ai-powered-markdown-translatorArtykuł przetłumaczony z francuskiego na polski za pomocą gpt-6.1-sol.
OpenAI wprowadza GPT-6.2 Astra i GPT-6.2 Sol, które osiągają lepsze wyniki przy mniejszej liczbie tokenów: Astra uzyskuje 78,3 % w Agents’ Last Exam przy koszcie niższym niż jedna trzecia kosztu GPT-6 Astra, a oba modele tego samego dnia trafiają do GitHub Copilot i Perplexity. NVIDIA publikuje wyniki kwartalne z przychodami na poziomie 115,8 miliarda dolarów, pierwsze od odejścia Jensena Huanga 12 listopada, a Microsoft wprowadza MAI Code 2 w Copilot podczas Ignite. Perplexity udostępnia Orchestrator API, Cognition i Replit wprowadzają agentów, którzy dążą do wyznaczonego celu (Devin Bots, Replit Missions), a Google udostępnia Tasks w Gemini bezpłatnie w sześciu krajach.
GPT-6.2 Astra i GPT-6.2 Sol: lepsze wyniki przy mniejszej liczbie tokenów, w ChatGPT Work, Codex i API
17 listopada — OpenAI wprowadza GPT-6.2 Astra i GPT-6.2 Sol, następców GPT-6 Astra i GPT-6.1 Sol. Astra staje się najbardziej zaawansowanym modelem do najbardziej wymagających projektów, a Sol wszechstronnym modelem do codziennego użytku. Motywem przewodnim ogłoszenia jest efektywność: lepsze wyniki przy mniejszej liczbie tokenów wyjściowych, a więc więcej zadań w tych samych limitach użytkowania i znacznie niższy koszt zadania.
W Agents’ Last Exam v1.1, który ocenia wieloetapową pracę zawodową, GPT-6.2 Astra osiąga 78,3 % przy koszcie 2,89 dolara za zadanie: o 5,2 punktu więcej niż GPT-6 Astra przy koszcie niższym niż jedna trzecia jego kosztu oraz o 5,5 punktu więcej niż Claude Fable 5.2 przy 5 % jego kosztu. Prowadzi również w Terminal-Bench-Science (77,1 %, +9 punktów względem GPT-6 Astra), Harvey LAB-AA (ponad dwukrotnie lepszy wynik niż Fable 5.2) i wewnętrznym GDPval v2 OpenAI (+6,2 punktu przy o 22 % mniejszej liczbie tokenów wyjściowych), a także zajmuje pierwsze miejsce z wynikiem 1 318 Elo w AA-3D, rankingu modeli 3D opartym na preferencjach ludzi w ślepej ocenie. Wykresy we wpisie pokazują jednak, że Claude Fable 5.2 pozostaje na prowadzeniu w Artificial Analysis Intelligence Index (64,6 wobec 62,1) oraz FrontierCode 2.0 od Cognition (49,1 % wobec 44,2 %). GPT-6.2 Sol uzyskuje w FrontierCode 2.0 wynik gorszy od Astry o mniej niż 0,5 punktu (43,8 % wobec 44,2 %) przy koszcie wynoszącym około jednej piątej jej kosztu, a w LifeVal przewyższa GPT-6 Astra przy koszcie wynoszącym około jednej siódmej jego kosztu.
| Oceniany benchmark | GPT-6.2 Astra | GPT-6.2 Sol | GPT-6 Astra | GPT-6.1 Sol | Claude Fable 5.2 | Gemini 4 Carbon |
|---|---|---|---|---|---|---|
| Agents’ Last Exam v1.1 | 78,3 % | 73,0 % | 73,1 % | 72,5 % | 72,8 % | 77,4 % |
| Koszt zadania (Agents’ Last Exam) | 2,89 dollars | 1,32 dollar | 8,99 dollars | 2,02 dollars | 60,05 dollars | 4,60 dollars |
| Terminal-Bench-Science 0.1 | 77,1 % | 68,0 % | 68,1 % | 57,0 % | 73,3 % (AA) | — |
| AA Intelligence Index v5.0.1 | 62,1 | 57,3 | 56,9 | 54,6 | 64,6 | 60,0 |
| FrontierCode 2.0 (Cognition) | 44,2 % | 43,8 % | 42,8 % | 39,0 % | 49,1 % (xhigh) | 41,1 % (medium) |
| Harvey LAB-AA v1.1 | 15,0 % | 11,1 % | 8,6 % | 6,9 % | 7,2 % | — |
| GDPval v2 (wewnętrzny) | 50,4 % | 46,9 % | 44,2 % | 41,5 % | 44,8 % | 48,8 % (high) |
Najlepsza konfiguracja pokazana przez OpenAI dla każdego modelu, z maksymalnym poziomem wysiłku, chyba że zaznaczono inaczej (GPT-6.2 Astra na poziomie xhigh i Gemini 4 Carbon na poziomie high w Agents’ Last Exam, gdzie wyniki Fable 5.2 nie obejmują dziewięciu zadań wykonanych przez model zastępczy). W Terminal-Bench-Science wynik Fable 5.2 pochodzi od Artificial Analysis; Anthropic podaje 74,6 % w Claude Code.
Jeśli chodzi o ceny, Astra tanieje o 20 % dla danych wejściowych i wyjściowych względem GPT-6 Astra oraz o 60 % dla danych wejściowych w cache; Sol zachowuje ceny GPT-6.1 Sol. W API (gpt-6.2-astra i gpt-6.2-sol) oba modele obsługują Responses API i Chat Completions, ale wywoływanie narzędzi odbywa się przez Responses API. OpenAI zaleca pozostawienie początku promptów bez zmian i dopisywanie nowych instrukcji na końcu, aby ponownie wykorzystać cache.
| Rodzaj opłaty (za milion tokenów) | GPT-6.2 Astra | GPT-6.2 Sol |
|---|---|---|
| Dane wejściowe | 8 dollars | 2 dollars |
| Dane wejściowe w cache | 0,40 dollar | 0,10 dollar |
| Dane wyjściowe | 40 dollars | 10 dollars |
In the API, use gpt-6.2-astra and gpt-6.2-sol. Both models also support Fast and Ultrafast modes. We’re cutting Ultrafast pricing by 50% for the next three months, making it available at just 3x the cost of Standard for API and Enterprise users. Ultrafast is also coming to Pro 200 subscribers, starting with GPT-6.2 Sol.
🇵🇱 W API używajcie gpt-6.2-astra i gpt-6.2-sol. Oba modele obsługują również tryby Fast i Ultrafast. Obniżamy cenę Ultrafast o 50 % na najbliższe trzy miesiące, dzięki czemu użytkownicy API i Enterprise mogą z niego korzystać za zaledwie 3-krotność kosztu Standard. Ultrafast trafia również do abonentów Pro 200, począwszy od GPT-6.2 Sol. — @OpenAIDevs na X
Ultrafast w GPT-6.1 Sol, wprowadzony 8 października, kosztował 6 razy tyle co Standard. Oba modele są dostępne od 17 listopada w ChatGPT Work i Codex dla abonentów Plus, Pro, Enterprise i Edu, ale nie w klasycznym Chat. W przestrzeniach Enterprise i Edu wersja zapoznawcza jest domyślnie wyłączona: administrator musi ją włączyć, a w przestrzeniach wymagających inferencji w Emiratach pozostaje niedostępna. Wśród wymienionych pierwszych klientów Basis podaje, że skrócił o połowę średni czas wykonywania długotrwałych prac księgowych.
Bezpieczeństwo zajmuje znaczną część wpisu i karty systemowej. Oba modele osiągają próg Critical w cyberbezpieczeństwie, podobnie jak GPT-6 Astra, oraz High w biologii i chemii. GPT-6.2 Astra jest też pierwszym modelem opublikowanym przez OpenAI, który osiąga próg High w samodoskonaleniu AI, czyli zdolności do przyspieszania badań nad AI. Dla zespołów bezpieczeństwa oznacza to surowsze zabezpieczenia w obszarze cyberbezpieczeństwa, które blokują również część uzasadnionych badań podatności, do czasu udostępnienia modeli GPT-6.2 w Daybreak, bez podanej daty. OpenAI sygnalizuje też problem z dostosowaniem zachowania modeli do oczekiwań: w dwóch testach modele częściej przemilczały przeszkodę (brakujący plik, niedostępne narzędzie wyszukiwania); instrukcje dodane w Codex znacznie ograniczają te pominięcia, a analiza trwa.
🔗 Wpis o premierze GPT-6.2 Astra i Sol (OpenAI) · Karta systemowa GPT-6.2
Astra for Law przechodzi na GPT-6.2 Astra i staje się dostępna na życzenie dla wszystkich klientów ChatGPT Enterprise
17 listopada — Równolegle OpenAI aktualizuje Astra for Law, swoją konfigurację prawniczą wprowadzoną 17 września w kilku kancelariach. Łączy ona teraz GPT-6.2 Astra z indeksem wyszukiwania prawniczego wzbogaconym o ponad 539 000 zasobów amerykańskich i ponad 98 000 zasobów brytyjskich, australijskich i kanadyjskich oraz z instrukcjami dotyczącymi wyszukiwania, oceny źródeł i redagowania tekstów. Wszyscy klienci ChatGPT Enterprise mogą poprosić o dostęp za pośrednictwem programu zaufanego dostępu w konsoli administracyjnej; dostęp przez API wymaga odrębnej zgody.
| Ocena prawnicza | Astra for Law | Punkt odniesienia |
|---|---|---|
| Harvey LAB-AA, zadania z pełną punktacją | 20,8 % | GPT-6.2 Astra 15,0 %, Muse Wonder Full 13,1 % |
| Istotne halucynacje na zadanie (LAB-AA) | 0,03 | Claude Opus 5.5 0,59 |
| LAB: USCL, orzecznictwo wyszukane przez model | 1 844 | Claude Opus 5.5 1 817 |
| LAB: USCL, dostarczone precedensy | 1 883 | Claude Opus 5.5 1 882 |
| Legal Research Bench (Vals AI) | 54,81 % | około 46 % dla wersji z września |
W LAB-AA Astra for Law generuje około 64 000 tokenów wyjściowych na zadanie, o 54 % mniej niż Muse Wonder Full. W redagowaniu pism procesowych (LAB: USCL) przewaga nad Opus 5.5 jest niewielka, a zakresy niepewności nakładają się w obu konfiguracjach.
🔗 Astra for Law na GPT-6.2 Astra (OpenAI)
Responses API oferuje okna wykonania o długości 2 i 8 godzin, tańsze o 30 i 40 %
17 listopada — Tego samego dnia OpenAI dodaje do trybu działania w tle Responses API okna wykonania z rabatem, w publicznej wersji beta, dla GPT-6.2 Astra, GPT-6.2 Sol, GPT-6.1 Terra i GPT-6 Luna. Programista, który może poczekać, ustawia background_options.completion_window na dwie godziny (tokeny o 30 % tańsze niż w Standard) lub osiem godzin (o 40 % tańsze), zamiast domyślnego natychmiastowego wykonania bez rabatu.
W odróżnieniu od Batch API, zaprojektowanego z myślą o niezależnych żądaniach przesyłanych razem, te okna są przeznaczone dla agentów pracujących w wielu turach: kolejne żądania po wywołaniu narzędzia zachowują rabat i otrzymują priorytet, jeśli korzystają z tego samego okna, modelu i projektu. Rabat wymaga przetwarzania Standard, współdzieli limit przepustowości z Batch API i nie działa w trybie streaming. SDK openai-python 3.53.0 i openai-node 7.58.0 obsługują tę funkcję od 17 listopada.
🔗 Changelog API OpenAI · Przewodnik po trybie działania w tle
GPT-6.2 Astra i GPT-6.2 Sol trafiają do GitHub Copilot
17 listopada — W dniu premiery GPT-6.2 Astra i GPT-6.2 Sol stają się ogólnie dostępne w GitHub Copilot w planach Pro+, Max, Business i Enterprise (bez Pro). Według wstępnych testów GitHub GPT-6.2 Sol wykrywa podczas code review niemal dwa razy więcej rzeczywistych problemów niż GPT-6.1 Sol, a GPT-6.2 Astra znajduje ich znacznie więcej niż GPT-6 Astra, zużywając przy tym mniej tokenów w zadaniach programistycznych wykonywanych przez agentów. Oba modele są rozliczane według zużycia po cenach katalogowych OpenAI, stopniowo trafiają do dziesięciu środowisk, od VS Code po Eclipse, i są automatycznie włączane w organizacjach, które nie wyłączyły domyślnego aktywowania nowych modeli.
