października — Mistral publikuje Timestral, swoją pierwszą rodzinę modeli bazowych dla szeregów czasowych (time-series foundation models), w czterech rozmiarach, które współdzielą tę samą architekturę i ten sam schemat treningu: 5M, 28M, 123M i 209M parametrów. Modele generują prognozy probabilistyczne (21 kwantyli) i wielowymiarowe, uwzględniają współzmienne znane tylko z przeszłości lub znane z wyprzedzeniem (harmonogram produkcji, planowane przestoje, prognozy pogody), w tym zmienne kategoryczne, takie jak stan maszyny, i przetwarzają do 32 768 kroków czasowych historii.

Benchmark i metryka (niżej = lepiej)	Timestral-209M	t0-gamma	TimesFM-3	Chronos-2
GIFT-Eval, MASE	0,658	0,661	0,667	0,698
GIFT-Eval, CRPS	0,446	0,452	0,456	0,485
TIME, MASE	0,626	0,637	0,640	0,662
TIME, CRPS	0,522	0,534	0,536	0,556

Według Mistral wariant 209M zajmuje pierwsze miejsce w GIFT-Eval, TIME i fev-bench wśród modeli wytrenowanych wstępnie, używanych bez adaptacji (zero-shot), z jednym punktem kontrolnym i bez łączenia modeli w zespół, a także przewyższa poprzedni najlepszy model, mając dwie trzecie jego liczby parametrów; różnice w czołówce pozostają niewielkie, a mały wariant 28M już pokonuje około czterokrotnie większy Chronos-2 w GIFT-Eval i TIME. Timestral nie potrzebuje GPU: na procesorze serwerowym z 8 wątkami prognozowanie jednej doby na podstawie trzech tygodni historii z krokiem 15 minut zajmuje 10 ms w przypadku 5M i 140 ms w przypadku 209M. Wagi są dostępne na Hugging Face na „zmodyfikowanej licencji MIT”, która wyklucza firmy o skonsolidowanych miesięcznych przychodach przekraczających 20 milionów dolarów, kod jest na GitHub na licencji Apache-2.0, a dokumentacja przedstawia Timestral 1.0 jako publiczną wersję zapoznawczą; Mistral Forge umożliwia fine-tuning na danych własnościowych, z możliwością wdrożenia bez połączenia z siecią.

🔗 Przedstawiamy Timestral (Mistral) · Timestral-209M na Hugging Face

Step 5 Preview: StepFun publikuje otwarty MoE o 600 miliardach parametrów do zadań agentowych trwających 24 godziny, według NVIDIA

15 października — NVIDIA z uznaniem przyjmuje premierę Step 5 Preview, który jej konto @NVIDIAAI przedstawia jako największy model z otwartymi wagami udostępniony przez StepFun: mieszankę ekspertów o 600 miliardach parametrów, zaprojektowaną do zadań agentowych mogących trwać do 24 godzin. NVIDIA zapowiada niemal 8 000 tokenów na sekundę na GPU na GB300 w NVFP4, z punktem kontrolnym NVFP4 opublikowanym na Hugging Face, instrukcjami wdrożenia dla SGLang i vLLM, post-trainingiem z NeMo AutoModel oraz NIM uruchamianym jednym poleceniem. Wpis NVIDIA nie podaje żadnego benchmarku ani licencji.

🔗 Wpis @NVIDIAAI

Apertus 1.5: Swiss AI opisuje w pełni otwarte modele 8B i 70B, z obsługą obrazu, dźwięku i kontekstem 262 144 tokenów

15 października — Szwajcarska inicjatywa Swiss AI publikuje informacje o wydaniu i raport techniczny Apertus 1.5, swojej rodziny w pełni otwartych modeli. Wagi 8B i 70B były dostępne online od 24 lipca na licencji Apache 2.0; raport udostępnia także pośrednie punkty kontrolne (base, SFT, RLVR, DPO), mieszanki danych i karty oceny, aby inni badacze mogli analizować wpływ każdej fazy treningu.

Model Apertus 1.5	Dodane tokeny treningu wstępnego	Łączna liczba tokenów
8B	4 000 miliardów	19 000 miliardów
70B	2 000 miliardów	17 000 miliardów

Obraz i dźwięk przechodzą przez tokenizer, bez osobnego enkodera: obraz o wymiarach 512 × 512 pikseli staje się 1 024 tokenami, a sekunda dźwięku 40 tokenami, dzięki czemu trening przebiega z taką samą szybkością jak przy samym tekście; modele rozumieją obraz i dźwięk, ale generują wyłącznie tekst, a obsługa dźwięku pozostaje eksperymentalna. Zyskują też opcjonalny tryb rozumowania i czterokrotnie dłuższy kontekst, obejmujący 262 144 tokeny. Autorzy przyznają, że nadal pozostają za najlepszymi otwartymi modelami, wskazując jednocześnie, że wariant 8B wyprzedza modele swojej wielkości w wykonywaniu instrukcji i obsłudze wielu języków, bez podawania wyników liczbowych we wpisie. Wyniki są publikowane w formacie Every Eval Ever, zaprojektowanym z myślą o zgodności z unijnym AI Act.

