W Anthropic udział juniorów wśród nowo zatrudnionych pracowników technicznych spada z 27 % do 9 %, DeepSeek publikuje V4.1-Flash-1017, Claude Code zaczyna odpowiadać trzy razy szybciej

Anthropic bada własne zespoły: udział juniorów wśród nowo zatrudnionych pracowników technicznych spadł tam z 27 % do 9 %, agenci uruchamiani przez pracowników przepracowali w sierpniu sześciokrotnie więcej godzin niż sami pracownicy, a 91 % z nich uważa, że IA będzie zdolna do odkrycia godnego Nagrody Nobla do 2030 roku, wobec 39 % Amerykanów. DeepSeek publikuje V4.1-Flash-1017 na licencji MIT, wyprzedzając GPT-5.6 Sol i Claude Opus 5 w DeepSWE v1.1 przy niezmienionych cenach, i udostępnia wszystkim swoje API wyszukiwania w sieci Search i Fetch. Agenci Google Research sterują robotami laboratoryjnymi i pomagają uzyskać białka wiążące cel nowotworowy z nanomolarnym powinowactwem, Claude Code zaczyna odpowiadać trzy razy szybciej niż w sierpniu, a NVIDIA przedstawia szczegóły swoich komputerów RTX Spark dla programistów.

Anthropic bada własne miejsca pracy: udział juniorów wśród nowo zatrudnionych pracowników technicznych spada do 9 %, pracownicy firmy oczekują od IA znacznie więcej niż Amerykanie

16 października — Zespół Economics w Anthropic publikuje dwa raporty The Anthropic Institute, których przedmiotem badania jest sama firma. Pierwszy, „Jak zmienia się zatrudnienie w Anthropic” (How employment is changing at Anthropic), zestawia dane wewnętrzne (liczebność zespołów, wykorzystanie IA, wyniki pracy, kalendarze, decyzje rekrutacyjne) z 17 wywiadami z pracownikami. Drugi, „Rozbieżność oczekiwań wobec IA” (The AI expectations gap), porównuje sondaż Morning Consult przeprowadzony w sierpniu wśród 10 980 dorosłych Amerykanów z badaniem wewnętrznym obejmującym 1 334 pracowników; druga tura, we wrześniu, przynosi zbliżone wyniki.

Wskaźnik monitorowany w Anthropic	Zmierzona zmiana
Udział juniorów wśród nowo zatrudnionych pracowników technicznych	z 27 % do 9 %
Udział juniorów w działach technicznych	z 21 % do 14 % od początku 2025 roku
Godziny pracy agentów interaktywnych na godzinę pracy pracownika	6 w sierpniu 2026 roku
Commity na inżyniera	5 razy więcej niż sześć miesięcy wcześniej
Sesje programowania pracowników nietechnicznych miesięcznie	z 2 (sierpień 2025) do 90 (maj 2026)

Spadek udziału początkujących jest najbardziej jednoznacznym ustaleniem, a IA odgrywa w nim otwarcie deklarowaną rolę: w kwietniu 2026 roku około jednej trzeciej menedżerów zajmujących się uczeniem maszynowym i jedna piąta menedżerów inżynierii oprogramowania twierdziła, że z jej powodu zatrudnia mniej osób. Agenci z kolei zyskali na znaczeniu: w marcu 2026 roku ich łączny czas pracy po raz pierwszy przekroczył czas pracy pracowników. Wśród 192 inżynierów, którzy zaczęli korzystać z agentów programistycznych, ilość dodawanego kodu gwałtownie wzrosła w porównaniu z 74 inżynierami, którzy tego nie zrobili, przy czym kod agentów nie był później częściej usuwany ani wycofywany.

Drugą stroną tego zjawiska jest uwaga człowieka, która stała się wąskim gardłem: sesje interaktywne pozostają bezczynne przez około 80 % czasu, czekając na odpowiedź, a przeczytanie wszystkiego, co generują, zajęłoby ponad połowę tygodnia pracy. Metapraca (meta-work), polegająca na pisaniu specyfikacji dla agentów, zlecaniu jednemu agentowi sprawdzenia pracy drugiego lub nadzorowaniu procesów przetwarzania, wzrosła z 10 % do 22 % sesji między jesienią 2025 a wiosną 2026 roku, a mediana czasu spędzanego przez pracowników na spotkaniach jest o 20 % wyższa niż rok wcześniej. Podczas rekrutacji oceny kładą większy nacisk na samodzielność i zdolność trafnego osądu; Anthropic deklaruje wdrażanie systemu wczesnego ostrzegania (early warning system) dotyczącego zagrożonych stanowisk i preferowanie przeniesień wewnątrz firmy.