🔗 Changelog GitHub: GPT-6.2 Astra i GPT-6.2 Sol
Perplexity udostępnia GPT-6.2 w Search i Computer, z wynikami 0,783 i 0,746 w WANDR
17 listopada — Perplexity również udostępnia GPT-6.2 Astra i GPT-6.2 Sol w Perplexity Search i Computer już wieczorem w dniu premiery. W WANDR, swoim benchmarku wyszukiwania opartego na źródłach, GPT-6.2 Astra uzyskuje 0,783 przy koszcie około 12,54 dolara za zadanie, czyli o 0,095 punktu więcej niż GPT-6 Astra, a GPT-6.2 Sol — 0,746 przy koszcie około 2,65 dolara, o 0,065 punktu więcej niż GPT-6.1 Sol. Wykres opublikowany wraz z ogłoszeniem zestawia te wyniki z pozostałymi modelami: Gemini 4 Carbon i Claude Fable 5.2 pozostają na prowadzeniu, a GPT-6.2 Sol staje się najtańszym modelem z wynikiem powyżej 0,7. Tweet nie precyzuje, których planów dotyczy dostęp.
| Model oceniany w WANDR | Wynik | Koszt zadania |
|---|---|---|
| Gemini 4 Carbon | 0,857 | 5,86 dollars |
| Claude Fable 5.2 | 0,807 | 15,82 dollars |
| GPT-6.2 Astra | 0,783 | ~12,54 dollars |
| GPT-6.2 Sol | 0,746 | ~2,65 dollars |
| Gemini 4 Hydrogen | 0,698 | 5,41 dollars |
| GPT-6 Astra | 0,688 | 12,73 dollars |
| GPT-6.1 Sol | 0,681 | 1,59 dollar |
| Claude Opus 5.5 | 0,662 | 5,33 dollars |
Wyniki GPT-6.2 pochodzą z treści tweeta, a pozostałe z wykresu opublikowanego przez Perplexity.
NVIDIA: Jensen Huang odchodzi z kierownictwa, potem kwartał z przychodami 115,8 miliarda dolarów pod kierownictwem Colette Kress
12 listopada — Rada dyrektorów NVIDIA ogłosiła rezygnację Jensena Huanga, współzałożyciela firmy, z funkcji prezesa, dyrektora generalnego i członka rady dyrektorów ze skutkiem natychmiastowym. Colette Kress, od września 2013 roku wiceprezes wykonawcza i dyrektorka finansowa, zostaje tymczasową dyrektorką generalną, zachowując jednocześnie stanowisko dyrektorki finansowej do czasu powołania stałego następcy; rada rozpoczyna poszukiwania wśród kandydatów wewnętrznych i zewnętrznych. Harvey C. Jones, były dyrektor generalny i przewodniczący wykonawczy Synopsys, zostaje pierwszym w historii przewodniczącym rady dyrektorów (przewodniczący rady). Według Harveya C. Jonesa rada ma pełne zaufanie do Colette Kress i oczekuje nieprzerwanej kontynuacji działalności operacyjnej, realizacji zobowiązań wobec klientów oraz planu rozwoju produktów. Ten sam komunikat potwierdzał publikację wyników kwartalnych 17 listopada, zgodnie z planem.
10 listopada — Dwa dni wcześniej, w osobnym komunikacie, niezależni członkowie rady dyrektorów NVIDIA poinformowali o powierzeniu „dogłębnego i niezależnego” dochodzenia Joonowi H. Kimowi, byłemu pełniącemu obowiązki prokuratora federalnego Południowego Dystryktu Nowego Jorku, oraz kancelarii Wachtell, Lipton, Rosen & Katz. Komunikat ten nie precyzuje przedmiotu dochodzenia, a komunikat z 12 listopada o nim nie wspomina.
17 listopada — NVIDIA publikuje wyniki trzeciego kwartału roku obrotowego 2027, zakończonego 25 października. To pierwsze wyniki od odejścia Jensena Huanga, a komunikat przedstawia Colette Kress. Przychody sięgają 115,8 miliarda dolarów, o 20 % więcej niż w poprzednim kwartale i ponad dwukrotnie więcej niż rok wcześniej. Ich zdecydowana większość przypada na centra danych.
| Wskaźnik (III kw. roku obrotowego 2027) | Opublikowana wartość | Zmiana rok do roku |
|---|---|---|
| Przychody | 115,8 miliarda dolarów | +103 % |
| Centra danych | 107,6 miliarda dolarów | +110 % |
| Przetwarzanie brzegowe (Edge Computing) | 8,2 miliarda dolarów | +42 % |
| Marża brutto GAAP | 74,8 % | +1,4 punktu |
| Zysk netto GAAP | 65,3 miliarda dolarów | +105 % |
| Rozwodniony zysk na akcję GAAP | 2,70 dolara | +108 % |
Na czwarty kwartał, który jest o tydzień dłuższy, NVIDIA prognozuje przychody w wysokości 130 miliardów dolarów, z odchyleniem do 3 %, bez uwzględnienia jakichkolwiek przychodów z Chin z rozwiązań obliczeniowych dla centrów danych, oraz spadek marży brutto do poziomu od 71 do 72 %. Firma zwróciła akcjonariuszom w tym kwartale 28,1 miliarda dolarów, a w programie skupu akcji własnych pozostaje około 227,3 miliarda dolarów. W obszarze produktów kwartał przyniósł pierwsze dostawy Vera Rubin NVL72 na dużą skalę, co NVIDIA przedstawia jako najszybsze zwiększanie produkcji w swojej historii; szafy rack działają już w CoreWeave, Google Cloud, Microsoft Azure, Oracle Cloud Infrastructure i Nebius.
🔗 Wyniki trzeciego kwartału roku obrotowego 2027 (NVIDIA) · Zmiana na stanowisku dyrektora generalnego (12 listopada) · Oświadczenie niezależnych członków rady dyrektorów (10 listopada)
Microsoft wprowadza MAI Code 2 i MAI Code 2 Flash, dostępne od premiery w GitHub Copilot
17 listopada — Podczas Ignite Microsoft AI wprowadza dwa nowe modele do programowania, dostępne tego samego dnia w GitHub Copilot. MAI Code 2 jest przeznaczony do złożonych zadań: dogłębnego debugowania, zmian w wielu plikach, refactoringu i rozumowania w skali całego repozytorium. MAI Code 2 Flash skupia się na powtarzalnej pracy: objaśnianiu kodu, precyzyjnych poprawkach i rutynowym usuwaniu błędów.
Microsoft podkreśla stosunek wydajności do ceny, mierzony średnią z czterech benchmarków zbliżonych do pracy w przedsiębiorstwach (DeepSWE 1.1, Terminal Bench 2.1, SWE-Atlas i FrontierCode v1.1). Koszty obliczono przy promocyjnej cenie MAI-Code-2 na poziomie 50 % ceny standardowej, przy maksymalnym wysiłku rozumowania wszystkich modeli, a trzy benchmarki uruchomiono z użyciem Copilot CLI bez subagentów. W zakresie frontendu, w ocenach w ciemno przeprowadzonych przez 258 oceniających, wyniki MAI Code 2 są preferowane względem wyników GPT-6 Sol w 64 % przypadków.
| Porównanie (według Microsoft AI) | Względna wydajność | Względny koszt |
|---|---|---|
| MAI Code 2 względem GPT 6.1 Sol | 98 % | 40 % |
| MAI Code 2 względem Claude Opus 5.5 | 96 % | 5 % |
| MAI Code 2 Flash względem GPT-6 Luna | porównywalna | 65 % |
| MAI Code 2 Flash względem Claude Haiku 5.5 | porównywalna | 20 % |
Microsoft przyznaje, że istnieje ograniczenie: modele te „nie są jeszcze dostrojone” do podstawowych badań naukowych ani do pracy agentowej o bardzo długim horyzoncie.
W Copilot MAI Code 2 jest dostępny w planach od Pro do Enterprise, a MAI Code 2 Flash już w planie Free, w dziesięciu środowiskach (VS Code, Visual Studio, Copilot CLI, cloud agent, aplikacja GitHub Copilot, github.com, GitHub Mobile, JetBrains, Xcode, Eclipse). Oba modele są rozliczane według zużycia i domyślnie włączone w organizacjach, które nie wyłączyły automatycznej aktywacji nowych modeli. MAI-Code-2 trafia również na poziom Standard w Copilot Fusion, a jego poprzednik MAI-Code-1.1-Flash zostanie wycofany ze wszystkich środowisk Copilot 18 grudnia. Poza GitHub MAI Code 2 Flash trafia do wersji zapoznawczej z ograniczonym dostępem w Microsoft Foundry, a Microsoft zapowiada jego rychłe udostępnienie w OpenRouter, Vercel, Hermes, Open Code i Kilo.
🔗 Dziennik zmian GitHub: MAI Code 2 i MAI Code 2 Flash · Ogłoszenie Microsoft AI
Perplexity łączy modele wielu dostawców: Orchestrator API i poziom Multiagent w Computer
17 listopada — Perplexity wprowadza Orchestrator API, które udostępnia programistom warstwę modeli wykorzystywaną we własnych produktach firmy. Według przedsiębiorstwa warstwa ta kieruje codziennie setki milionów żądań do ponad 85 modeli od kilkunastu dostawców. Za pomocą jednego klucza API Orchestrator zapewnia dostęp do ponad 45 modeli OpenAI, Anthropic, Google i xAI, a także modeli z otwartymi wagami (GLM, Kimi, DeepSeek). Żądania zapisuje się w formatach OpenAI Chat Completions, OpenAI Responses lub Anthropic Messages: wystarczy zmienić klucz i bazowy URL w istniejącym SDK.
Pierwszym argumentem jest niezawodność. Gdy dostawca zwróci błąd, osiągnie limit żądań lub przekroczy limit czasu, Orchestrator ponawia żądanie w innym wdrożeniu tego samego modelu: żądanie do Claude może przejść z Anthropic do AWS Bedrock, a żądanie do GPT z OpenAI do Azure. Każdy model jest rozliczany według swojej publicznej stawki za token, niezależnie od dostawcy obsługującego żądanie, bez opłat za platformę poza kredytami. Dwie funkcje są w wersji zapoznawczej: Routes, która wybiera model dla każdego żądania (perplexity/auto) na podstawie opisów w języku naturalnym, oraz Auto effort, która dostosowuje wysiłek rozumowania w następnej turze.
Perplexity ilustruje działanie Routes wrażliwym przypadkiem omijania odmów. Firma przypomina, że Anthropic dokumentuje sytuacje, w których zabezpieczenia Claude Fable 5.2 mogą blokować nieszkodliwe prace z zakresu cyberbezpieczeństwa lub nauk o życiu. Gdy Fable pozostaje modelem domyślnym, ale zadania te oraz zadania następujące po odmowie są kierowane do GPT-6 Astra lub GPT-6.1 Sol, Claude Code rozwiązuje więcej zadań, przy wyższym szacowanym koszcie na zadanie. Orchestrator API było już dostępne w API Perplexity od lipca, początkowo dla modeli z otwartymi wagami; 17 listopada następuje jego oficjalna premiera.
| Element mierzony przez Perplexity | Ogłoszona wartość |
|---|---|
| Modele w katalogu | ponad 45 (OpenAI, Anthropic, Google, xAI, otwarte) |
| Claude Opus 5.5, najszybszy dostawca (30 dni) | Anthropic 15 dni, AWS Bedrock 15 dni |
| GPT-5.6 Sol, mediana szybkości Azure względem OpenAI | +27 % |
| Terminal-Bench 4.1 (63 zadania), sam Fable 5.2 | 38 z 63 |
| Ten sam test z kierowaniem do GPT-6 Astra lub GPT-6.1 Sol | 41 z 63 |
| Opłaty za platformę | brak poza kredytami |
🔗 Przedstawiamy Orchestrator (Perplexity) · Orchestrator: jedno API do niezawodnej inferencji
17 listopada — Tego samego dnia Perplexity dodaje do Computer poziom wysiłku Multiagent, umieszczony powyżej Ultra. Dotychczas główny agent powierzał części zadania agentom pomocniczym, które raportowały wyłącznie jemu. W Multiagent główny agent kieruje zespołem agentów działających na różnych modelach, które pracują równolegle, bezpośrednio przekazują sobie ustalenia, sprawdzają pracę pozostałych i koordynują zmiany we współdzielonych plikach. Domyślny zespół jest zbudowany wokół Claude Fable 5.2, który planuje i rozdziela pracę między agentów korzystających z Claude Opus 5.5, GPT 6.1 Sol i Gemini 4 Carbon; główny agent może zaangażować do 16 agentów, a użytkownik może narzucić wybór modeli w żądaniu.
| Wynik opublikowany przez Perplexity | Ogłoszona wartość |
|---|---|
| Najlepszy zespół mieszany, Terminal-Bench 4.1 | 0,727 (kierowany przez Gemini 4 Carbon) |
| Przewaga nad czterema kopiami głównego modelu (TB 4.1) | +0,008 do +0,125 |
| Przewaga nad czterema kopiami głównego modelu (WANDR) | +0,015 do +0,064 |
| Koszt najlepszego zespołu względem czterech kopii | 10,31 wobec ~13 dolarów; 54,50 wobec 66,41 dolara |
Według Perplexity każdy zespół mieszany pokonuje zarówno swój główny model działający samodzielnie, jak i cztery kopie tego modelu, a najlepszy zespół w każdym teście kosztuje mniej niż te kopie. Multiagent jest zarezerwowany dla subskrybentów Max w wersji internetowej (Max i Enterprise Max według wpisu na X), a wersje w aplikacjach mobilnych i komputerowych mają pojawić się wkrótce; Perplexity nie podaje kosztu w kredytach.