🔗 Informacje o wydaniu Apertus 1.5 (Hugging Face)

Jev 1.14: TypeSafe udostępnia w wersji zapoznawczej obrazy, pytania Box i czterokrotnie dłuższy kontekst

14 października — TypeSafe ogłasza Jev 1.14, nową wersję swojego modelu decyzyjnego, przedstawianą jako „nowa i ulepszona”, bez danych liczbowych na poparcie tego stwierdzenia. Towarzyszą jej trzy funkcje eksperymentalne: obrazy, które można umieszczać wszędzie tam, gdzie dotychczas trafiał tekst, i które stają się dostępne także w obecnym Jev; nowy typ pytania System One, Box, który zwraca ramkę obiektu na obrazie w postaci czterech krawędzi wyrażonych jako ułamki szerokości i wysokości obrazu; oraz czterokrotnie dłuższy kontekst, choć TypeSafe nadal zaleca jego ograniczanie. Funkcje te pozostają w wersji zapoznawczej, według TypeSafe nie są jeszcze gotowe do zastosowań produkcyjnych, i włącza się je nagłówkiem TypeSafe-Danger-Zone-Images: true; pytania Box wymagają Jev 1.14, wywoływanego za pomocą jev-preview lub jev-1.14.0. Zed z uznaniem przyjął premierę, przytaczając Wesa Bosa, który wylicza koszt pytania dotyczącego obrazu o wymiarach 850 × 850 pikseli na 0,000096936 dolara, czyli około 10 000 obrazów za dolara: to obliczenie Wesa Bosa, a nie stawka opublikowana przez TypeSafe.

🔗 Ogłoszenie TypeSafe · Dokumentacja Box

AI w nauce: CERN i Mistral planują Large Physics Model, Sakana AI przedstawia The Agentic Scientist, OpenAI finansuje matematyków

Trzy sposoby wykorzystania AI w badaniach: model bazowy dla fizyki zderzaczy, nadzorowani agenci programistyczni prowadzący badania od początku do końca oraz środki na to, by matematycy weryfikowali wyniki uzyskane przez AI.

CERN i Mistral łączą siły, by opracować Large Physics Model

15 października — CERN i Mistral podpisały deklarację intencji (statement of intent) dotyczącą długoterminowego partnerstwa strategicznego poświęconego modelom bazowym na potrzeby odkryć naukowych. W centrum projektu znajduje się jeden wstępnie wytrenowany Large Physics Model, który CERN przedstawia jako pierwszy model bazowy dla fizyki zderzaczy, trenowany na miliardach symulowanych zderzeń proton–proton w Wielkim Zderzaczu Hadronów (LHC). Ma służyć do wielu zadań jednocześnie: rekonstrukcji zderzeń, identyfikowania cząstek, wykrywania nieoczekiwanych sygnałów i oceny przyszłych projektów detektorów, podczas gdy obecnie analiza przebiega przez łańcuch wyspecjalizowanych algorytmów. CERN zgromadził już około jednego eksabajta (miliona terabajtów) danych eksperymentalnych z LHC, a liczba zderzeń ma wzrosnąć dziesięciokrotnie wraz z LHC o wysokiej świetlności (HL-LHC), planowanym na około 2030 rok. Komunikat przytacza Enricę Porcari, dyrektorkę ds. informatyki w CERN, oraz Johannesa Brandstettera, wiceprezesa ds. AI w inżynierii w Mistral, ale nie podaje kwoty, harmonogramu ani zasobów obliczeniowych.

🔗 Komunikat CERN · Wątek @MistralAI

The Agentic Scientist: Sakana AI nadzoruje agentów programistycznych, by prowadzili badania od początku do końca

15 października — Sakana AI przedstawia The Agentic Scientist, nową generację swojego AI Scientist, projektu, który od 2024 roku sprawdza, jak daleko AI może samodzielnie poprowadzić badania. Punktem wyjścia jest następująca obserwacja:

Coding agents such as Codex and Claude Code now carry out long software tasks on their own. Handing them a research problem, however, tends to produce a strong hyperparameter optimizer rather than a scientist: scores go up, but ideas stay narrow, and the reasons for the gain are rarely examined.