Drugi raport pokazuje, że pracownicy i ogół społeczeństwa zgadzają się co do obecnych możliwości IA, ale nie co do tempa jej rozwoju:

Badana odpowiedź, perspektywa 2030 roku	Ankietowani Amerykanie	Pracownicy Anthropic
Odkrycie godne Nagrody Nobla uznane za możliwe	39 %	91 %
Część własnej pracy możliwa do wykonania przez IA (średnia)	28 % (aktywni zawodowo)	75 %
Wzrost PIB wynikający z odpowiedzi (mediana)	5,4 %	17,1 %

Obie grupy rozumują jednak podobnie: im większą część własnej pracy ktoś uważa za możliwą do wykonania przez IA, tym wyższe bezrobocie przewiduje, a amerykańscy pracownicy, którzy oceniają ten udział na co najmniej 80 %, przewidują bezrobocie na poziomie 12,2 % w 2030 roku, wobec obecnych 4,2 %. Wzrost PIB wyliczono na podstawie modelu scenariuszy gospodarczych przedstawionego przez Anthropic we wrześniu. Mediana ocen pracowników wskazuje ponadto, że IA wykonuje już 51 % pracy związanej z budową czołowego modelu i że pod koniec 2030 roku będzie to 95 %: raport zaznacza, że są to osobiste opinie zebrane w sondażu, a nie prognozy firmy.

🔗 Jak zmienia się zatrudnienie w Anthropic · Rozbieżność oczekiwań wobec IA · Wpis przedstawiający raporty

Modele otwarte: DeepSeek publikuje V4.1-Flash-1017 i udostępnia API Search i Fetch, partnerzy NVIDIA dotrenowują Nemotron 3.5 Super VL

17 października — DeepSeek publikuje DeepSeek-V4.1-Flash-1017, nową wersję V4.1-Flash, swojego multimodalnego modelu typu MoE o 552 miliardach parametrów, wprowadzonego 10 września. Karta modelu mówi o drobnej aktualizacji (minor update), ale różnice w zadaniach agentowych są wyraźne: 77,0 % w DeepSWE v1.1 wobec 74,2 % dla poprzedniej wersji, 42,3 wobec 31,2 w Terminal-Bench 4.0. Wagi opublikowano na licencji MIT na Hugging Face i ModelScope, a model jest dostępny na stronie, w aplikacji i przez API.

Stronger benchmark performance, faster task completion, and shorter outputs than the previous version—a Pareto improvement in performance and cost.

🇵🇱 Wyższe wyniki, szybsze wykonywanie zadań i krótsze odpowiedzi niż w poprzedniej wersji: poprawa w sensie Pareto pod względem wydajności i kosztów. — @deepseek_ai na X

Cena pozostaje bez zmian. Nazwa deepseek-flash wskazuje teraz tę wersję, z kontekstem miliona tokenów i maksymalnie 384K tokenów wyjściowych; stare nazwy deepseek-v4-flash i deepseek-v4-flash-vision-exp są nadal akceptowane, ale ich żądania również trafiają do V4.1-Flash-1017. Cennik wciąż podaje 0,30 dolara za milion tokenów wejściowych (poza pamięcią podręczną) i 1,20 dolara za tokeny wyjściowe w godzinach szczytu, a poza nimi połowę tych stawek, tak jak 13 września. Spadek kosztów wynika więc z krótszych odpowiedzi: wykres w informacji o wydaniu, dostępny wyłącznie jako obraz, umieszcza ustawienie max na poziomie 77,0 % w DeepSWE v1.1 przy koszcie około 0,2 dolara za zadanie, powyżej wszystkich pozostałych punktów. Najbliższy, GPT-6.1 Sol, osiąga maksymalnie około 75 % przy koszcie około 0,65 dolara, natomiast najlepsze punkty GPT-6 Astra, Gemini 3.8 Flash, Claude Opus 5 i Claude Fable 5, mieszczące się mniej więcej między 70 % a 74 %, kosztują od około 2 do 15 dolarów za zadanie.

Benchmark	V4.1-Flash-1017	V4.1-Flash	K3	GLM-5.3	GPT-5.6 Sol	Opus 5
HLE bez narzędzi	42,6	36,8	43,5	42,0†	44,5	56,3
Terminal-Bench 4.0	42,3	31,2	12,6	37,9	39,9	51,8
DeepSWE v1.1	77,0	74,2	67,5	66,9	73,0	74,0
ProgramBench	29,1	20,3	17,5	19,0	23,0	37,0
NL2Repo-Bench	68,2	65,4	58,0	58,0	56,8	75,3
Automation-Bench v1.0.6	60,5	54,8	46,7	48,8	45,8	50,3
Agents’ Last Exam	35,4	31,8	27,6	28,5	26,7	28,6
Apex Bench v1.1	72,1	64,6	47,8	56,6	54,3	65,8

† : tekstowy podzbiór HLE, jedyny wynik podany dla GLM-5.3 (V4.1-Flash-1017 uzyskuje w nim 44,0). Źródło: karta modelu na Hugging Face.