Multiagent is optimized for performance. It is credit-intensive. Use it only for your most important tasks. Multiagent is best for forecasting, high-density problem solving, and consequential decision making.
🇵🇱 Multiagent jest zoptymalizowany pod kątem wydajności. Zużywa dużo kredytów. Używaj go wyłącznie do najważniejszych zadań. Multiagent najlepiej sprawdza się w prognozowaniu, bardzo złożonych problemach i decyzjach o poważnych konsekwencjach. — @perplexity_ai na X
🔗 Przedstawiamy Multiagent (Perplexity)
Devin Bots i Replit Missions: roje agentów realizujące cel zamiast pojedynczego zadania
17 listopada — Cognition wprowadza Devin Bots, „członków zespołu inżynierskiego” (współpracowników w pracach inżynierskich). Bot to stale działający agent, wyposażony we własną pamięć i narzędzia, który prowadzi równolegle wiele sesji Devin. Zamiast zadania powierza mu się obszar odpowiedzialności: bada sprawę, deleguje, ocenia wyniki i decyduje o kolejnych krokach, przekazując człowiekowi wyłącznie decyzje wymagające jego osądu, zebrane w skrzynce Needs You. Wiele Botów może koordynować swoje działania, na przykład QA Bot może przekazać błąd Developer Bot, a ich pracę można śledzić przez Slack, iMessage lub aplikację Devin.
Cognition ilustruje zastosowanie na przykładzie własnych Botów. Android Bot, uruchomiony 28 września, zbudował w 44 dni aplikację Devin na Androida, obecnie dostępną w otwartych testach w Google Play, przy 183 wiadomościach od nadzorującego go inżyniera.
| Bot przywołany przez Cognition | Opublikowany wynik |
|---|---|
| Android Bot (44 dni) | 1 134 PR, 344 651 wierszy kodu Kotlin, 2 841 testów, 1 217 zgłoszeń, 183 wiadomości |
| Layout Bot (3 tygodnie) | 159 scalonych PR, opóźnienie zmniejszone o 70 % |
| Studio gier mobilnych | około dwudziestu Botów, od 50 do 1 900 PR tygodniowo |
On average, beta testers are merging 4.5x more PRs per message using Devin Bots. We’ve seen individual engineers go from 50 PRs a week to nearly 2,000.
🇵🇱 Średnio beta testerzy scalają 4,5 razy więcej PR na wiadomość dzięki Devin Bots. Widzieliśmy, jak inżynierowie przechodzą od 50 PR tygodniowo do niemal 2 000. — @cognition na X
Boty są dostępne już teraz. Strona z cennikiem uwzględnia je w planach Max (200 dolarów miesięcznie), Teams (80 dolarów miesięcznie) i Enterprise, ale nie we Free ani Pro; nie opublikowano osobnych stawek dla Botów.
🔗 Przedstawiamy Devin Bots (Cognition)
17 listopada — Tego samego dnia Replit wprowadza Missions, „środowisko koordynacji rojów agentów” (agent swarm harness) do przedsięwzięć, na które zespołowi brakuje czasu. Użytkownik opisuje oczekiwany rezultat, a następnie rój agentów równolegle planuje, buduje, testuje i wprowadza kolejne poprawki. Ramy ustala się w umowie misji (Mission Contract): limit wydatków, działania wymagające zatwierdzenia (kontakt z potencjalnym klientem, podjęcie zobowiązania dotyczącego produktu) i akceptowalne kompromisy. Niezależny sędzia AI sprawdza wyniki względem uzgodnionych kryteriów; misja kończy się po ich spełnieniu lub po wyczerpaniu budżetu.
Replit popiera ogłoszenie trzema demonstracjami. W 13 zadaniach optymalizacji NumPy rój 32 agentów osiąga 19-krotność początkowej szybkości, wobec 4-krotności w przypadku pojedynczego agenta w trybie Auto (Max). W E-Commerce Bench firmy Qwen Missions zwiększyło 100 000 jenów do 4,82 miliona w ciągu symulowanego roku. Wreszcie, w dwa dni i przy budżecie ograniczonym do 3 000 dolarów, Missions zbudowało DataCat, platformę monitorowania aplikacji, którą Replit udostępnia jako open source na licencji Apache 2.0 i porównuje z wersją zbudowaną za pomocą /goal w Claude Code na podstawie tego samego promptu, zaznaczając, że są to kontrolowane testy z jednym uruchomieniem na konfigurację.
| Test DataCat opublikowany przez Replit | Ogłoszony wynik |
|---|---|
| Wykrycie wprowadzonego błędu | 38 sekund, przy docelowym czasie 60 sekund |
| Stałe obciążenie przez 3 godziny | 26 milionów rekordów, 4,4 miliona logów |
| Ślady na sekundę (względem Claude Code) | 49 000 wobec 9 800 |
| Zgodność API | 51 kontroli z 56 wobec 45 |
Missions uruchamia się przyciskiem „New” w Replit; wpis nie precyzuje planu ani ceny, a wydatki wynikają z budżetu ustalonego przez użytkownika.
🔗 Przedstawiamy Replit Missions · Repozytorium DataCat
Aplikacja Gemini udostępnia Tasks bezpłatnie w sześciu krajach i uczy się dzwonić, płacić oraz odbierać SMS-y
17 listopada — Google udostępnia bezpłatnie Tasks w aplikacji Gemini. Według Josha Woodwarda, wiceprezesa odpowiedzialnego za Labs, aplikację Gemini i AI Studio, ten tryb, który pozwala powierzać Gemini długotrwałe projekty lub cykliczne zadania wykonywane w tle, jest wdrażany dla setek milionów uprawnionych użytkowników w Stanach Zjednoczonych, Japonii, Korei, Kanadzie, Australii i Indiach. Działa na Gemini 4 Hydrogen, szybkim modelu wprowadzonym 12 listopada, i włącza się go przełącznikiem Chat / Task na ekranie głównym.
Równolegle pojawia się szereg zaawansowanych funkcji, początkowo w Stanach Zjednoczonych. Gemini może dzwonić w imieniu użytkownika, także do kilku firm jednocześnie, aby porównać wyceny, sprawdzić dostępność towaru lub umówić wizytę; informuje, że jest systemem IA, a firmy mogą odrzucać takie połączenia. Może płacić przez Google Pay dzięki Agent Payments Protocol (AP2), z obsługą Visa i Mastercard, do których wkrótce dołączy American Express: użytkownik ustala limit wydatków i wybiera dozwolone sklepy, a Gemini prosi o potwierdzenie przed zakupem, chyba że otrzyma zgodę na samodzielne działanie w ramach tego limitu. Loguje się do portalu internetowego dzięki Google Password Manager, a kontaktować się z nim można przez SMS-y za pośrednictwem RCS lub przez e-maile przekazywane na gemini@google.com.
| Zapowiedziana funkcja | Podana dostępność |
|---|---|
| Bezpłatne Tasks (Gemini 4 Hydrogen) | Od 17 listopada: Stany Zjednoczone, Japonia, Korea, Kanada, Australia, Indie |
| Połączenia telefoniczne wykonywane przez Gemini | Początkowo Stany Zjednoczone, z wyjątkiem Indiany, Luizjany, Minnesoty, Montany i Nebraski |
| Płatności Google Pay (AP2) | Początkowo Stany Zjednoczone; Visa, Mastercard; American Express wkrótce |
| SMS-y przez RCS i gemini@google.com | Początkowo Stany Zjednoczone; RCS: amerykański numer i obsługiwany operator |
| Google Wallet na iOS | Stany Zjednoczone, od 17 listopada |
| Universal Commerce Protocol (UCP) | Później, bez podanej daty |
Paragony i informacje o statusie dostaw trafiają do Google Wallet, który tego samego dnia pojawia się na iOS w Stanach Zjednoczonych, a Gemini korzysta z ponad 60 połączonych aplikacji. Jeśli chodzi o bezpieczeństwo, każde zadanie wykonuje się na maszynie wirtualnej z izolacją sprzętową, przypisanej do konta i nigdy niewspółdzielonej, w Agent Compute Engine na Google Cloud; Google wymienia też filtry chroniące przed prompt injection oraz obowiązkowe potwierdzenie przed naciśnięciem każdego przycisku „Kup”, z wyjątkiem działań oznaczonych „Zawsze zezwalaj”. We wpisie przyznano również, że zadania nadal mogą się nie powieść, a na niektórych stronach Gemini oddaje sterowanie użytkownikowi, aby wykonał ostatnie kliknięcie.
🔗 Tasks w Gemini (blog Google) · Google Wallet na iOS w Stanach Zjednoczonych
Kling Image 4.0: natywne generowanie w 8K i do 2 000 znaków tekstu na obraz
17 listopada — Zapowiedziany dzień wcześniej jako nadchodząca premiera, Kling Image 4.0 jest już dostępny. Nowy model obrazowy Kling łączy rozumienie wizualne i generowanie w jednej ujednoliconej architekturze autoregresyjnej (Native Unified Understanding and Generation Architecture) i wyróżnia trzy obszary postępu.
Pierwszym jest realizm: po raz pierwszy w Kling dostępne jest natywne generowanie w 8K oraz ponad 110 gotowych ustawień korekcji barwnej lub paleta pobrana z obrazu referencyjnego. Drugim jest tekst: do 2 000 czytelnych znaków na obrazie, prompty o długości do 15 000 tokenów, ponad 70 komercyjnych fontów oraz bezpośrednia edycja tekstu i fontów w wygenerowanym obrazie, w siedmiu językach (chińskim uproszczonym i tradycyjnym, angielskim, japońskim, koreańskim, hiszpańskim, portugalskim). Trzecim jest tworzenie serii: do 10 spójnych obrazów generowanych na podstawie jednego zapytania, planowanych dzięki zdolnościom agentowym modelu, a także bardzo długie obrazy na strony produktów w sklepie internetowym.
| Zapowiedziana cecha | Kling Image 4.0 |
|---|---|
| Maksymalna rozdzielczość | Natywne 8K |
| Tekst na obraz | do 2 000 znaków |
| Długość promptu | do 15 000 tokenów |
| Spójne obrazy na zapytanie | do 10 |
| Gotowe fonty | ponad 70 |
| Gotowe ustawienia korekcji barwnej | ponad 110 |
| Języki tekstu | 7 |
Kling Image 4.0 jest dostępny dla wszystkich użytkowników Kling Creative Studio oraz przez API dla firm i programistów. Kling nie publikuje cen ani benchmarków: zapowiadane postępy, od natywnego 8K po długi tekst, nie zostały jeszcze przedstawione liczbowo w porównaniu z innymi modelami.
🔗 Kling Image 4.0 (blog Kling) · Ogłoszenie Kling na X
Wideo generatywne: Suno Visuals nadaje piosenkom wizualną oprawę, HeyGen wprowadza Avatar 6
17 listopada — Po wprowadzeniu głosu w październiku Suno rozszerza ofertę o obrazy i wideo dzięki Visuals. Narzędzie przekształca piosenkę z biblioteki w klip o długości do 15 sekund, wideo z tekstem zsynchronizowanym z rytmem lub okładkę albumu, a także zamienia zdjęcie w klip. Według Suno model, którego nazwy nie podano, został zoptymalizowany pod kątem muzyki: klipy odzwierciedlają strukturę utworu, wykorzystują jego tekst i synchronizują ruchy ust postaci ze śpiewem. Następnie można wydłużyć klip, poddać go edycji lub ponownie uruchomić prompt tekstowy. Visuals debiutuje w wersji webowej, na iOS i Androidzie, a dostęp do niego zapewnia także serwer MCP Suno.
Kredyty używane w Visuals są odrębne od kredytów na piosenki, a płacący abonenci mogą przez ograniczony czas stworzyć pierwszy materiał wizualny bezpłatnie.
| Pakiet kredytów na materiały wizualne | Zapowiedziana cena |
|---|---|
| 2 500 kredytów | 14,99 dolarów |
| 5 500 kredytów | 29,99 dolarów |
| 20 000 kredytów | 99,99 dolarów |
| 40 000 kredytów | 199,99 dolarów |
| Koszt wideo (tryb szybki / standardowy) | 15 / 30 kredytów na sekundę |
Suno podkreśla zabezpieczenia: filtry blokują prompty i obrazy dotyczące artystów, osób publicznych lub chronionych utworów, każde wideo jest sprawdzane przed wyświetleniem, Audible Magic, ACRCloud i Musixmatch filtrują chronione nagrania audio, a znak wodny jest dodawany przed każdym udostępnieniem poza platformą.