🇵🇱 Agenci programistyczni tacy jak Codex i Claude Code samodzielnie wykonują już długotrwałe zadania związane z oprogramowaniem. Powierzenie im problemu badawczego daje jednak raczej znakomitego optymalizatora hiperparametrów niż naukowca: wyniki rosną, lecz pomysły pozostają wąskie, a przyczyny poprawy rzadko są badane. — @SakanaAILabs na X

Odpowiedzią jest struktura zbudowana wokół istniejących agentów programistycznych (Codex, Claude Code, OpenCode, Pi): równolegle działający agenci testują hipotezy według kryteriów oceny ustalonych przed jakimkolwiek eksperymentem, dzielą się sukcesami i porażkami we wspólnej pamięci, a następnie system przechodzi przez próby referencyjne, badania ablacyjne, zamkniętą ocenę końcową i analizy, aż do napisania artykułu. Sakana AI oceniła go na 5 tematach z użyciem 9 modeli (4 GPT, 4 Claude, 1 DeepSeek) i 4 harnessów, co dało 14 kombinacji model–harness i 70 kampanii badawczych: nowsze modele tworzą lepsze artykuły, a wybór harnessu ma mniejsze znaczenie niż wybór modelu. Wersja rozwojowa współtworzyła z badaczami artykuł o Error Diffusion, regule uczenia inspirowanej biologią, przyjęty do prezentacji ustnej na ALIFE 2026; w wyszukiwaniu faktów w długich dokumentach (Doc-to-LoRA) system zwiększa dokładność z 52 % do 98 % bez ponownego treningu modelu. Kod jest otwarty na licencji Apache 2.0; Sakana AI przypomina, że ludzie nadal muszą wybierać pytania i weryfikować twierdzenia, a agenci działają z pełnymi uprawnieniami, przy czym zalecany jest Docker.

🔗 Wpis Sakana AI · Artykuł na arXiv · Repozytorium AI-Scientist-v3

OpenAI przekazuje 5 milionów dolarów na inicjatywę Simons Foundation dla matematyków

15 października — OpenAI ogłasza wkład w wysokości 5 milionów dolarów w nową inicjatywę Simons Foundation, której celem jest pomoc matematykom w analizowaniu, rozumieniu i rozwijaniu wyników uzyskanych przez AI, w tym tych niedawno opublikowanych przez OpenAI. 6 października firma udostępniła 722 manuskrypty z wynikami matematycznymi pochodzącymi z wewnętrznego, nieudostępnionego modelu, ostrzegając, że niektóre niesformalizowane wyniki mogą zawierać błędy. Fundacja będzie zarządzać środkami i je przydzielać, a posłużą one do organizacji warsztatów, konferencji i programów specjalnych; OpenAI zapewni ponadto badaczom wspieranym przez Simons Foundation dostęp do swoich modeli i zasobów obliczeniowych. Wpis odwołuje się do wpisu Simons Foundation, która przeznacza łącznie 15 milionów dolarów na warsztaty i inicjatywy, zapewniając bezpłatne zasoby obliczeniowe wspieranym przez siebie badaczom w ramach nowych partnerstw z Anthropic i OpenAI. Ogłoszenie, opublikowane w zwykłym wpisie na X, nie podaje nazwy inicjatywy ani jej harmonogramu.

🔗 Ogłoszenie OpenAI · 722 manuskrypty z 6 października (OpenAI)

Claude Opus 5.5: tryb szybki wychodzi z badawczej wersji zapoznawczej, w cenie 8 i 40 dolarów za milion tokenów

15 października — Tryb szybki (fast mode) Claude Opus 5.5 wychodzi z badawczej wersji zapoznawczej na Claude Platform, bez listy oczekujących. To ten sam model, z tymi samymi wagami, udostępniany z nawet 2,5-krotnie większą liczbą tokenów wyjściowych na sekundę i rozliczany według dwukrotności standardowej stawki Opus 5.5. Żądania nie potrzebują już nagłówka beta fast-mode-2026-02-01 (te, które nadal go wysyłają, pozostają akceptowane), a każdy poziom użytkowania ma teraz domyślny limit przepustowości dla tego trybu, oddzielny od limitu Opus przy standardowej szybkości.