Spośród modeli zamkniętych tabela uwzględnia tylko GPT-5.6 Sol i Claude Opus 5, bez ich następców. V4.1-Flash-1017 wyprzedza je w DeepSWE v1.1, Automation-Bench, Agents’ Last Exam i Apex Bench, ale pozostaje za Opus 5 w HLE bez narzędzi (gdzie wyprzedza go również GPT-5.6 Sol, 44,5 wobec 42,6), Terminal-Bench 4.0, ProgramBench, NL2Repo-Bench oraz trzech wizualnych benchmarkach z narzędziami z karty modelu (Chartography, BabyVision i ZeroBench-main); w porównaniu z modelami otwartymi K3 i GLM-5.3 ustępuje tylko K3, w HLE bez narzędzi (43,5 wobec 42,6). DeepSeek przypisuje te postępy uczeniu ze wzmocnieniem z samooceną (reinforcement learning with self-feedback) na kompletnych projektach i optymalizuje model pod kątem DeepSeek Harness, Tencent CodeBuddy i WorkBuddy. Do uruchamiania lokalnego publikacja nie dostarcza szablonu konwersacji w formacie Jinja, lecz referencyjną implementację formatu promptu w Pythonie, i zaleca co najmniej 256K tokenów wyjściowych; tej wersji nie towarzyszy nowy raport techniczny.

🔗 Informacja o wydaniu DeepSeek · Karta modelu na Hugging Face

Search i Fetch: DeepSeek udostępnia wszystkim swoje API wyszukiwania w sieci za 0,75 dolara za 1 000 udanych żądań

17 października — W tym samym wątku DeepSeek udostępnia wszystkim użytkownikom swojego API dwie usługi wyszukiwania w sieci. Search odpytuje własną wyszukiwarkę DeepSeek, która według firmy obsługuje setki milionów zapytań dziennie, i zwraca uporządkowane wyniki: każdy zawiera ocenę trafności od 0 do 3, streszczenie o długości od 600 do 800 znaków przeznaczone dla modelu, datę publikacji i poziom autorytetu od 0 do 4. Fetch pobiera stronę i konwertuje ją do Markdown, z uwzględnieniem zasad dostępu obowiązujących w danym serwisie.

Element oferty	Wartość podana przez DeepSeek
Cena każdego API	0,75 dolara za 1 000 udanych żądań
Limit na konto	5 żądań na sekundę dla każdego API
Wyniki na wyszukiwanie	od 1 do 50 (domyślnie 10)
Wywołania z Harness, Claude Code, Codex	bezpłatne do 31 października, 16 h UTC

Opłaty są naliczane wyłącznie za odpowiedzi zawierające wynik: błędy, wyszukiwania bez wyników i przekroczenia limitu czasu są bezpłatne, a liczba żądanych wyników nie zmienia ceny. Narzędzia działające po stronie serwera API DeepSeek, wywoływane z DeepSeek Harness, Claude Code lub Codex, już wcześniej korzystały z tych API, a te wywołania pozostają bezpłatne do 31 października; Harness v0.2.1-rc.2 integruje Search i Fetch z ustawieniami wyszukiwania w sieci.

🔗 Przewodnik po Search i Fetch · Ogłoszenie @deepseek_ai

Nemotron 3.5 Super VL: po dotrenowaniu przez partnerów NVIDIA dorównuje droższym modelom zamkniętym w ich zadaniach

16 października — Dzień po premierze Nemotron 3.5 Super VL, swojego otwartego modelu o 120 miliardach parametrów (12 miliardów aktywnych), przedstawionego tutaj 15 października, NVIDIA publikuje wątek przywołujący 21 wpisów partnerów, z których niemal wszystkie ukazały się w dniu premiery. Znaczna część pokazuje wyniki modelu po dotrenowaniu do konkretnego zadania, mierzone we własnych ewaluacjach poszczególnych partnerów: NVIDIA udostępnia je bez wspólnej metodologii.