🔗 Przedstawiamy Visuals (Suno) · Cennik kredytów na materiały wizualne
HeyGen wprowadza Avatar 6, uznany za autentyczny w 42,2 % porównań z prawdziwym wideo
17 listopada — HeyGen wprowadza Avatar 6, swój nowy model awatarów wideo, który przedstawia jako lidera rankingu Avatar Arena od New Measure. Model generuje natywne obrazy w 2K i dostosowuje gesty do znaczenia scenariusza (liczenie, wskazywanie, pokazywanie kierunku), zamiast powtarzać te same ruchy, a także może umieścić dwa awatary w jednym ujęciu, tworząc rozmowę prowadzącego z gościem. Awatara tworzy się na podstawie zdjęcia i krótkiego nagrania siebie, po weryfikacji tożsamości.
| Test opublikowany przez HeyGen | Ogłoszony wynik |
|---|---|
| Avatar 6 uznany za autentyczny (porównanie obok siebie, 270 odpowiedzi) | 42,2 % |
| „Nierozróżnialność” obliczona przez HeyGen | 84,4 % (Avatar V: 44,4 %) |
| Prawdziwy klip uznany za autentyczny, oglądany osobno | 78,9 % |
| Avatar 6 uznany za autentyczny, oglądany osobno, z głosem danej osoby | 65,1 % |
| Preferencja względem Seedance 2.5 | 72,4 % |
Eksponowane 84,4 % to wynik obliczenia HeyGen, które podwaja odsetek 42,2 %, przy którym głosujący pomylili awatara z prawdziwym nagraniem. Avatar 6 jest dostępny w aplikacji, przez API i MCP HeyGen, bez opublikowanego cennika.
🔗 Ogłoszenie HeyGen na X · Karta modelu Avatar 6
GitHub Copilot na Microsoft Ignite: SDK 2.0 w Rust, Fusion w Terminal-Bench 4.1, adaptacyjne code review, przeglądarka, Evals, Entra i JetBrains
17 listopada — W związku z Ignite w ciągu dnia pojawiło się około piętnastu wpisów w changelogu GitHub. Poza MAI Code 2 i GPT-6.2, omówionymi wyżej, oto nowości produktowe w Copilot.
Microsoft Copilot SDK 2.0 przechodzi na rdzeń w Rust i runtime współdzielony między sesjami
SDK zapewniający dostęp do harnessu Copilot, przemianowany 28 października na Microsoft Copilot SDK, otrzymuje nową wersję główną. Jeden runtime może teraz obsługiwać wiele izolowanych sesji, każdą z własną tożsamością, narzędziami, plikami i historią: utworzenie sesji nie uruchamia już kontenera, procesu ani maszyny wirtualnej. Aby umożliwić działanie tego modelu, runtime przepisano w Rust.
| Opublikowany pomiar (po rozgrzaniu obciążenia) | CLI TypeScript | Rdzeń Rust 2.0 |
|---|---|---|
| Klient + sesja + jedna tura | 5,25 s | 55,3 ms |
| Pamięć dla 10 klientów | 1 383 Mo | 126 Mo |
| Przepustowość sesji | 7,55 na sekundę | 120 na sekundę |
SDK dodaje tryb „pusty” (bez shella i systemu plików odziedziczonych po hoście), dziennik sesji oraz sessionFs pozwalający wznowić sesję z innej instancji. Wersja zawiera zmiany naruszające zgodność wsteczną (pogrupowane opcje, protokół SDK 4, zmiany nazw po stronie Python i Rust) i nadal jest dostępna w TypeScript, Python, Go, .NET, Java i Rust.
🔗 Microsoft Copilot SDK 2.0 (Command Line) · Wydanie v2.0.0
Copilot Fusion trafia do rankingu Terminal-Bench 4.1 i pojawia się na github.com, w Visual Studio oraz na urządzeniach mobilnych
GitHub publikuje w publicznym rankingu pierwsze wyniki Copilot Fusion, trybu, który wybiera i koordynuje modele zależnie od poziomu wysiłku. W Terminal-Bench 4.1, prowadzonym przez Stanford, Harbor i Laude Institute, Copilot Fusion Max osiąga 71,2 % rozwiązanych zadań, o 5,4 punktu więcej niż Opus 5.5 i Fable 5.2, przy koszcie o 88 % niższym niż Fable 5.2 i o 57 % niższym niż Opus 5.5, według GitHub. Fusion staje się dostępny do wyboru na github.com, w Visual Studio i w wersjach beta aplikacji GitHub Mobile, a jego katalog się poszerza: Claude Sonnet 5.5 dołącza do poziomu Max, GPT-6.1 Terra do poziomu High, a MAI-Code-2 do poziomu Standard.
🔗 Changelog GitHub: Copilot Fusion
Code review Copilot samodzielnie dobiera poziom wysiłku, wykrywa sekrety i osiąga GA w Azure DevOps
Dzięki Adaptive, dostępnemu w publicznej wersji zapoznawczej w planach od Pro do Enterprise, Copilot ocenia złożoność i ryzyko każdego pull requestu i samodzielnie wybiera poziom wysiłku Lite, Balanced lub Max; wybrany poziom jest wyświetlany i nigdy nie przekracza limitu ustalonego przez administratora. Dwie kolejne funkcje trafiają do publicznej wersji zapoznawczej: analiza powiązanych publicznych repozytoriów w celu wykrycia kodu zależnego od zmiany oraz wykrywanie sekretów ujawnionych w pull requestach, które łączy ponad 500 detektorów opartych na wyrażeniach regularnych z wykrywaniem za pomocą IA sekretów bez rozpoznawalnego formatu. Strona Repository insights śledzi cztery wskaźniki, w tym obsłużone komentarze Copilot i pull requesty scalone bez jego code review. Wreszcie code review dla Azure Repos przechodzi do ogólnej dostępności, z opłatami naliczanymi w kredytach IA GitHub w ramach subskrypcji Azure.
🔗 Changelog GitHub: adaptacyjne code review · Repository insights
Copilot działa w przeglądarce dzięki rozszerzeniu Chrome, aplikacja otwiera się na Azure DevOps
W połączeniu z nowym rozszerzeniem GitHub Copilot in Chrome funkcja browser use trafia do publicznej wersji zapoznawczej w Copilot CLI, aplikacji GitHub Copilot, VS Code i JetBrains: Copilot wypełnia formularze, pobiera informacje ze stron internetowych lub testuje rozwijaną aplikację w odizolowanej grupie kart przeglądarki Chromium (Chrome, Edge), w której użytkownik jest już zalogowany. Funkcja jest domyślnie wyłączona, a administratorzy mogą ją wyłączyć za pomocą zarządzanego ustawienia features.browserUse. Aplikacja GitHub Copilot otwiera się również na repozytoria Azure DevOps, w publicznej wersji zapoznawczej: agent klonuje repozytorium, otwiera pull request, wprowadza poprawkę zgodnie z komentarzem z code review, a dzięki agent merge naprawia CI i następnie scala zmiany; sesje w chmurze nie są dostępne dla tych repozytoriów.
🔗 Changelog GitHub: browser use · Nowości w aplikacji GitHub Copilot na Ignite
GitHub Copilot Evals w publicznej wersji zapoznawczej testuje skills, agentów i narzędzia MCP
GitHub Copilot Evals, w publicznej wersji zapoznawczej dla Copilot Individual, Business i Enterprise, służy do sprawdzania, czy konfiguracja Copilot nadal działa po zmianach promptów, modeli, skills lub narzędzi. Pojedyncza eval opisuje realistyczne zadanie i to, co stanowi dobry wynik, a następnie sprawdza zarówno rezultat, jak i ścieżkę działania agenta. Za pomocą polecenia /eval lub języka naturalnego tworzy się eval dla skilla, niestandardowego agenta albo narzędzia MCP, uruchamia ją (każde uruchomienie jest zatwierdzane przed rozpoczęciem) i porównuje wykonania przed zmianą i po niej. Narzędzie opiera się na Vally, lokalnym silniku ewaluacji, i instaluje się je jako rozszerzenie VS Code albo plugin do Copilot CLI i aplikacji.
🔗 Changelog GitHub: Copilot Evals
Copilot CLI obsługuje logowanie przez Microsoft Entra i licencje Microsoft 365 Copilot
Copilot CLI obsługuje logowanie przez Microsoft Entra, w publicznej wersji zapoznawczej na Windows i macOS; Linux ma dołączyć później. W firmach, których konta EMU korzystają z OIDC, tożsamość Entra automatycznie loguje do powiązanego konta GitHub z licencją Copilot Business lub Enterprise. Większą nowością jest to, że organizacje uczestniczące w programie Frontier, które mają licencję Microsoft 365 Copilot rozliczaną według zużycia, mogą korzystać z Copilot CLI bez konta GitHub: inferencja przechodzi wtedy przez Microsoft 365, a serwer MCP Work IQ dostarcza dane służbowe jako kontekst. Funkcja wymaga wersji Copilot CLI 1.0.113, udostępnionej tego samego dnia jako stabilna.
🔗 Changelog GitHub: logowanie Entra · Copilot CLI 1.0.113
Copilot dla JetBrains otrzymuje sandbox w chmurze, dostęp zdalny i lokalne dyktowanie
Plugin GitHub Copilot dla IDE JetBrains dogania VS Code pod względem kilku funkcji agentowych, wszystkich w publicznej wersji zapoznawczej: sandbox w chmurze uruchamiający sesje w izolowanym środowisku hostowanym przez GitHub, dostęp zdalny pozwalający wznawiać rozmowy w VS Code lub aplikacji Copilot, browser use z rozszerzeniem Chrome i dyktowanie głosowe przetwarzane na urządzeniu. Plugin obsługuje również zdalny rozwój oprogramowania w split mode, pozwala zmienić kierunek działania pracującego agenta (Enter) lub dodać kolejną wiadomość do kolejki (Ctrl+Enter) i przypina Copilot Fusion na szczycie listy modeli. W firmach ustawienia zarządzane wyłączają teraz Claude i Codex, chyba że przyznano wyjątek, a IDE 2025.2 nie są już obsługiwane.
🔗 Changelog GitHub: Copilot dla JetBrains
Claude Platform udostępnia powiązane rozliczenia, Warp oferuje je w planie Enterprise
17 listopada — Anthropic udostępnia w wersji beta powiązane rozliczenia (linked billing) na Claude Platform. Dotychczas korzystanie z API Claude w narzędziu zewnętrznym często oznaczało powierzenie mu klucza API, który działa jak hasło. Dzięki powiązanym rozliczeniom klient łączy swoją organizację Claude Platform z platformą zewnętrzną, a opłaty za użycie są naliczane mu bezpośrednio, bez przekazywania jakiegokolwiek klucza.
Dla dostawców oprogramowania Anthropic obsługuje proces zatwierdzania i rozliczenia: widzą oni liczbę żądań, tokeny i używane modele dla każdego klienta w Console lub przez API Usage and Cost Analytics (beta) i przy każdym żądaniu decydują, kto płaci — oni czy ich klient. Po stronie klienta użytkownik z rolą Owner, Admin lub Billing zatwierdza powiązanie raz dla całej organizacji, ustala miesięczny limit wydatków dla każdej platformy i może w dowolnym momencie usunąć powiązanie; użycie może być rozliczane w ramach istniejącego zobowiązania wydatkowego wobec Anthropic lub opłacane według zużycia. Warto wiedzieć: żądania są wykonywane w organizacji platformy, więc ustawienia organizacji klienta (lista dozwolonych adresów IP, klucze szyfrowania, okres przechowywania danych) nie mają do nich zastosowania. W chwili premiery funkcję obsługuje dziewiętnaście platform, w tym Asana, Factory, Linear, Ramp, Railway, Tines i Warp.
🔗 Powiązane rozliczenia na Claude Platform (Anthropic) · Ogłoszenie @ClaudeDevs na X
Warp udostępnia powiązane rozliczenia z Claude Platform w planie Enterprise
17 listopada — Warp, jedna z 19 platform uczestniczących w premierze, przedstawia szczegóły swojego wdrożenia. Firma łączy swoją organizację Claude z Warp przez OAuth, bez udostępniania klucza API, a użycie Claude przez Warp Agent jest rozliczane bezpośrednio przez Anthropic według stawek API; limit wydatków można ustawić, a powiązanie usunąć na stronie Linked Platforms w Claude Console. Dokumentacja zastrzega tę funkcję dla Warp Enterprise: obszar roboczy korzysta z jednego wspólnego powiązania, a każdy zespół sam decyduje, czy je włączyć. Funkcja obejmuje agenta w aplikacji desktopowej, CLI, przeglądarce i chmurze, łącznie z subagentami, ale nie obejmuje Claude Code ani połączeń przez Amazon Bedrock lub Vertex AI, a subskrypcje Claude Pro, Max, Team i Enterprise nie mogą jej finansować. Jeśli Anthropic odrzuci żądanie z powodu braku powiązanych środków, Warp może rozliczyć je z salda Warp zespołu.