Model Claude w trybie szybkim	Status na 15 października	Cena za milion tokenów (wejście / wyjście)
Opus 5.5	Dostępny, bez listy oczekujących i nagłówka beta	8 / 40 dolarów (4 / 20 przy standardowej szybkości)
Opus 5	Badawcza wersja zapoznawcza, wymagany nagłówek beta	10 / 50 dolarów
Opus 4.8	Badawcza wersja zapoznawcza, wymagany nagłówek beta	10 / 50 dolarów

Poprawa dotyczy przepustowości wyjściowej, a nie czasu do pierwszego tokenu, a zmiana szybkości unieważnia cache promptu; tryb pozostaje niedostępny w API Batch. Jest też oferowany w Microsoft Foundry dla wdrożeń hostowanych w Azure, co potwierdza już dokumentacja; według @ClaudeDevs Google Cloud ma dołączyć w następnej kolejności, a tryb pozostaje niedostępny w Amazon Bedrock i Claude Platform on AWS. W Claude Code nic się nie zmienia: tryb szybki nadal zużywa dodatkowe kredyty za użytkowanie.

🔗 Ogłoszenie @ClaudeDevs · Dokumentacja trybu szybkiego

Biblioteki Hugging Face: Transformers 5.20.0 i TRL 1.16.0 dodają obsługę Muse Spark Open

Dwie flagowe biblioteki Hugging Face ukazują się w dniu premiery Muse Spark Open i dodają jego obsługę, każda z własnymi nowościami.

Transformers 5.20.0: siedem dodanych modeli i kwantyzacja podczas eksportu

15 października — Hugging Face publikuje Transformers 5.20.0, wydanie napędzane pojawieniem się Muse Spark Open, obsługiwanego już w dniu premiery. Do biblioteki trafia sześć innych modeli.

Model dodany do Transformers	Wydawca modelu	Cecha techniczna
Muse Spark Open	Meta	Multimodalny MoE, 816 miliardów parametrów, w tym 42 miliardy aktywnych
Ling 3.0 Flash	InclusionAI	Hybrydowy MoE, pięć warstw Kimi Delta Attention na jedną warstwę MLA
Kolibri 1	Aleph Alpha	Niemiecko-angielski MoE do rozumowania, 6 ekspertów z 384 na token
MiniCPM-V 4.7	OpenBMB	Pozycje canvas M-RoPE dla obrazów i wideo
UnlimitedOcr	Baidu	OCR o 3 miliardach parametrów, stały cache KV
UltraBERT	DMIS Lab	Enkodery o liczbie parametrów 150M i 380M, kontekst 32K tokenów
MOSS-Transcribe-Diarize	OpenMOSS	0,9 miliarda parametrów, transkrypcja i diaryzacja w ponad 50 językach

Jeśli chodzi o narzędzia, eksportery potrafią teraz wykonywać kwantyzację podczas eksportu do ONNX, OpenVINO lub ExecuTorch, a punkty kontrolne treningów FSDP połączonych z równoległością tensorową można wczytywać w innej konfiguracji. Hugging Face ostrzega jednak przed regresją szybkości inferencji przy równoległości ekspertów, nad której usunięciem trwają prace, oraz przed kilkoma zmianami łamiącymi zgodność, w tym usunięciem metod cache oznaczonych jako przestarzałe.

🔗 Informacje o wydaniu Transformers 5.20.0

TRL 1.16.0: trening na AWS Trainium i przyspieszenie AsyncGRPO nawet 3,1 raza

15 października — TRL 1.16.0 otwiera bibliotekę treningową Hugging Face na układy Trainium od AWS: nowe ustawienie domyślne zapobiega ponownej kompilacji na Trainium przy każdej nowej długości sekwencji, co skraca o połowę czas krótkiego treningu testowego — 20 kroków SFT modelu Qwen3-0.6B na Trainium2 ukończono w 130 sekund zamiast 260. Druga nowość dotyczy uczenia agentów ze wzmocnieniem: w generowanych trajektoriach (rollouts) obejmujących wiele tur lub wiele generacji ten sam początek rozmowy powtarza się w kolejnych wierszach, a AsyncGRPO organizuje je teraz w drzewo prefiksów, aby obliczać wspólny początek tylko raz. W przypadku Qwen3-1.7B, przy 32K tokenów na trajektorię, przyspieszenie sięga 3,10 raza, a szczytowe zużycie pamięci spada z 35,2 do 13,5 Gio; bez wspólnego prefiksu narzut wynosi około 1%. Wersja obsługuje też Muse Spark Open, który można dostrajać metodą LoRA na 64 GPU H100 (14,2 sekundy na krok, 40,2 Go na GPU), oraz GPU AMD w asynchronicznych trenerach.