Wymieniony partner	Zastosowanie po dotrenowaniu	Wynik ogłoszony przez partnera
AfterQuery (z Hebbia)	Eksperckie zadania kredytowe	z 47 % do 74 % zadań rozwiązanych bezbłędnie, przy około 1/7 kosztu porównywanych modeli zamkniętych
Trajectory	Legal Agent Bench firmy Harvey	poziom Opus 4.7, przy cenie 1,34 dolara za milion tokenów wobec 15
Alex Dimakis	Autonomiczny badacz ML	z 28 % do 35 % w AutoResearchExam, poziom 20 razy większego Qwen 3.8 Max
Handshake	Dokumenty z nauk o życiu	podwojona dokładność dzięki ponad 2 000 danych od ekspertów
Multiverse Computing	Kompresja modelu	Comet 60B, o połowę mniej parametrów, różnica względem pierwotnej dokładności poniżej 5 %

Wątek pokazuje również narzędzia powstające wokół modelu: dostępność na Tinker, przez API River, na AC2 firmy Applied Compute i ModelScope (wagi BF16 i NVFP4), uruchomienie Fastino Training API do pętli SFT i RL oraz obsługę z szybkością 962 tokenów na sekundę na użytkownika na dwóch GPU H200 z silnikiem Litespark firmy Mindbeam.

🔗 Wątek @NVIDIAAI

Agenci w laboratorium: Google Research powierza im roboty pipetujące i uzyskuje cząsteczki wiążące o nanomolowym powinowactwie do celu nowotworowego

16 października — Google Research przedstawia trzy prace, które wprowadzają agentów AI do laboratorium eksperymentalnego (wet lab): nie ograniczają się już do projektowania cząsteczek, lecz uruchamiają eksperymenty, odczytują wyniki i korygują swoje metody pod kierunkiem naukowców.

Pierwszy element, VERID (VERified Infrastructure for Discovery Laboratories), to cyfrowy bliźniak zrobotyzowanego stanowiska pipetowania, zbudowany na bazie frameworka open source PyLabRobot. Śledzi na bieżąco ramię robota, objętość w każdym dołku, odczynniki i dostępne końcówki pipet, pozwala przećwiczyć każdy protokół w symulacji w ciągu kilku sekund i blokuje polecenia niemożliwe do wykonania z fizycznego punktu widzenia. W jednym z opisanych przypadków symulator odrzuca ośmiokanałową aspirację ze zbyt wąskiego pojemnika: agent zmienia plan, a następnie opracowuje plan eksperymentu czynnikowego, który pozwala wyodrębnić zafałszowanie wyników spowodowane zanieczyszczeniami pozostawionymi przez końcówki.

Eksperyment przeprowadzony z agentami	Wynik podany przez Google Research
Aptamery przeciwko α-trombinie, trzy cykle	0 %, następnie 26,0 %, a potem 42,1 % potwierdzonych cząsteczek wiążących, przy swoistości 98,5 %
Aptamery przeciwko mioglobinie	swoistość spadła z 75,0 % do 19,1 %, po czym wzrosła do 72,4 %; 33,5 % cząsteczek wiążących w cyklu 3
Białka wiążące FAP zaprojektowane de novo	powinowactwo w zakresie jednocyfrowych wartości nanomolowych, przewidywanie struktury 8,6 razy szybsze
Współpraca człowieka z agentem, przy takich samych zasobach obliczeniowych	odsetek sukcesów in silico niemal dwukrotnie wyższy niż w przypadku naukowca pracującego samodzielnie

Przypadek mioglobiny pokazuje uczenie się w zamkniętej pętli: w drugim cyklu agenci stawiają na motywy G-kwadrupleksowe, które wiążą się ze wszystkim, odczytują z danych laboratoryjnych gwałtowny spadek swoistości i samodzielnie przepisują swoje reguły projektowania. W przypadku FAP, receptora o nadmiernej ekspresji w guzach litych, pipeline zachowuje podczas przewidywania struktury wyłącznie miejsce wiązania. Google szczegółowo opisuje swoje zabezpieczenia (niezakaźne układy biologiczne, kontrola każdej sekwencji pod kątem bezpieczeństwa biologicznego, obowiązkowa symulacja przed wykonaniem, nadzór człowieka), ale nie podaje, jaki model steruje agentami.

🔗 Wpis Google Research · VERID (PDF) · Piaskownica aptamerów (PDF) · Wycinanie epitopu (PDF)

Agenci programistyczni: Claude Code zaczyna odpowiadać trzykrotnie szybciej, wersja 2.1.302 rozszerza użycie podagentów fork, Replit trafia do chmury swoich klientów

16 października — Claude zaczyna odpowiadać wcześniej, ogłasza @ClaudeDevs. W Claude Code rozmowa wysyłana do modelu w każdej turze jest teraz kompresowana za pomocą gzip, aby szybciej do niego dotrzeć, a sesje w chmurze uruchamiają się już w momencie rozpoczęcia wpisywania polecenia. Tabela dołączona do ogłoszenia przedstawia czas oczekiwania na pierwszy token w sierpniu i październiku:

Środowisko objęte pomiarem	Sierpień 2026	Październik 2026	Deklarowane przyspieszenie
Claude Code, sesje lokalne	4,07 s	1,33 s	3 razy
Claude Code, sesje w chmurze	16,99 s	6,00 s	2,8 razy
Claude, czat i Cowork	3,36 s	2,17 s	1,5 raza
API Claude, z uwzględnieniem czasu pracy modelu (mediana)	1,53 s	1,01 s	1,5 raza

Pierwsze trzy wiersze nie uwzględniają czasu obliczeń modelu i dotyczą 90. percentyla. Kompresja nie jest zupełną nowością: Claude Code 2.1.300 stosował ją już 14 października do dużych żądań kierowanych do api.anthropic.com, ze zmienną CLAUDE_CODE_GZIP_REQUEST_BODIES=0 pozwalającą ją wyłączyć. Nie podano numeru wersji dla wcześniejszego uruchamiania sesji w chmurze.

🔗 Ogłoszenie @ClaudeDevs

Claude Code 2.1.302: podagenci fork domyślnie poza terminalem, wybór modelu klasyfikatora trybu auto, 43 poprawki

16 października — Dzień po wersji 2.1.301 Claude Code 2.1.302 (63 pozycje, w tym 43 poprawki) rozszerza na inne środowiska zachowanie dotąd właściwe terminalowi: podagenci fork są teraz domyślnie aktywni w claude -p, Agent SDK, aplikacji desktopowej i VS Code (CLAUDE_CODE_FORK_SUBAGENT=0 pozwala ich wyłączyć), a aplikacja desktopowa i VS Code zawsze uruchamiają w tle podagentów głównej rozmowy.

Obszar	Zmiana wprowadzona w wersji 2.1.302
Tryb auto	`CLAUDE_CODE_AUTO_MODE_MODEL` wybiera model klasyfikatora uruchamianego po stronie klienta
Polecenie `/config`	pozycja Idle compaction pozwalająca wyłączyć lub ponownie włączyć kompaktowanie podczas bezczynności
Dostawcy zewnętrzni	bez wskazanego trybu `claude -p` i Agent SDK uruchamiają się w trybie `default`, jeśli telemetria jest wyłączona lub instalacja jest nowa
Hooki prompt i agent	maksymalnie 12 równoczesnych wykonań na zdarzenie
Narzędzie Read	obrazy większe niż 128 Mo są odrzucane zamiast ładowania ich do pamięci

Wśród pozostałych poprawek: zaplanowana procedura, która zakończyła się częściowym niepowodzeniem, nie jest już uruchamiana ponownie od początku, co mogło powodować dwukrotną publikację tego samego raportu, a dyski exFAT i FAT32 nie blokują już zapisu w systemie Windows.

🔗 Informacje o wydaniu Claude Code 2.1.302

Replit Bring Your Own Cloud: platforma w środowisku Azure, Google Cloud lub AWS klienta oraz Claude Haiku 5.5 w trybie Power

16 października — Replit wprowadza Bring Your Own Cloud (BYOC), które pozwala uruchomić całość lub część Replit w środowisku chmurowym (tenant) firmy w Microsoft Azure, Google Cloud lub Amazon Web Services. Dla programistów nic się nie zmienia: nadal publikują za pomocą tego samego przycisku Publish.

Opcja wdrożenia	Co działa u klienta	Etap dostępności
Full BYOC	cała platforma, łącznie ze środowiskiem wykonawczym Agenta, oraz opublikowane aplikacje	prywatna wersja zapoznawcza
BYOC for Published Apps	wyłącznie opublikowane aplikacje, podczas gdy prace programistyczne pozostają w Replit	wczesny dostęp
Image Exports	obraz Docker, plik Terraform i SBOM, wdrażane przez zespół klienta	wczesny dostęp

Tunele obsługują wyłącznie połączenia wychodzące, z podwójnym szyfrowaniem mTLS, a klucze zarządzane przez klienta (CMEK) są zarezerwowane dla umów obejmujących pełną izolację fizyczną. Dokumentacja określa ograniczenia: warstwa sterowania pozostaje w Replit, Full BYOC nie jest ani instalacją odizolowaną od sieci (air-gapped), ani w pełni samodzielnie hostowanym Replit, a inferencję modeli nadal zapewnia Replit. Nie opublikowano cen. Changelog z tego samego dnia dodaje Claude Haiku 5.5 do listy wyboru modeli w trybie Power w planach Core i Pro, w których Claude Sonnet 5.5 pojawił się 2 października.

🔗 Wpis Replit · Dokumentacja BYOC · Changelog z 16 października

RTX Spark: NVIDIA przedstawia szczegóły swoich komputerów dla programistów, z Junie Local od JetBrains i deklarowanym przyspieszeniem względem Core Ultra X9 388H

16 października — W dniu premiery laptopów RTX Spark, których oprogramowanie dostępne na start przedstawiono 13 października, NVIDIA wyjaśnia na swoim blogu technicznym, co maszyna oferuje programistom: programowanie, testowanie i wdrażanie na jednym komputerze, z agentami programistycznymi działającymi lokalnie na nawet 128 Go pamięci zunifikowanej. Laptopy są już dostępne, a w listopadzie dołączą do nich niewielkie komputery stacjonarne, przedstawiane jako odpowiednie dla agentów działających bez przerwy.