🔗 Warp obsługuje już powiązane rozliczenia z Claude Platform · Dokumentacja Warp
Agenci programistyczni: Claude Code 2.1.326, weryfikacja według zespołu Claude Code, Mistral Vibe Desktop, Antigravity 2.33, Replit Desktop i aplikacje Android z AI Studio
Claude Code 2.1.326: Code Mode z agent teams, silniej zabezpieczona piaskownica i 233 poprawki
16 listopada — Claude Code 2.1.326 to duże wydanie: 367 wpisów, w tym 233 poprawki. Wśród nowości Code Mode, eksperymentalny tryb wprowadzony w wersji 2.1.323, w którym Claude pisze skrypty łączące wiele wywołań narzędzi, działa teraz z zespołami agentów (agent teams): według dokumentacji członkowie zespołu przechodzą do Code Mode w domyślnym widoku, ale nie w osobnych panelach. 17 listopada @ClaudeDevs po raz pierwszy zwrócił na niego uwagę; pozostaje domyślnie wyłączony i włącza się go za pomocą CLAUDE_CODE_EXPERIMENTAL_CODE_MODE=1.
Rozwija się również Remote Control: odpowiedzi z sesji uruchomionej przez claude remote-control, z Claude Desktop lub z VS Code pojawiają się na telefonie lub w przeglądarce w miarę ich pisania. W organizacjach z konfiguracją HIPAA „Claude Code + Cowork” sesje terminala i VS Code uruchamiają się teraz w trybie auto, z klasyfikatorem po stronie serwera i bezpośrednim połączeniem z API.
Znaczna część wydania wzmacnia zabezpieczenia: piaskownica domyślnie nie zapisuje już danych w niektórych wrażliwych folderach katalogu domowego (sandbox.filesystem.allowWrite pozwala je dopuścić), narzędzia do obsługi plików odmawiają zapisu w .credentials.json, subagenci odizolowani w worktree nie mogą już przepisywać współdzielonych gałęzi, a więcej poleceń wymaga potwierdzenia, w tym niektóre w trybie bypass permissions. Z kolei plugin odrzucany wcześniej z powodu nieprawidłowo sformatowanego pola wyświetlania w plugin.json ładuje się teraz wraz ze swoimi hookami i serwerami MCP: administratorzy muszą sprawdzać, co wdrażają. Dwie zmiany wpływają na rachunek: skill /claude-api domyślnie tworzy swoich agentów na Managed Agents, a automatyczna kompakcja w plan mode korzysta z modelu udzielającego odpowiedzi (Opus z opusplan), co może kosztować więcej. Kontekst /update-config zmniejsza się z około 93 000 do 13 000 tokenów, a browser_batch w Claude in Chrome wzrasta do 150 sekund.
| Typ wpisu (v2.1.326) | Liczba |
|---|---|
| Poprawki (Fixed) | 233 |
| Zmiany (Changed) | 62 |
| Usprawnienia | 59 |
| Dodatki (Added) | 11 |
| Usunięcia (Removed) | 2 |
Kilka poprawek zapobiega utracie danych bez ostrzeżenia: claude purge mogło usuwać dane projektu po niewidocznym potwierdzeniu klawiszem Enter, gdy jego wyjście było przekierowane, menu limitu wydatków usuwało miesięczny limit bez pytania, a dwa równoległe wywołania MCP mogły zamieniać się wynikami. SDK Agent TypeScript 0.3.326 przesyła serwery MCP w żądaniu inicjalizacji (mcpServersDelivery: 'initialize') zamiast w wierszu poleceń, który na razie pozostaje rozwiązaniem domyślnym. Wersja 2.1.327 jest już dostępna na kanale next w npm od 17 listopada, bez informacji o wydaniu.
🔗 Claude Code v2.1.326 · Dokumentacja Code Mode
Jak zespół Claude Code weryfikuje kod napisany przez Claude — od skilla verify po bramkę commitów
16 listopada — Po październikowym omówieniu przeglądu kodu zespół Claude Code opisuje na blogu claude.dev, jak weryfikuje pracę Claude, który pisze i przegląda około 90 % jego kodu. Addy Osmani przedstawia tam prostą tezę: niezawodne pętle weryfikacji pozwalają prowadzić dziesiątki sesji równolegle. W wewnętrznym teście generowania plików o określonej strukturze osobny weryfikator, oceniający wynik według zestawu kryteriów, zwiększył skuteczność nawet o 10 punktów. Wpis zaleca w pierwszej kolejności testy end-to-end, a następnie testy właściwości i testy różnicowe, przydatne podczas migracji. W zespole skill verify opisuje sposób uruchamiania i testowania aplikacji, Claude wzywa człowieka po trzech nieudanych rundach, a lista 39 punktów dotyczących niezawodności, z których każdy uruchamia się na podstawie tego, co pokazuje diff, zastępuje pamięć o incydentach. Plik REVIEW.md, który kieruje działaniem Code Review, jest zawsze odczytywany z gałęzi bazowej, aby zmiana nie mogła zmodyfikować reguły, według której jest oceniana, a bramka commitów (tryby off, observe, enforce) może zablokować commit, jeśli w sesji nie uruchomiono ani /code-review, ani /verify.
🔗 Jak zespół Claude Code podchodzi do weryfikacji (claude.dev)
Mistral wprowadza aplikację desktopową Vibe i oferuje europejskim programistom trzy miesiące Vibe Pro
17 listopada — Mistral rozwija Vibe, swojego asystenta pracy i programowania (dawniej Le Chat), na dwóch frontach. Po pierwsze, aplikacja desktopowa na macOS i Windows, Vibe Desktop: można w niej zlecać wiele zadań jednocześnie, obserwować agentów pracujących obok siebie, a następnie przeglądać ich diffy i śledzić pull requests w tym samym oknie. Aplikacja, wspomniana już w październikowych informacjach o wydaniu CLI, jest teraz dostępna do pobrania ze strony produktu. Po drugie, oferta dla konkretnej grupy: trzy miesiące Vibe Pro za darmo dla programistów w Europie z kodem LECHONK, w ograniczonej liczbie, a następnie 14,99 euro miesięcznie, z możliwością rezygnacji w dowolnym momencie. Godzinę po pierwszym tweecie Mistral ogłosił, że wyczerpał pulę kodów na ten dzień. Mistral przedstawia Vibe i Mistral Large 4 (Le Chonk) jako najlepszy otwarty duet modelu i środowiska agenta, wyprzedzający GLM i DeepSeek w programowaniu, bez podawania wyników liczbowych w swoim wątku; ostatnie opublikowane wyniki Large 4, z 29 października, wynosiły 19,7 % na FrontierCode 2.0 i 41 % na Terminal-Bench 4.0.
🔗 Ogłoszenie Mistral AI na X · Strona produktu Vibe
Antigravity 2.33.0 łączy się ze zdalnymi maszynami Linux przez SSH i integruje pull requests GitHub
17 listopada — Wersja 2.33.0 aplikacji Antigravity pozwala agentowi działać poza lokalnym komputerem. Łączy się przez SSH ze zdalną 64-bitową maszyną Linux, samodzielnie instaluje na niej swój serwer przez OpenSSH na podstawie ~/.ssh/config i uruchamia tam projekty, worktree Git, agentów i terminale, które działają dalej nawet po zamknięciu okna. Linki do pull requests GitHub stają się znacznikami stanu aktualizowanymi na żywo, z osobną sekcją w panelu Overview. Wersja udostępnia też /swarm i panele pluginów kontom profesjonalnym i firmowym, jeśli administrator na to zezwoli, dodaje siedem pluginów partnerskich (Cloudflare, Grafana Cloud, SonarQube, incident.io, Better Stack, Tavily, Levels.fyi) i obsługuje w panelu bocznym pliki multimedialne do 200 Mo, łącznie wprowadzając 16 usprawnień i 21 poprawek. Dzień wcześniej wersja 2.32.2 przekształciła poboczne pytania /btw w kartę rozmowy obejmującej wiele tur, z narzędziami tylko do odczytu. W terminalu Antigravity CLI 1.5.9, z 14 listopada, udostępnia wszystkim narzędzie run_workflow, które zleca agentowi napisanie skryptu Python rozdzielającego pracę między wielu subagentów, i usuwa wyciek: nagłówki serwera MCP HTTP, takie jak klucz API, mogły trafiać do innego hosta przy przekierowaniu.
Replit Desktop trafia do Microsoft Store z agentem pracującym na lokalnych folderach
17 listopada — Zapowiedziana wspólnie z Microsoft 7 października w wersji zapoznawczej aplikacja Replit Desktop jest dostępna w Microsoft Store. Agent Replit pracuje w niej na plikach z folderów, które użytkownik zdecyduje się udostępnić: tworzy narzędzia, analizuje lokalne dane i przygotowuje na ich podstawie raporty, które można udostępniać przez chmurę Replit. Aplikacje są budowane i uruchamiane lokalnie, każdy build we własnej piaskownicy opartej na Microsoft Execution Containers i NVIDIA OpenShell; strona produktu precyzuje, że ta izolacja działa na zgodnych urządzeniach Windows i macOS, i oferuje także wersje na Linux. Replit nie podaje ceny ani planu.
🔗 Ogłoszenie Replit na X · Strona Replit Desktop
Google AI Studio tworzy kompletne aplikacje Android z bazą danych, logowaniem przez Google i publikacją w Google Play
17 listopada — Dzięki Gemini 4 Carbon i Hydrogen agent Build w Google AI Studio na podstawie promptu dostarcza aplikację Kotlin z bazą danych, logowaniem użytkowników i funkcjami AI. Gdy prompt opisuje takie potrzeby, proponuje samodzielne przygotowanie backendu: bazy Cloud Firestore z regułami bezpieczeństwa, Firebase Authentication z Google Sign-In oraz wywołań modeli Gemini przez Firebase AI Logic i App Check, aby klucz API nigdy nie znalazł się w APK. Dotychczas aplikacje Android generowane w AI Studio przechowywały dane wyłącznie w lokalnej sesji. Zwykłe konto Google wystarczy następnie do opublikowania aplikacji w osobistej bibliotece Google Play: AI Studio buduje i podpisuje bundle, po czym można zainstalować aplikację na telefonie. Wbudowany emulator przesyła obraz w HD 1200p z dźwiękiem, a zrzut ekranu można dołączyć do promptu jednym kliknięciem.
🔗 Tworzenie aplikacji Android typu full-stack z Gemini w Google AI Studio
Otwarte modele i inferencja: Olala mini 7A1B od OVHcloud, Qwen3.8-27B dostosowany do środowiska pi, Together Compiler
OVHcloud zapowiada Olala mini 7A1B, pierwszy model ze swojej rodziny LLM, wytrenowany na europejskich superkomputerach publicznych
17 listopada — OVHcloud włącza się do wyścigu modeli językowych z Olala, swoją pierwszą rodziną LLM. Pierwszy model, Olala mini 7A1B, ma 7 miliardów parametrów, z których 1 miliard jest aktywowany przy każdym żądaniu, w architekturze mieszanki ekspertów (Mixture of Experts, MoE) z 256 ekspertami na warstwę i hybrydowym mechanizmem attention łączącym Differential-TPA i Mamba-3. Został wytrenowany od zera na trzech europejskich superkomputerach publicznych — Jupiter, MeluXina i Jean Zay — dzięki wsparciu w postaci godzin obliczeniowych, które OVH wycenia na 7 milionów euro.
| Zapowiedziana cecha | Olala mini 7A1B |
|---|---|
| Parametry | Łącznie 7 miliardów, 1 miliard aktywny |
| Architektura | MoE, 256 ekspertów na warstwę, Differential-TPA + Mamba-3 |
| Kontekst | 32 000 tokens (128 000 planowane w v1.1) |
| Deklarowana przepustowość | 160 tokens/s na RTX A4500, 50 tokens/s bez GPU |
| Minimalna pamięć GPU | 8 Go |
| Zapowiedziana licencja | Apache 2.0, na Hugging Face |
Wag nie ma jeszcze na Hugging Face: komunikat zapowiada, że model „będzie dostępny” na licencji Apache 2.0 wraz z wagami, wstępnie wytrenowanym modelem bazowym, raportem technicznym i dokumentacją zgodności z AI Act. Oficjalna premiera jest zaplanowana na OVHcloud AI Summit 19 listopada. Na razie nie opublikowano żadnego benchmarku. Pierwszy wymieniony klient, Qwant, już wykorzystuje go do swoich błyskawicznych odpowiedzi, które według OVH są o 20 % szybsze, przy trzykrotnie niższych kosztach działania. Dalszy plan jest określony: v1.1 do końca roku, z kontekstem 128 000 tokenów i lepszym rozumowaniem matematycznym, a następnie v2.0 z ponad 100 miliardami parametrów, w wariantach przeznaczonych do agentowej AI w firmach, chmurowego DevOps i cyberbezpieczeństwa. Według Octave’a Klaby, prezesa OVHcloud, koszt treningu spadł dwudziestokrotnie w ciągu trzech lat, a OVH nie chce polegać na hojności kilku laboratoriów, aby mieć dostęp do otwartych modeli.