🔗 Informacje o wydaniu TRL 1.16.0

GPT-Live-1.1: nowe głosy i bardziej naturalne akcenty w ChatGPT, Codex i dots

15 października — OpenAI aktualizuje swój model głosowy. GPT-Live-1.1 i jego mniejszy wariant GPT-Live-1.1 Quip, przedstawiany jako wersja mini modelu, trafiają do trybu głosowego ChatGPT, Codex i dots, stale działających agentów uruchomionych 29 września, oferując bardziej naturalne akcenty w różnych językach. Model bardziej różnicuje też krótkie wypowiedzi towarzyszące rozpoczynaniu wyszukiwania: OpenAI podsumowuje tę poprawę jako „mniej sprawdzam…”.

Sześć języków zyskuje nowe głosy Live: francuski, niemiecki, hindi, japoński, koreański i meksykańska odmiana hiszpańskiego. Dochodzi do nich anglojęzyczny głos o nazwie Bubbie; dostępne głosy mogą się różnić zależnie od regionu i konta, a wybiera się je w Settings > Voice. Aktualizacja jest wdrażana od 15 października dla wszystkich użytkowników i „wkrótce” trafi do API, w którym GPT-Live-1 jest dostępny od 10 września w cenie 0,05 dolara za minutę. OpenAI nie publikuje benchmarków ani informacji o dostępności GPT-Live-1.1 i Quip w poszczególnych planach.

🔗 Ogłoszenie OpenAI · Informacje o wydaniach ChatGPT

Universal Cart: Google uruchamia w Stanach Zjednoczonych wspólny koszyk dla Google Search i aplikacji Gemini

15 października — Google uruchamia Universal Cart w Stanach Zjednoczonych. Ten „inteligentny” koszyk zakupowy, zaprezentowany po raz pierwszy podczas Google I/O w maju, trafia zarówno do Google Search, w tym AI Mode, jak i do aplikacji Gemini: produkt dodany w jednym z tych interfejsów pozostaje w tym samym koszyku niezależnie od sklepu. Wpis podaje przykład torby dodanej w AI Mode, a następnie swetra i błyszczyka dodanych w aplikacji Gemini, które później można znaleźć razem.

Funkcja Universal Cart	Co oferuje według Google
Koszyk obejmujący wiele sklepów	Jeden koszyk zachowywany między interfejsami Google
Alerty o cenach i dostępności	Obniżki cen i ponowna dostępność produktów z ponad 60 miliardów wpisów w Shopping Graph
Wsparcie Google Wallet	Korzyści z zapisanych kart ułatwiające wybór metody płatności, odpowiednie kody rabatowe
Płatność za zakupy	Google Pay z poziomu koszyka (Universal Commerce Protocol) lub przekierowanie do witryny sprzedawcy

Płatność bezpośrednia działa w Nike, Sephora, Target, Ulta Beauty, Walmart, Wayfair i u wielu sprzedawców Shopify; w każdym przypadku to sklep pozostaje sprzedawcą i odpowiada za potwierdzenia oraz obsługę klienta. Google zalicza narzędzie do funkcji pozostawiających kontrolę kupującemu, obok prac nad możliwościami agentowymi, które działają w jego imieniu. Nie podano daty udostępnienia w innych krajach.

🔗 Universal Cart (blog Google)

Manus Automations: zadania cykliczne uruchamiane według harmonogramu lub przez wyzwalacz

15 października — Manus uruchamia Automations, które przełącza powtarzalną pracę „na autopilota”: użytkownik opisuje, kiedy zadanie ma się rozpocząć i jak powinien wyglądać wynik. Dostępne są trzy sposoby uruchamiania: harmonogram, na przykład w każdy dzień roboczy o 8:00; wyzwalacz powiązany z podłączoną aplikacją, jak nadejście faktury w Gmail; oraz, w wersji beta, zaawansowana automatyzacja łącząca wiele źródeł i warunków opisanych przez użytkownika. Funkcja rozwija Scheduled Tasks 2.0 z maja oraz automatyzacje uruchamiane zdarzeniami, zapowiedziane wraz z Manus 2.0 28 września. Wątek nie precyzuje wymaganego planu ani kosztu w kredytach.