Obciążenie	Test użyty przez NVIDIA	Deklarowane przyspieszenie względem Core Ultra X9 388H
Agenci programistyczni	AA-AgentPerf-local z Qwen3.8-27B	4,6 razy
Dostrajanie (LoRA)	Unsloth na Llama-3.1-8B	2,7 razy
Kompilacja	jądro Linux, Phoronix Test Suite	1,8 raza

Są to pomiary NVIDIA w porównaniu z układem Panther Lake 12Xe firmy Intel. Jeśli chodzi o oprogramowanie, Windows Developer Config, opracowany wspólnie z Microsoft, instaluje najważniejsze frameworki programistyczne, wyłącza powiadomienia i usprawnia terminal; w Windows on Arm ponad 2 000 pakietów Conda jest gotowych do użycia, a ponad 97 % spośród 15 000 najczęściej używanych pakietów Python ma wersję Arm. JetBrains wprowadza natywną obsługę Junie Local, który dostosowuje okno kontekstowe do pamięci GPU, GitHub Copilot działa lokalnie za pośrednictwem Windows ML z llama.cpp, a SDK AI for Media (superrozdzielczość wideo, generowanie klatek pośrednich, TrueHDR) trafiają na PyPI w postaci pakietu Python.

🔗 Wpis na blogu technicznym NVIDIA

W skrócie

Agenci i narzędzia do kodowania

Informacje o wydaniu Devin z 16 października — Po informacjach z 14 października, opisanych 15 października, Cognition publikuje 19 pozycji: polecenia /devin w merge requests GitLab, status scalenia Bitbucket Cloud w Devin Review, wyszukiwanie pull requests na pięciu platformach hostingowych, wbudowane narzędzia do issues i labels oraz ustawienie Enterprise, które ukrywa dawny marketplace MCP bez odłączania już zainstalowanych serwerów. 🔗 źródło
Copilot CLI 1.0.100-1 — Dwie i pół godziny po wersji 1.0.100-0, opisanej poprzedniego dnia, ta druga wersja zapoznawcza ustawia ujednoliconą przeglądarkę sesji jako domyślny widok dla /sessions, /session i /resume oraz usuwa znaczniki języka z dyktowania głosowego; wciąż nie ma żadnego wydania stabilnego od wersji 1.0.98 z 14 października. 🔗 źródło
Gemini CLI, nightly z 17 października — Cztery poprawki zamykające zgłoszenia z marca i kwietnia: automatyczna aktualizacja wreszcie sprawdza faktycznie uruchomiony plik binarny, zamiast w kółko fałszywie zgłaszać sukces, gdy w PATH współistnieje kilka instalacji, keybindings.json akceptuje tablicę keys, a sygnały zatrzymania docierają do procesu potomnego przy użyciu ACP, systemd lub kontenera. 🔗 źródło
Antigravity CLI 1.4.0 i aplikacja Antigravity 2.24.0 — Uzupełnienie wiadomości z 15 i 14 października: CLI wyświetla swój stan na karcie terminala (sekwencja OSC 7501) i przebudowuje agy plugin validate zgodnie z rzeczywistymi regułami ładowania; aplikacja, po wersji 2.23.0 opisanej 13 października, zmienia panel boczny, dodaje /compact i pozwala wybierać Flash Lite, Flash lub Pro dla każdej automatyzacji. 🔗 źródło
DeepSeek Harness 0.2.1-rc.1 i rc.2 — Dwie pierwsze wersje kandydujące z serii 0.2.1: rc.1 zbiera zmiany z wersji zapoznawczych od alpha.1 do alpha.5, a rc.2 obsługuje V4.1-Flash-1017 oraz API Search i Fetch; repozytorium liczy 31 wydań od 17 sierpnia, wszystkie w wersji zapoznawczej. 🔗 źródło
bun lint — Uzupełnienie wiadomości z 15 października: Bun, przejęty przez Anthropic pod koniec 2025 roku, zapowiada w następnym wydaniu linter zgodny z ESLint, z ponad 1 000 wbudowanych reguł, odczytujący konfiguracje eslint i oxlint; według zapowiedzi 26 razy szybszy od ESLint, a według pomiarów pięciu repozytoriów od 11 do 43 razy, nie ma jeszcze daty wydania. 🔗 źródło