🔗 Ogłoszenie OVHcloud na X · Komunikat OVHcloud
Qwen3.8-27B-pi-adapted: adapter LoRA podnosi wynik Qwen3.8-27B z 29,4 do 62,7 % na SWE-bench Pro w środowisku pi
17 listopada — Projekt harness-hub, prowadzony przez zespoły Hugging Face, publikuje Qwen3.8-27B-pi-adapted, adapter LoRA na licencji Apache-2.0, który dostosowuje Qwen3.8-27B do roli modelu w środowisku agenta programistycznego pi. Wytrenowano go przez uczenie ze wzmocnieniem (asynchroniczne GRPO z TRL) bezpośrednio w tym środowisku, a wagi są dostępne na Hub, wraz z wersją GGUF dla llama.cpp.
| Zmierzony benchmark (środowisko pi, pass@1) | Qwen3.8-27B | Z adapterem | Wywołania narzędzi na zadanie |
|---|---|---|---|
| SWE-bench Pro (51 najtrudniejszych zadań) | 29,4 % | 62,7 % | -55 % |
| Terminal-Bench 2.1 (86 zadań) | 39,5 % | 55,8 % | -62 % |
| Terminal-Bench 2.1 (68 zadań wydzielonych do oceny) | 39,7 % | 55,9 % | -64 % |
Zespół osobno analizuje 68 zadań Terminal-Bench, których nie wykorzystano do wyboru checkpointu i na których poprawa nadal wynosi 16,2 punktu; sam wybór opierał się jednak również na wynikach SWE-bench Pro. To kontynuacja projektu przedstawionego 6 listopada, a younes zapowiada kolejne adaptery w najbliższych dniach.
🔗 Karta Qwen3.8-27B-pi-adapted (Hugging Face) · Ogłoszenie younes na X
Together AI opisuje genezę Together Compiler, o 28 % szybszego od wcześniejszych megakernels na B200
16 listopada — Dwa tygodnie po premierze Together Compiler zespół badawczy Together AI publikuje historię jego powstania: w zeszłym roku tworzył megakernels, czyli ręcznie pisane jądra GPU; w tym roku z nich zrezygnował. Według wpisu Together Compiler, który zleca agentom przepisywanie i łączenie kerneli modelu, przewyższa ręcznie pisane megakernels na B200 o 28 % (2 118 wobec 1 649 tokens/s na Llama 3.2 1B). Megakernels były szybkie, ale tak mało elastyczne, że po miesiącach pracy tylko jeden trafił do środowiska produkcyjnego, dla jednego modelu, jednego rozmiaru partii i jednego klienta; dwa mechanizmy NVIDIA, CUDA Graphs i PDL, pozwalają uzyskać 98 % ich wydajności bez pisania kernela.
| Testowana konfiguracja (Llama 1B, H100) | Tokens/s | Względem megakernel |
|---|---|---|
| Torch Compile (Inductor) | 669 | — |
| + CUDA Graphs | 864 | 87 % |
| + Precyzyjnie rozmieszczone PDL | 975 | 98 % |
| Ręcznie napisany megakernel | 990 | 100 % |
W przypadku agentów baza wiedzy zmniejszyła końcowe przyspieszenie o 19 %, natomiast częsta komunikacja między agentami i minimalna instrukcja dawały najlepsze wyniki.
🔗 Droga do Together Compiler (Together AI)
NVIDIA dla nauki: Nemotron for Science, platforma ze 192 CPU Vera wybrana przez DKRZ, DGX Spark HPC Developer Kit
Nemotron for Science, otwarty zestaw modelu, danych i receptur dla agentów naukowych
16 listopada — Na SC26 Ian Buck zaprezentował Nemotron for Science, otwarty zestaw przeznaczony dla agentów naukowych. Łączy on multimodalny model Nemotron 3.5 Super VL, LitmusBench, nowy zbiór danych chemicznych zawierający blisko 50 000 pytań (rozpuszczalność, metabolizm), oraz receptury post-trainingu NeMo Gym i NeMo RL, które pozwalają dostosować model do danej dziedziny na podstawie danych eksperymentalnych, zarówno na DGX Spark, jak i na superkomputerze. NVIDIA podkreśla wyniki swoich partnerów: Lila Sciences twierdzi, że niemal podwoiła trafność w zakresie syntezy kropek kwantowych, osiągając 61 % wobec 54 % dla GPT-6 Astra, przy koszcie inferencji od 10 do 20 razy niższym; Terray Therapeutics rozpoznaje około 76 % reakcji ze schematów chemicznych w teście RxnScribe; a agent z KTH naprawił 81 % niedziałających konfiguracji GROMACS w ciągu jednej nocy na pojedynczym DGX Spark.
🔗 Nemotron for Science (NVIDIA) · Wpis techniczny o post-trainingu
Platforma rack ze 192 CPU Vera do obliczeń naukowych, wybrana przez DKRZ
16 listopada — NVIDIA wprowadza platformę opartą na procesorze Vera do symulacji bez akceleracji GPU: chłodzony cieczą rack ze 192 CPU Vera, każdy z 88 rdzeniami Olympus, z około 300 TB pamięci i łączną przepustowością pamięci przekraczającą 200 TB/s. Według testów NVIDIA Vera osiąga 1,9 razy wyższą wydajność i 2,4 razy wyższą wydajność na wat niż systemy x86 w symulacji przepływu OpenFOAM. Pierwszy ogłoszony klient, niemieckie centrum obliczeń klimatycznych (DKRZ), zainstaluje tę platformę w swoim superkomputerze HLRE-5, budowanym przez Bull i planowanym na początek 2028 roku. Racki będą oferowane przez Dell, HPE, Lenovo i Supermicro od początku 2027 roku, a NVIDIA udostępnia HPC SDK 26.11 z nowym kompilatorem Fortran w wersji zapoznawczej.
🔗 Platforma Vera dla nauki (NVIDIA)
DGX Spark HPC Developer Kit, klaster czterech DGX Spark na biurka naukowców
16 listopada — NVIDIA prezentuje zestaw deweloperski HPC zbudowany z czterech DGX Spark połączonych w pierścień przez ConnectX-7, bez przełącznika. Całość ma 512 GB pamięci i 16 TB przestrzeni dyskowej, co wystarcza do lokalnego uruchamiania modeli liczących do 700 miliardów parametrów w NVFP4, i ma umożliwić naukowcom tworzenie oraz debugowanie symulacji wielowęzłowych przed wykorzystaniem przydzielonych im godzin pracy superkomputera; na czterech węzłach zademonstrowano LAMMPS i NAMD. Zestaw jest sprzedawany przez dziewięciu producentów, w tym Acer, ASUS, Dell, HP i Lenovo, oraz na NVIDIA Marketplace, bez opublikowanej ceny; playbook instalujący HPC SDK ma zostać udostępniony wkrótce.
🔗 DGX Spark HPC Developer Kit (blog NVIDIA)
AI i cyberbezpieczeństwo: NATO i europejskie agencje korzystają z modeli cyberbezpieczeństwa OpenAI, GitHub i Microsoft przekazują opiekunom projektów 99 zweryfikowanych raportów
NATO i europejskie agencje korzystają z modeli cyberbezpieczeństwa OpenAI za pośrednictwem Daybreak
17 listopada — OpenAI opisuje, jak jego modele cyberbezpieczeństwa już wspierają obronę NATO i kilku państw sojuszniczych. Dzięki współpracy z Agencją Łączności i Informatyki NATO (NCIA) centralne instytucje Sojuszu mają dostęp do zaawansowanych modeli cyberbezpieczeństwa, a ich zużycie sięgało 300 miliardów tokenów miesięcznie. OpenAI wsparło też ćwiczenia Crossed Swords 2026, w których nowy moduł szkoleniowy obejmował budowanie i ocenianie agentów AI do operacji cybernetycznych z użyciem Daybreak, pod nadzorem człowieka. ENISA, ANSSI oraz agencje niemiecka i polska mają dostęp do tych modeli, a Ukraina korzysta z Daybreak do ochrony infrastruktury cywilnej. Przytoczone wyniki są konkretne: cztery poprawione luki w oprogramowaniu instytucji europejskich, wykryte przez ENISA; sześć luk w MikroTik RouterOS wykrytych przez CERT Polska; oraz raport ENISA i CERT-EU, według którego 95 % z 88 potencjalnych problemów zgłoszonych opiekunom projektów okazało się rzeczywistymi problemami, łącznie dla wszystkich testowanych modeli. Wpis nie podaje żadnej wartości kontraktu.
🔗 Wzmacnianie cyberobrony NATO i sojuszników za pomocą AI (OpenAI)
GitHub i Microsoft przekształcają tysiące alertów AI w 99 zweryfikowanych raportów dla sześciu projektów open source
17 listopada — GitHub i Microsoft publikują wyniki pilotażu, który miał przeciwdziałać lawinie generowanych przez AI raportów o podatnościach, zalewającej opiekunów projektów. Codename MDASH, środowisko analizy agentowej Microsoft Security, przeskanowało sześć projektów (AutoGPT, Caddy, Express, FastMCP, ImageMagick i Netty) przy użyciu modelu MAI Cyber i zaproponowało poprawki. Agent do selekcji zgłoszeń z GitHub Security Lab, zbudowany na bazie skills Copilot, usunął duplikaty i fałszywe alarmy, po czym siedmiu badaczy z Microsoft FORGE Lab ręcznie zweryfikowało każdy pozostały alert, poświęcając na to około dwóch dni na projekt.
| Etap pilotażu MDASH | Opublikowana wartość |
|---|---|
| Surowe alerty (według tweeta GitHub) | 9 791 |
| Prywatne raporty wysłane opiekunom projektów | 99 |
| Raporty z poprawkami do 15 listopada | 55 |
| Poprawki już opublikowane w wydaniu | 14 |
Caddy usunęło problemy ze wszystkich 22 raportów w ciągu tygodnia lub krócej. GitHub wyciąga z tego trzy wnioski: poprawki liczą się bardziej niż odkrycia, weryfikacja przez człowieka pozostaje niezbędna, ale nie skaluje się jeszcze, a opiekunowie projektów potrzebują modeli o wysokich kompetencjach w cyberbezpieczeństwie do weryfikowania przykładów proof of concept. Wszystkie projekty, które wcześniej uczestniczyły w GitHub Secure Open Source Fund, otrzymają wyniki analiz zweryfikowane przed wysłaniem oraz dostęp do Copilot Max.
🔗 Opiekunowie projektów nie potrzebują więcej raportów o błędach od AI, potrzebują poprawek (GitHub) · Tweet GitHub
AI i robotyka: plugin Robotics dla Antigravity z Gemini 4 Hydrogen, zbiór filmów HubEgo-100K
Google wprowadza plugin Robotics dla Antigravity i przedstawia Gemini 4 Hydrogen jako uniwersalny model do robotyki
17 listopada — Google przekształca Antigravity w warsztat robotyki. Nowy plugin Robotics łączy skills, które Gemini wykonuje za programistę: instalację sterowników, wykrywanie kamer, kalibrację ramienia i ruchy testowe po podłączeniu kabla USB, budowanie scen MuJoCo w Antigravity, percepcję i sterowanie w pętli zamkniętej, a następnie generowanie kompletnej aplikacji. Wyróżnionym modelem jest Gemini 4 Hydrogen: w benchmarku Artificial Analysis Robotics 0.1, w którym prawdziwe ramię o 6 osiach wykonuje kolejno 8 codziennych zadań na blacie, uzyskuje 58 punktów, wynik zbliżony do Argon przy niższym koszcie za token, a w ERQA przewyższa Gemini Robotics ER 2 w rozumowaniu przestrzennym. Demonstracje pokazują skalę: ramię YAM skalibrowane w około dziesięć minut, sorter przekąsek na przenośniku sprawdzony w symulacji i wdrożony w około godzinę. Antigravity jest dostępne dla płatnych subskrybentów Google AI Pro i Ultra; z modelu nadal można korzystać w API Gemini i w AI Studio.
🔗 Gemini Hydrogen w robotyce (Google Developers) · Wątek Google DeepMind
Hub udostępnia HubEgo-100K, filmy z perspektywy pierwszej osoby przedstawiające czynności zawodowe na licencji CC BY 4.0
16 listopada — Hub udostępnia na Hugging Face HubEgo-100K, zbiór filmów z perspektywy pierwszej osoby przedstawiających zadania wymagające umiejętności, przeznaczony do uczenia robotów i bezpłatny do badań oraz zastosowań komercyjnych. Nazwa i zapowiedź wskazują na docelowe 100 000 godzin od ponad 100 000 współtwórców; pierwsza opublikowana wersja zawiera 10 000 godzin nagranych przez 12 227 osób w ciągu 72 godzin, w ich miejscach pracy lub podczas wykonywania pracy zawodowej w domu, w RGB z danymi z jednostki inercyjnej, w formatach LeRobot i MCAP, na licencji CC BY 4.0 i z dostępem na wniosek. Priorytetem jest różnorodność, a nie objętość: mediana wynosi 250 osób na typ zadania, a udział żadnej osoby nie przekracza 0,22 % łącznej liczby godzin. Hub opiera się na pracach przedstawionych na ICLR 2025, według których zdolność polityki sterowania robotem do generalizacji zależy przede wszystkim od liczby poznanych środowisk i obiektów.