🔗 Ogłoszenie Manus

W skrócie

Agenci i narzędzia do programowania

Informacje o wydaniu Devin z 14 października — W przeddzień premiery Devin Oncall Devin dodaje Splunk, Elastic, Dynatrace, Chronosphere i Google Cloud Monitoring jako pluginy do obserwowalności, rolę Review manager umożliwiającą zarządzanie regułami przeglądu bez uprawnień administratora oraz eksport wyników code scan w formacie SARIF 2.1.0, obok CSV. 🔗 źródło
Warp i jego fabryki oprogramowania — W dwóch wpisach o metodach pracy, bez nowych funkcji, założyciel Warp Zach Lloyd informuje, że w ciągu sześciu tygodni obniżył koszt jednego PR w swoim zespole z 80 do 20 dolarów, przy mniejszej liczbie wycofań zmian i przepustowości PR o 40% większej niż w poprzednim miesiącu. 🔗 źródło
Qwen Code v0.25.2 — Wersja staje się stabilna dwa dni po wydaniu przedpremierowym z 13 października, obejmując 68 pull requestów nieobecnych w tamtym wydaniu, w tym 11 funkcji (przeciąganie i upuszczanie plików w Web Shell, przegląd wiadomości MCP Apps przed wysłaniem, anulowanie zadań workflow i trwałe przechowywanie danych w 32 tabelach dla Managed Agent) oraz 38 poprawek. 🔗 źródło
Copilot CLI 1.0.99 w wersji przedpremierowej — Dwa wydania przedpremierowe w ciągu dnia, bez wersji stabilnej: sandbox domyślnie zezwala na dostęp do sieci lokalnej, /share otwiera menu pełnoekranowe, pluginy z zaufanych repozytoriów instalują się automatycznie, a zweryfikowane Skills i pluginy można instalować z linku GitHub. 🔗 źródło
SDK Antigravity 0.1.22 — Dodaje orkiestrację dynamicznych workflow i skills definiowane w pamięci: w uzupełnieniu informacji z 11 października SDK dla Pythona udostępnia w wersji beta typowane komponenty (phase, agent, parallel, pipeline) do pisania workflow agentów, skills deklarowane bez pliku (InlineSkill) oraz limit tokenów wyjściowych na krok przekraczający 64k tokenów. 🔗 źródło
google/adk-recipes — Zrestrukturyzowany następca adk-samples, repozytorium przykładów Agent Development Kit od Google, jest teraz projektowany z myślą o asystentach programistycznych: każdy przepis zawiera manifest.yaml i AGENTS.md, pierwszy plugin branżowy jest przeznaczony dla handlu detalicznego, a Horizon służy jako referencyjny harness dla agentów pracujących przez wiele dni. 🔗 źródło
DeepSeek Harness 0.2.1-alpha.4 — 28. wydanie przedpremierowe, nadal bez wersji stabilnej: poziom wysiłku rozumowania można ustawiać oddzielnie dla każdego modelu korzystającego z niestandardowych API, bezpośrednio w interfejsie, a pluginy można instalować z niestandardowych indeksów; tego samego dnia FlashMLA przechodzi na stabilny interfejs binarny CPython i LibTorch. 🔗 źródło
Trzy modele znikną z Copilot 16 listopada — Claude Opus 4.8 i Claude Opus 5, które należy zastąpić Claude Opus 5.5, oraz GPT-5.6 Terra, który należy zastąpić GPT-6.1 Sol lub GPT-6 Luna; indywidualni abonenci planu rocznego zachowują Claude Opus 4.8, a modele zastępcze włączają się automatycznie w planach Business i Enterprise. 🔗 źródło

Asystenci, firmy i poradniki

Genspark w komunikatorach — Do @genspark_ai można napisać w iMessage, WhatsApp, Slack lub LINE, aby podsumować PDF lub stworzyć prezentację, a wynik wraca do tej samej rozmowy; nie podano planu ani ceny. 🔗 źródło
Kimi Work 3.2.17 i trzeci samouczek — Trzy dni po wersji 3.2.16 w rozmowach wyświetlane są obrazy, a zdalne sterowanie umożliwia wybór trybu Agent Swarm; Moonshot AI publikuje też trzeci film wprowadzający, poświęcony automatyzacji przepływów pracy, bez przedstawiania którejkolwiek funkcji jako nowości. 🔗 informacje o wydaniu · 🔗 samouczek
Stypendia Anthropic — Do 28 października można składać zgłoszenia do STEM Fellows oraz nowego programu stypendialnego Conceptual Reasoning Fellows (filozofia, kognitywistyka, ekonomia, polityka publiczna, prawo): cztery miesiące w pełnym wymiarze czasu, od 12 stycznia do 8 maja 2027, z wynagrodzeniem od 100 000 do 167 000 dolarów; wymagane zezwolenie na pracę w USA. 🔗 źródło
Compliance API w Claude Enterprise — API w wersji beta udostępnia administratorom osobiste instrukcje zapisane przez każdego członka w claude.ai i Cowork; dzień wcześniej wdrożenia Managed Agents według harmonogramu trafiły do Claude Platform on AWS. 🔗 źródło
Block i OpenAI Daybreak — W studium przypadku OpenAI z 14 października zespół bezpieczeństwa Block (Square, Cash App, Afterpay) informuje, że podczas ćwiczeń z symulowanymi atakami skrócił do 18 minut czas od zgłoszenia podatności do zaproponowania poprawki i odzyskał około 600 godzin pracy analityków na kwartał. 🔗 źródło
AI for Educators w brazylijskiej odmianie portugalskiego — Z okazji Dnia Nauczyciela OpenAI udostępnia tę wersję swojego bezpłatnego kursu na OpenAI Academy, przeznaczonego dla nauczycieli od szkół podstawowych po uczelnie, i przypomina o Study Mode w ChatGPT. 🔗 źródło
Superwhisper Meetings — Superwhisper wprowadza narzędzie do nagrywania spotkań i sporządzania notatek, przedstawiane jako pierwsze działające w całości lokalnie, oparte na Tiny Aya i Cohere Transcribe; nie podano ceny ani obsługiwanych platform. 🔗 źródło
Trzy poradniki Cohere — Bez nowego produktu ani nowych danych liczbowych Cohere publikuje wpisy o AI u operatorów z sektora energetyki i usług komunalnych, z naciskiem na North, o rozprzestrzenianiu się agentów w przedsiębiorstwach, z pomysłem rywalizacji między agentem pretendentem a agentem już używanym, oraz o mierzeniu zwrotu z inwestycji. 🔗 usługi komunalne · 🔗 agenci · 🔗 ROI
Poradnik Perplexity o badaniach — Poradnik omawia 12 fundamentalnych publikacji z dziedziny AI i sześć najnowszych prac, porównuje narzędzia wspomagające badania i proponuje schemat w siedmiu krokach; brak nowych funkcji. 🔗 źródło