OpenAI w firmach i wśród deweloperów

Itaú i ia.i — Według studium przypadku OpenAI brazylijski bank udostępnia ia.i, swój interfejs konwersacyjny obsługiwany tekstowo lub głosowo, około 300 000 klientów i zamierza objąć całą bazę klientów do końca 2026 roku; modele GPT-5.x zasilają Customer DNA (około 70 milionów klientów), a jego platforma IARA, korzystająca z wielu dostawców, obsługuje rozwiązanie prawne obejmujące ponad 90 milionów dokumentów. 🔗 źródło
Benefit Street Partners i Codex — W tej firmie zarządzającej aktywami, specjalizującej się w kredytach, zarządzający portfelem Anant Kumar zbudował w jeden dzień pierwszą wersję narzędzia do śledzenia wycen pożyczek (łącznie 10–12 godzin prac programistycznych) oraz analizator umów kredytowych zrefaktoryzowany przy użyciu GPT-6 Astra; pytania komitetu inwestycyjnego, które zajmowały dni lub tygodnie, są teraz rozpatrywane w ciągu jednego dnia. 🔗 źródło
ChatGPT Enterprise i Edu — Synchronizowane konektory zarządzane przez administratora są wycofywane na rzecz aplikacji Google Drive, SharePoint i Microsoft Teams działających w czasie rzeczywistym, z nowymi mechanizmami kontroli treści, a strona External access w Admin Console centralizuje dostęp związany z Sign in with ChatGPT, połączonymi aplikacjami i danymi Ads. 🔗 źródło
Przełączanie między dostawcami — Uzupełnienie wiadomości z 14 października: blog OpenAI Developers wyjaśnia, jak przełączać się między bezpośrednim API OpenAI a jego modelami w Amazon Bedrock lub Azure OpenAI: wyłącznie w przypadku błędu przejściowego lub ograniczenia przepustowości zagrażającego terminowi, nigdy przy nieprawidłowym żądaniu, odmowie lub wyczerpanym limicie; prompt dla Codex dodaje domyślnie wyłączony mechanizm przełączania. 🔗 źródło
Projekty sprzętowe zbudowane z Codex — OpenAI Developers prezentuje otwartą na zgłoszenia galerię społecznościową 20 projektów uszeregowanych według głosów: od starego Kindle przekształconego w panel monitorowania wykorzystania AI po identyfikator DEFCON, którego układ, według autora, zaprojektowała Astra — od trasowania w KiCad po zamówienie w JLCPCB. 🔗 źródło

API, modele i wyszukiwanie w sieci

Agent API od Perplexity — Szesnaście starszych modeli (siedem Claude 4.x, pięć Gemini 3.x, cztery Grok 4.x) znika z dokumentacji, kalkulatora i przykładów, przy czym wpis nie stwierdza, że ich identyfikatory przestają odpowiadać; pojawiają się tam GPT-6 Astra (10 dolarów za milion tokenów wejściowych, 50 za wyjściowe) i DeepSeek V4 Pro (1,32 i 3,96 dolara). 🔗 źródło
pplx-decider-v1.2 na OpenRouter — Opublikowane 16 października wraz z wagami dwa modele decyzyjne Perplexity trafiają tego samego dnia na OpenRouter, w cenie 0,02 dolara (27B) i 0,01 dolara (4B) za milion tokenów wejściowych, z bezpłatnymi tokenami wyjściowymi i kontekstem 262K, podobnie jak v1.1 z 7 października. 🔗 źródło
Embed 5 Fast kontra EmbeddingGemma 2 — Cohere twierdzi, że wyprzedza model Google na ponad 95 % ze 163 zbiorów danych, ale przy użyciu RCP-nDCG@10, własnej metody oceny; przy standardowym nDCG@10 jego wykres ViDoRe v3 pokazuje 59,3 wobec 47,6, bez listy zbiorów danych, zestawiając płatny model dostępny przez API z otwartym modelem o 740M parametrów. 🔗 źródło
SDK TypeScript od SpaceXSI 0.2.4 — Bez zapowiedzi dodaje parametr guidelines w responses.create(), instrukcje według kategorii dla odpowiedzi modelu (odmowa w danej kategorii, oferowanie wsparcia w przypadku samookaleczania), formaty wideo 21:9 i 5:2 oraz identyfikatory grok-voice-3.0 i grok-voice-2.0, a także oznacza Live Search jako przestarzałe na rzecz web_search i x_search. 🔗 źródło
AI Mode i AI Overviews — Uzupełnienie wiadomości z 15 października: Google dodaje więcej linków osadzonych wyżej w generowanych odpowiedziach, rozszerza na kolejne kraje i języki karuzele wiadomości wyróżniające preferowane źródła (Preferred Sources), których wykorzystanie wzrosło ponad siedmiokrotnie od początku roku, i testuje sekcję poświęconą oficjalnym stronom. 🔗 źródło