🔗 Ogłoszenie Hub na X · Zbiór HubEgo-100K na Hugging Face
Głosowa AI: ElevenLabs wprowadza Scribe v3 Live Medical, transkrypcję medyczną w czasie rzeczywistym dla agentów głosowych
17 listopada — Tydzień po Scribe v3 Live ElevenLabs publikuje jego wersję medyczną, przeznaczoną dla agentów głosowych, którzy na żywo odpowiadają pacjentom, osobom ubezpieczonym i pracownikom ochrony zdrowia. Model koncentruje się na słowach, które model ogólnego przeznaczenia najczęściej przekręca: nazwach leków, dawkach i procedurach. Zespoły mogą wczytać do 10 000 własnych terminów, co według ElevenLabs zmniejsza liczbę błędów w terminologii medycznej nawet o 48 %; model czeka też na zakończenie numeru dyktowanego we fragmentach i śledzi zmiany języka w trakcie rozmowy, obsługując ponad 90 języków z opóźnieniem około 150 ms.
| Zestaw testowy (wewnętrzny ElevenLabs) | Scribe v3 Live Medical |
|---|---|
| PriMock57 (WER) | 12,8 % |
| Fareez OSCE (semantyczny WER) | 0,6 % |
| Eka Medical ASR | 11 % (Scribe v3 Live : 11,54 %) |
| MED-Term angielski / niemiecki / francuski | 2,24 % / 2,81 % / 3,24 % |
W PriMock57 ElevenLabs deklaruje najniższy wskaźnik błędów spośród testowanych modeli medycznych, z liczbą błędów o 17 % mniejszą niż u kolejnego modelu, nie podając nazw konkurentów. Model jest już dostępny w ElevenAgents i kwalifikuje się do zastosowań objętych HIPAA dla firm z umową BAA.
🔗 Scribe v3 Live Medical (ElevenLabs)
Wdrażanie w firmach: Cognition nawiązuje współpracę z McKinsey, aby mierzyć wartość Devin
16 listopada — Cognition ogłasza współpracę z McKinsey & Company, aby pomóc dużym przedsiębiorstwom uzyskać mierzalną wartość z AI w inżynierii oprogramowania. Devin przejmuje prace inżynierskie; McKinsey pomaga klientom wybierać priorytetowe projekty, ustalać punkt odniesienia dla kosztów, szybkości i jakości oraz reorganizować zespoły. Wpis opiera się na badaniu McKinsey z drugiego kwartału 2026 roku, obejmującym 334 osoby kierujące obszarami produktu i inżynierii: najbardziej zaawansowana jedna czwarta organizacji zgłasza ponad dwukrotny wzrost produktywności, podczas gdy 30 % odnotowuje spadek. Cognition twierdzi, że wśród jego klientów znajduje się sześć z ośmiu amerykańskich banków o globalnym znaczeniu systemowym oraz trzech z sześciu największych amerykańskich ubezpieczycieli zdrowotnych, a koszty są niższe nawet o 60 %. Pierwszy przytoczony przykład to polski producent oprogramowania Comarch, który z pomocą Devin modernizuje swój 20-letni ERP XL w ciągu 18 miesięcy. Nie podano żadnej kwoty.
🔗 Cognition i McKinsey (blog Devin)
W skrócie
NVIDIA
- Komitet ds. bezpieczeństwa narodowego i eksportu — W dniu publikacji wyników NVIDIA tworzy stały komitet swojej rady dyrektorów pod przewodnictwem Suzanne Nora Johnson, z udziałem Stephena C. Neala i Johna O. Dabiriego; zespoły ds. bezpieczeństwa narodowego i zgodności handlowej podlegają temu komitetowi oraz tymczasowej dyrektor generalnej. 🔗 źródło
- Substraty i obudowywanie układów — Kinsus zwiększy ponad 3,5-krotnie zdolności produkcyjne substratów ABF przeznaczonych dla NVIDIA (produkcja w drugiej połowie 2027), SPIL rozwija zaawansowane obudowywanie układów dzięki wielomiliardowemu finansowaniu od NVIDIA, a wartość umów z Amkor zbliża się do 3 miliardów dolarów. 🔗 źródło
- IBM, Fermilab i komputery kwantowe — Systemy DGX B200 są instalowane obok komputerów kwantowych IBM, w tym opartych na procesorze Nighthawk, na potrzeby wspólnej platformy współprojektowania poświęconej korekcji błędów i fizyce wysokich energii. 🔗 źródło
Obraz i twórczość
- Midjourney — Model edycji uwzględnia teraz moodboardy, kody stylu i obrazy referencyjne stylu: wystarczy upuścić obraz na pasku promptu i dodać do niego styl, bez pisania promptu; strona alpha otrzymuje menu „zmień styl”. 🔗 źródło
- Ideogram Print on Demand Studio — Przestrzeń dla sprzedawców produktów z nadrukiem: rozpoznawanie trendów, tworzenie wzoru, jego wektoryzacja lub powiększanie, przygotowanie do druku i podgląd na produkcie, z wykorzystaniem modelu wektorowego Ideogram; nie podano cen ani szczegółów oferty. 🔗 źródło
- Laya w Luma — Luma wyjaśnia działanie swojego narzędzia do porządkowania tablic: główny agent, Orca, powierza porządkowanie podagentowi Laya, który decyduje o grupowaniu, a obliczanie pozycji pozostawia kodowi; poprawka w tych obliczeniach skróciła jeden test ze 195 do 22 sekund. 🔗 źródło
Agenci programistyczni i CLI
- Codex CLI 0.171.0-alpha.12 — Trzy wydania wstępne z pustymi informacjami o zmianach; według tytułów ich commitów terminal zyskuje podgląd dokumentów i obrazów na pasku bocznym, cofanie zmian w edytorze wiadomości oraz tworzenie własnych wierszy stanu. Wieczorem 17 listopada pojawiło się stabilne wydanie z poprawkami, 0.169.1, bez informacji o zmianach. 🔗 źródło
- Qwen Code v0.28.0 — Obsługa Qwen4-Max (natywna skala wysiłku, TTL cache), tryb headless, interfejs terminalowy i podagenci domyślnie korzystający z tej samej pętli agenta oraz sesje w zarządzanych worktrees w Web Shell. 🔗 źródło
- Kimi Code 2.6.3 — Sześć poprawek: zewnętrzny hook Stop znów uruchamia się po każdej odpowiedzi, powiadomienia o zadaniach w tle nie wywołują już odpowiedzi po wznowieniu sesji, a demon WebBridge aktualizuje się w Windows. 🔗 źródło
- Delta Personal Runners — Delta, środowisko Zed do programowania z agentami, pozwala sterować z innego urządzenia, także telefonu, wątkiem, którego tury są wykonywane na własnym komputerze;
delta runner serveumożliwia to samo na serwerze bez interfejsu. Nie ogłoszono cen. 🔗 źródło - Informacje o wydaniu Devin — Pasek boczny pokazuje sesje obserwowane przez subskrypcję, „Oznacz jako zakończone” zastępuje archiwizację, katalog Phonebook łączy tożsamości każdego członka zespołu (Slack, Teams, Git, Jira, Linear), a ustalenia dotyczące bezpieczeństwa można eksportować do CSV. 🔗 źródło
- Gemini CLI — Nadal bez wydania od 10 listopada; gałąź main ocenia teraz wyrażenia regularne w regułach polityki za pomocą re2js, w czasie liniowym i z limitem 2 000 instrukcji; reguła z lookahead lub odwołaniem wstecznym jest ignorowana. 🔗 źródło
- DeepSeek Harness 0.2.2-rc.4 — Czterdzieste wydanie wstępne bez wersji stabilnej, ograniczone do dwóch poprawek: obsługi nieoczekiwanych odpowiedzi modelu i udostępniania przez LiveShare w aplikacji komputerowej. 🔗 źródło
Inne nowości GitHub
- Secret scanning na żądanie — Po włączeniu tej opcji specjalista security-review w Copilot uruchamia ponad 500 detektorów sekretów GitHub oraz dostrojony model GitHub na bieżących zmianach, w CLI, aplikacji, SDK i code review, w publicznej wersji zapoznawczej. 🔗 źródło
- Porównanie harnessów — Serwis benchmarków Copilot porównuje Copilot CLI z Claude Code i Codex CLI przy użyciu tego samego modelu na tym samym poziomie wysiłku, pod względem odsetka rozwiązanych zadań i kosztu na zadanie; changelog nie podaje żadnych liczb. 🔗 źródło
- GitHub Event Streams — W wersji zapoznawczej dostępnej przez listę oczekujących agent subskrybuje pull request i otrzymuje na bieżąco przeglądy kodu, commity, konflikty i zmiany w CI, bez ciągłego odpytywania API ani udostępniania publicznego webhooka. 🔗 źródło
- Microsoft Agent 365 — Firmy korzystające z GitHub Enterprise Cloud z Enterprise Managed Users mogą przesyłać tam dane o aktywności agentów Copilot, obejmujące prompty, odpowiedzi, wywołania narzędzi i sygnały ryzyka w Purview i Defender. 🔗 źródło
- Agent Host Protocol — Wpis inżynierski opisuje tworzenie protokołu pozwalającego przenosić sesję agenta między urządzeniami, z dwoma niezależnymi hostami, w TypeScript dla VS Code i w Rust dla GitHub, oraz bibliotekami w sześciu językach. 🔗 źródło
- Serwer MCP GitHub 2.2.0 — Instrukcje serwera ustępują miejsca filtrowanym skills MCP, narzędzia do alertów secret scanning mogą maskować sekrety, a nowe narzędzia publiczne służą do automatyzacji agentów. 🔗 źródło
- Personalizacja wyłącznie za pomocą pluginów — Zarządzane ustawienie
strictPluginOnlyCustomizationpozwala administratorom firmowym wymagać, by skills, agenci, hooks, serwery MCP i rozszerzenia Copilot pochodziły z pluginów lub zarządzanych ustawień. 🔗 źródło - Podsumowanie Copilot z 9 listopada — Aplikacja GitHub Copilot zyskuje kod QR umożliwiający kontynuowanie na telefonie sesji w chmurze lub Codespace, ponowne łączenie z serwerem MCP bez wychodzenia z rozmowy oraz wielojęzyczne dyktowanie, także po francusku. 🔗 źródło
- Dependabot — Wnioski o delegowane odrzucenie alertów pozostają otwarte przez rok zamiast tygodnia, najpierw na github.com, a następnie w GHES 3.24. 🔗 źródło
Modele, badania i Hugging Face
- Qwen4-Max w You.com i Lebrel — Po OpenRouter, Vercel i Novita AI Qwen ogłasza dostępność Qwen4-Max w You.com, a następnie w Lebrel do programowania agentowego, bez podania cen ani planów. 🔗 źródło
- TRL v1.18.1 — Wydanie z poprawkami: naprawiona CLI w Python 3.15 oraz obliczanie nagród za poprawność w osobnym procesie, aby patologiczna odpowiedź nie blokowała już treningu. 🔗 źródło
- MecCog Challenge — Hugging Face i założyciele CASP ogłaszają konkurs trwający do 15 stycznia 2027, polegający na powiązaniu z literaturą pięciu hipotez dotyczących roli APOE4 w chorobie Alzheimera, otwarty zarówno dla ludzi, jak i agentów, z publikacją wyników w czasopiśmie naukowym. 🔗 źródło
- Auto Router od OpenRouter — Według benchmarku AutoBench, którego autor oferuje również router, nowy Auto Router wybiera właściwy model w 65,2 % przypadków przy ustawieniu high, wobec 79,1 % w przypadku poprzedniego; pozostałe ustawienia dają wyniki na poziomie losowym. 🔗 źródło
- Modele bez cenzury jako agenci — OpenUncensored, które sprzedaje dostęp do tych modeli, poddało 32 z nich pięciu zadaniom wymagającym użycia narzędzi: modele wywodzące się z najlepszych modeli bazowych kończą 38 % zadań, pozostałe 28 %. 🔗 źródło
- TuHaMa — Turkish NLP Suite publikuje 52 000 przykładów mowy nienawiści w języku tureckim wymierzonej w 12 grup, pochodzących z forum Ekşi Sözlük, przedstawianych jako test rozumienia kultury przez modele. 🔗 źródło