Media generatywne

Suno — Dwie funkcje współpracy: obszary robocze współdzielone w trybie odczytu lub edycji wyłącznie z zaproszonymi osobami (Pro i Premier) oraz niestandardowe modele, które można udostępniać współpracownikom i dostrajać za pomocą dwukrotnie większej liczby materiałów wejściowych (Premier). 🔗 źródło
Eleven v4 w ślepych testach — ElevenLabs twierdzi, że słuchacze uznali Eleven v4 za bardziej ekspresyjny od innych modeli głosowych w każdym teście przeprowadzonym metodą ślepej próby w ośmiu językach, nie wymieniając w tekście konkurentów ani nie podając wyników punktowych. 🔗 źródło
Shot Coverage od Luma — Funkcja tworzy z jednego ujęcia wideo kilka ujęć z różnych perspektyw ruchomej kamery, które można wykorzystać w montażu; ogłoszenie nie podaje modelu, ceny ani daty udostępnienia. 🔗 źródło
HeyGen i Jan Hotovec — HeyGen prezentuje historię Jana Hotovca, który ma mózgowe porażenie dziecięce i wraz z Fameplay i Nolimi stworzył awatara o swoim wyglądzie i głosie, aby opowiedzieć o swoim życiu własnymi słowami. 🔗 źródło

Badania, moc obliczeniowa i infrastruktura

NVIDIA i AI in Science Enablers Initiative — Podczas AI in Science Summit w Dublinie NVIDIA dołącza do inicjatywy Komisji Europejskiej, oferując swoje otwarte modele, hub z otwartymi materiałami dydaktycznymi Deep Learning Institute oraz dostęp do mocy obliczeniowej za pośrednictwem krajowych AI factories; nie podano kwoty. 🔗 źródło
NVIDIA w krajach nordyckich — Przed GTC Berlin NVIDIA podsumowuje swój nordycki ekosystem: superkomputer Sferical One (1 152 GPU GB300), 1 gigawat mocy chmury AI planowany do końca 2027 roku oraz Stockholm AI Lab z fundacją Norrsken w 2027 roku; keynote GTC Berlin zaplanowano na 21 października. 🔗 źródło
Tokenizacja BERT 50 razy szybsza — Simon Brandeis z Hugging Face wyjaśnia, jak nadchodząca wersja 1.0 tokenizers sprawia, że tokenizer BERT jest około 50 razy szybszy niż w wersji 0.23 dzięki oddzielnemu przetwarzaniu znaków ASCII; zmiany nadal podlegają przeglądowi. 🔗 źródło

GitHub poza AI

Koniec e-maili o zdarzeniach push — GitHub nie wysyła już powiadomień e-mail o zdarzeniach push w repozytoriach, które mogły służyć do rozsyłania spamu, i odsyła do workflow GitHub Actions z własnym serwerem SMTP. 🔗 źródło
Licencje GitHub Code Quality — Raport CSV wymienia każdego aktywnego committera korzystającego z licencji oraz repozytoria, w których wprowadzał zmiany w ciągu 90 dni, aby ułatwić znalezienie licencji do zwolnienia w GitHub Team i Enterprise Cloud. 🔗 źródło