- TRELLIS.2 w CUDA C++ — Suvaditya Mukherjee zlecił Claude przepisanie tego modelu 3D na CUDA C++: 5,3 razy szybciej niż implementacja PyTorch lub 2,2 razy przy zgodności bitowej, za około 7 dolarów za IA i 60 dolarów za obliczenia na H200. 🔗 źródło
- AI Model Hacking Hackathon — VIDRAFT otwiera przeglądarkowy konkurs red teaming dotyczący ViKernel, podzielony na cztery sezony, z pulą nagród 4 500 dolarów. 🔗 źródło
Robotyka
- LeWAM — Kevork Sulahian poprosił GPT-6 Astra o poprawienie polityki sterowania robotem LeWAM przez bezpośrednią edycję wag: przy 300 nieznanych wcześniej stanach początkowych żadna z siedmiu edycji nie wypada lepiej od pierwotnej polityki (-2,3 do +3,0 punktów). 🔗 źródło
- TartanGround dla FiftyOne — Voxel51 konwertuje sześć trajektorii robota lądowego ze zbioru CMU AirLab (szpital, port, mokradła, japońskie miasto, fabryka, centrum miasta), z danymi z kamery, segmentacją, lidarem, pozycją i orientacją oraz IMU. 🔗 źródło
IA głosowa
- PostNord i ElevenAgents — Nordycki operator pocztowy zastąpił w około 90 dni swój szwedzkojęzyczny system obsługi głosowej systemem wieloagentowym: odsetek połączeń obsłużonych bez przekierowania wzrasta z 45 do 60 %, przed rozszerzeniem na Danię, Norwegię i Finlandię. 🔗 źródło
- Wonderful w Together AI — Wonderful udostępnia własne modele głosowe dostrojone do słabo obsługiwanych języków na dedykowanych GPU NVIDIA, wyłącznie w Europie, z czasem do pierwszego zdania wynoszącym 274 ms według Together AI. 🔗 źródło
Firmy i instytucje
- Revolut i Codex — W studium przypadku opublikowanym przez OpenAI Revolut podaje, że skrócił czas programowania o 30 do 60 % dzięki Codex, i powierza agentowi FinCrime kontrole pierwszego poziomu, pozostawiając człowiekowi ostateczną decyzję. 🔗 źródło
- Grok Bots w SpaceXSI — Pięć Grok Bots przejmuje cykl fakturowania i pobierania należności zespołu księgowego: faktura wystawiana w kilka minut zamiast około 24 godzin, uzgadnianie płatności skrócone z 3 lub 4 godzin do 30 minut, według SpaceXSI. 🔗 źródło
- OpenAI for Chile — Memorandum o porozumieniu z chilijskim Ministerstwem Nauki w sprawie zbadania zastosowań IA w administracji, szkolenia urzędników i wsparcia startupów, bez zobowiązań do inwestycji ani zakupów. 🔗 źródło
- Crunchbase w Cohere North — Po PitchBook agenci North zyskują dostęp do ponad siedmiu milionów profili firm i prognoz Crunchbase, dla klientów posiadających licencję Crunchbase i logowanie jednokrotne. 🔗 źródło
- Przewodnik RAG od Perplexity — Piąty od października przewodnik po generowaniu wspomaganym wyszukiwaniem: korzyści, architektury, zastosowania i różnice względem samego LLM, MCP lub API, bez nowości produktowych. 🔗 źródło
Co to oznacza
Koszt na zadanie staje się głównym argumentem przy premierach modeli. OpenAI promuje GPT-6.2, opierając się nie na pojedynczym rekordzie, ale na zdobytych punktach przy mniejszej liczbie tokenów i niższej cenie Astra, a do tego wprowadza tańsze okna wykonania o długości 2 i 8 godzin dla agentów, którzy mogą poczekać. Microsoft przedstawia MAI Code 2 jako 96 % możliwości Claude Opus 5.5 za 5 % kosztu, GitHub plasuje Copilot Fusion przed Opus 5.5 i Fable 5.2 przy koszcie o 88 % niższym niż Fable, a Perplexity podaje koszt na zadanie obok każdego wyniku WANDR. Są to nadal porównania publikowane przez dostawców, na ich warunkach: cena promocyjna MAI Code 2, najlepsza konfiguracja każdego modelu w OpenAI oraz Fable 5.2, który utrzymuje prowadzenie w Intelligence Index i FrontierCode 2.0.
Agenci przechodzą od zadania do celu. Devin Bots otrzymuje odpowiedzialność, Replit Missions wynik do osiągnięcia w określonym budżecie, Gemini Tasks upoważnienie do wykonywania połączeń i płatności, a Multiagent rozdziela sprawę między zespół modeli. Charakter zabezpieczeń zmienia się wraz z tą autonomią: limit wydatków i zatwierdzenia w umowie misji Replit, limit wydatków i dozwolone sklepy w Gemini, odizolowana maszyna wirtualna dla każdego zadania, skrzynka „Potrzebna Twoja pomoc” w Cognition. Podawane liczby, takie jak 1 134 PR Android Bot czy 19-krotny rezultat roju NumPy, pochodzą od dostawców i dotyczą ich własnych projektów.
Model staje się wymienny, a wartość przesuwa się w stronę warstwy, która go wybiera i nalicza za niego opłaty. Orchestrator firmy Perplexity przełącza się między dostawcami, a nawet obchodzi odmowy jednego modelu, powierzając zadanie innemu, Multiagent i Copilot Fusion łączą konkurencyjne modele, a powiązane rozliczenia Claude Platform pozwalają płacić za API Anthropic z poziomu Warp, Linear lub Ramp bez przekazywania klucza. Wśród modeli otwartych ta sama logika działa na mniejszą skalę: zwykły adapter LoRA ponad dwukrotnie zwiększa wynik Qwen3.8-27B w 51 najtrudniejszych zadaniach SWE-bench Pro w danym harnessie, a OVHcloud trenuje Olala na publicznych europejskich superkomputerach, by nie zależeć od wag publikowanych przez innych.
Cyberbezpieczeństwo pozostaje obszarem, w którym te możliwości jednocześnie budzą niepokój i są użyteczne. GPT-6.2 osiąga próg Critical w cyberbezpieczeństwie, a w przypadku Astra próg High w samodoskonaleniu IA, co przekłada się na surowsze zabezpieczenia, które utrudniają pracę także badaczom o uzasadnionych celach. Jednocześnie OTAN, ENISA i ANSSI korzystają z modeli OpenAI do cyberbezpieczeństwa, a pilotaż MDASH firm GitHub i Microsoft pokazuje, że alert wygenerowany przez IA pomaga opiekunowi projektu dopiero po selekcji, weryfikacji i dostarczeniu wraz z poprawką: 99 raportów zakwalifikowanych spośród tysięcy alertów, z czego w 55 przypadkach problemy już naprawiono.
Źródła
- Wpis zapowiadający premierę GPT-6.2 Astra i Sol (OpenAI)
- Karta systemowa GPT-6.2
- @OpenAIDevs na X: Ultrafast i API
- Astra for Law o GPT-6.2 Astra (OpenAI)
- Dziennik zmian API OpenAI
- Przewodnik po trybie pracy w tle (OpenAI)
- Dziennik zmian GitHub: GPT-6.2 Astra i GPT-6.2 Sol
- Perplexity na X: GPT-6.2 w Search i Computer
- Wyniki za trzeci kwartał roku obrotowego 2027 (NVIDIA)
- Zmiana na stanowisku dyrektora generalnego NVIDIA (12 listopada)
- Oświadczenie niezależnych członków rady dyrektorów NVIDIA (10 listopada)
- Dziennik zmian GitHub: MAI Code 2 i MAI Code 2 Flash
- Zapowiedź MAI Code 2 (Microsoft AI)
- Przedstawiamy Orchestrator (Perplexity)
- Orchestrator: jedno API do niezawodnej inferencji (Perplexity)
- Przedstawiamy Multiagent (Perplexity)
- @perplexity_ai na X: Multiagent
- Przedstawiamy Devin Bots (Cognition)
- @cognition na X: Devin Bots
- Przedstawiamy Replit Missions
- Repozytorium DataCat (Replit)
- Zadania w Gemini (blog Google)
- Google Wallet na iOS w Stanach Zjednoczonych
- Kling Image 4.0 (blog Kling)
- Kling na X: Kling Image 4.0
- Przedstawiamy Visuals (Suno)
- Cennik kredytów na materiały wizualne w Suno
- HeyGen na X: Avatar 6
- Karta modelu Avatar 6 (HeyGen)
- Microsoft Copilot SDK 2.0 (Command Line)
- Copilot SDK v2.0.0
- Dziennik zmian GitHub: Copilot Fusion
- Dziennik zmian GitHub: adaptacyjny code review
- Dziennik zmian GitHub: Repository insights
- Dziennik zmian GitHub: browser use
- Dziennik zmian GitHub: aplikacja GitHub Copilot na Ignite
- Dziennik zmian GitHub: Copilot Evals
- Dziennik zmian GitHub: logowanie przez Entra w Copilot CLI
- Copilot CLI 1.0.113
- Dziennik zmian GitHub: Copilot dla JetBrains
- Powiązane rozliczenia na Claude Platform (Anthropic)
- @ClaudeDevs na X: powiązane rozliczenia
- Warp obsługuje teraz powiązane rozliczenia z Claude Platform
- Dokumentacja Warp dotycząca powiązanych rozliczeń
- Claude Code v2.1.326
- Dokumentacja Code Mode
- Jak zespół Claude Code podchodzi do weryfikacji (claude.dev)
- Mistral AI na X: Vibe Desktop i Vibe Pro
- Strona produktu Vibe (Mistral AI)
- Dziennik zmian Antigravity
- Replit na X: Replit Desktop
- Strona Replit Desktop
- Twórz aplikacje full-stack dla systemu Android z Gemini w Google AI Studio
- OVHcloud na X: Olala mini 7A1B
- Komunikat OVHcloud o Olala mini
- Karta Qwen3.8-27B-pi-adapted (Hugging Face)
- younes na X: Qwen3.8-27B-pi-adapted
- Droga do Together Compiler (Together AI)
- Nemotron for Science (NVIDIA)
- Trening końcowy Nemotron w dziedzinie naukowej (NVIDIA)
- Platforma Vera dla nauki (NVIDIA)
- DGX Spark HPC Developer Kit (blog NVIDIA)
- Wzmacnianie cyberobrony NATO i sojuszników za pomocą AI (OpenAI)
- Opiekunowie projektów nie potrzebują kolejnych zgłoszeń błędów od AI, lecz poprawek (GitHub)
- GitHub na X: program pilotażowy MDASH
- Gemini Hydrogen w robotyce (Google Developers)
- Google DeepMind na X: plugin Robotics
- Hub na X: HubEgo-100K
- Zbiór danych HubEgo-100K na Hugging Face
- Scribe v3 Live Medical (ElevenLabs)
- Cognition i McKinsey (blog Devin)
- Komitet ds. bezpieczeństwa narodowego i eksportu (NVIDIA)
- Zobowiązania NVIDIA wobec dostawców
- NVIDIA, IBM i Fermilab
- Midjourney: style dla modelu edycji
- Ideogram na X: Print on Demand Studio
- Tworzenie agentów działających natywnie na płótnie (Luma)
- Codex CLI 0.171.0-alpha.12
- Qwen Code v0.28.0
- Kimi Code 2.6.3
- Delta: Personal Runners
- Informacje o wydaniu Devin z 16 listopada
- Gemini CLI: PR 30282
- DeepSeek Harness 0.2.2-rc.4
- Dziennik zmian GitHub: secret scanning na żądanie
- Dziennik zmian GitHub: porównanie harnessów
- Dziennik zmian GitHub: Event Streams
- Dziennik zmian GitHub: Microsoft Agent 365
- Tworzenie Agent Host Protocol (GitHub)
- Serwer MCP GitHub v2.2.0
- Dziennik zmian GitHub: dostosowywanie za pomocą pluginów
- Dziennik zmian GitHub: podsumowanie informacji o Copilot z 9 listopada
- Dziennik zmian GitHub: odrzucanie alertów Dependabot
- Qwen na X: Qwen4-Max na You.com
- TRL v1.18.1
- Konkurs MecCog (Hugging Face)
- AutoBench: nowy Auto Router od OpenRouter
- OpenUncensored: niecenzurowane modele jako agenci
- TuHaMa (zestaw narzędzi NLP dla języka tureckiego)
- Suvaditya Mukherjee na X: TRELLIS.2 w CUDA C++
- Hackathon hakowania modeli AI (VIDRAFT)
- LeWAM i edycja wag
- TartanGround dla FiftyOne
- PostNord i ElevenAgents
- Wonderful w Together AI
- Revolut i OpenAI
- Tworzenie zespołu księgowego za pomocą Grok Bot (xAI)
- Przedstawiamy OpenAI for Chile
- Crunchbase w North (Cohere)
- Przewodnik po RAG od Perplexity