Co to oznacza

Modele otwarte osiągają coraz większą skalę, a ich ekosystem dotrzymuje im teraz kroku już od pierwszego dnia. Muse Spark Open debiutuje z siedmioma dostawcami API, wagami NVFP4 przygotowanymi przez Meta i natychmiastowym wsparciem w Transformers, TRL, mlx-lm i Unsloth; Nemotron 3.5 Super VL udostępnia wagi, dane i przepisy treningowe; FLUX 3 Image Klein trafia do Diffusers i ComfyUI w dniu premiery. Jednak „otwartość” oznacza bardzo różne warunki: Muse Model License ogranicza zastosowania komercyjne, licencja FLUX Kommunity jest bezpłatna tylko przy rocznych przychodach poniżej 5 milionów dolarów, licencja wag Timestral wyklucza firmy osiągające ponad 20 milionów dolarów miesięcznie, natomiast Apertus 1.5 udostępnia swoje wagi na licencji Apache 2.0 wraz z danymi treningowymi. Deklaracja Meta o prymacie przypomina wreszcie, że rywalizacja toczy się także między krajami: Muse Spark Open przedstawia się jako najlepszy amerykański model otwarty, ale GLM 5.3 i Kimi K3 nadal go wyprzedzają w indeksie Artificial Analysis i w programowaniu.

Cyberbezpieczeństwo staje się obszarem, w którym AI znajduje i usuwa luki na dużą skalę. Cohere, przejmując AISLE, zyskuje doświadczenie obejmujące według deklaracji ponad 500 wcześniej nieznanych podatności, GitHub udostępnia powszechnie AI Scan dla języków, których CodeQL nie obsługuje, oraz autofix, który ponownie uruchamia CodeQL, aby zweryfikować własną poprawkę, a Block deklaruje skrócenie do 18 minut czasu od wykrycia luki do zaproponowania poprawki podczas ćwiczeń z symulowanymi atakami. Narzędzia te pozostają pod kontrolą człowieka: wyniki AI Scan mają charakter doradczy, autofix otwiera pull request w wersji roboczej, a Code Review w Claude Code ani nie zatwierdza, ani nie blokuje scalenia. Drugą stroną tego zagadnienia jest izolacja samych agentów: SPACE, obecnie dostępny jako open source, przechowuje dane uwierzytelniające i obsługuje ruch wychodzący poza maszyną wirtualną, a IPI Black płaci atakującym za pomiar odporności agentów na pośrednie wstrzykiwanie promptów.

Zaufanie wymaga też spojrzenia z zewnątrz. Zapewniając sześciu osobom z METR dostęp porównywalny z dostępem pracownika, bez zastrzegania sobie prawa weta wobec ich publikacji, Anthropic wykracza poza jednorazowy audyt i porównuje ten mechanizm do stałych inspektorów w dużych bankach. Ten sam wymóg weryfikacji przenika badania: Sakana AI ustala kryteria oceny przed rozpoczęciem jakichkolwiek eksperymentów, aby agenci programistyczni nie poprzestawali na optymalizacji wyniku, a OpenAI za pośrednictwem Simons Foundation finansuje matematyków mających sprawdzać wyniki uzyskane przez AI, po opublikowaniu 722 manuskryptów 6 października. CERN i Mistral przedstawiają najszersze ambicje: Large Physics Model trenowany na miliardach symulowanych zderzeń, ale bez podania kwoty ani harmonogramu.

W przypadku narzędzi kompromis między kosztem, szybkością a jakością staje się wyraźny. W OpenAI GPT-6.1 Sol z poziomem wysiłku Ultra odtwarza 92 % ustaleń GPT-6 Astra Ultra przy 14 % kosztu; szybki tryb Opus 5.5 oferuje 2,5 razy większą przepustowość za dwukrotnie wyższą cenę; Code Review nalicza opłaty za zużyte tokeny w ramach miesięcznego limitu. Agenci wkraczają też do zadań wykonywanych bez nadzoru: Devin Oncall przejmuje dyżury, Claude Code 2.1.301 przestaje czekać na odległy limit użycia i rejestruje każdy werdykt swojego klasyfikatora, a tryb Auto w Antigravity CLI powierza odrębnemu agentowi przegląd poleceń, które miałyby zostać wykonane poza sandboxem. Benchmarki z trudem dotrzymują tempa: w SREGym-Lite zarówno Devin Oncall, jak i CloudThinker osiągają 100 % z GPT-6 Astra.