Otwarte modele i badania społeczności

FLUX 3 Image Klein — Dwa dni po premierze modelu Black Forest Labs poprawia swoje workflows (ComfyUI v0.41.3, zaktualizowany Space na Hugging Face), zaleca upsampling promptu w 2K i publikuje na GitHubie zalecany prompt systemowy pozwalający zrezygnować z tej operacji. 🔗 źródło
Filtrowanie według autora na Hubie — Strony Models i Datasets w Hugging Face można filtrować według użytkownika lub organizacji za pomocą nowego przycisku na każdym profilu; karta przypomina o przeglądanym koncie podczas dodawania filtrów zadania, rozmiaru, biblioteki lub licencji. 🔗 źródło
Ammu-1.0-OffOnTopic-Guardrail — Kalyan KS publikuje na licencji MIT cztery klasyfikatory o liczbie parametrów od 150M do 17M, które oceniają, czy zapytanie wykracza poza zakres określony w prompcie systemowym; według autora największy uzyskuje wynik Macro-F1 równy 91,56, wobec 81,95 dla DeepSeek V4 Flash 0731 i 79,12 dla GPT-6 Luna. 🔗 źródło
Niewdrożony klasyfikator pamięci — Javad Taghia wyjaśnia, dlaczego enkoder dostrojony do podejmowania decyzji o zapisach w pamięci AtMem nie trafił na produkcję: wzrost z 18,4 % do 73,8 % w zamkniętym teście, ale tylko 16 trafnych decyzji na 100 fikcyjnych obserwacji odtworzonych w warunkach produkcyjnych, wobec 30 dla reguł deterministycznych, i działanie od 15 do 230 razy wolniejsze. 🔗 źródło
SPICY-KV — Według Yuge Y (ElithiaTechnologies) ta metoda, grupująca klucze przed RoPE, kompresuje cache KV modelu DeepSeek-R1-Distill-Qwen 28,6 razy, zachowując 100,0 % (1.5B) i 91,7 % (7B) czułości na RULER, podczas gdy scalanie po RoPE spada do 0,0 %; są to pomiary autora, bez recenzji naukowej. 🔗 źródło

Co to oznacza

Raport Anthropic przenosi dyskusję o zatrudnieniu na inny grunt. W czołowym laboratorium interaktywni agenci uruchamiani przez pracowników pracują już sześć razy więcej godzin niż oni, a deficytowym zasobem staje się ludzka uwaga: przeglądanie, specyfikowanie, nadzorowanie. Początkujący odczuwają to jako pierwsi: przypada na nich 9 % nowych pracowników technicznych wobec 27 %, a rozmowy kwalifikacyjne w większym stopniu oceniają samodzielność i zdolność osądu. Google Research opisuje ten sam podział pracy w laboratorium: naukowiec ustala strategię, agent ją realizuje, a duet znajduje niemal dwa razy więcej kandydatów in silico niż sam naukowiec. Pozostaje rozbieżność w oczekiwaniach: 91 % pracowników Anthropic uważa, że AI jest zdolna dokonać odkrycia godnego Nobla do 2030 roku, wobec 39 % Amerykanów, a z ich odpowiedzi wynika trzykrotnie wyższy wzrost PKB (17,1 % wobec 5,4 %).

Zyski szybkości napotykają tę samą granicę. Claude Code skraca lokalnie czas oczekiwania na pierwszy token z 4,07 do 1,33 sekundy i domyślnie włącza subagentów typu fork poza terminalem, ale badanie Anthropic pokazuje, że maszyna nie jest już głównym wąskim gardłem: sesje interaktywne pozostają bezczynne przez około 80 % czasu, czekając na odpowiedź, a przeczytanie wszystkiego, co wytwarzają, zajęłoby ponad połowę tygodnia pracy. Zmniejszenie opóźnienia skraca oczekiwanie użytkownika na maszynę, ale nie oczekiwanie sesji na człowieka.

W przypadku otwartych modeli koszt zadania ma teraz większe znaczenie niż cena za token. DeepSeek nie zmienia cen, ale V4.1-Flash-1017 generuje krótsze odpowiedzi i deklaruje 77,0 % na DeepSWE v1.1 za około 0,2 dolara na zadanie, podczas gdy najlepszy zamknięty model na jego wykresie, GPT-6.1 Sol, osiąga najwyżej około 75 % za mniej więcej trzykrotnie wyższą cenę; tabela wyników porównuje jednak tylko GPT-5.6 Sol i Opus 5, bez ich następców. Partnerzy NVIDIA przedstawiają podobne argumenty dla konkretnych zadań: Nemotron 3.5 Super VL po dodatkowym treningu osiąga poziom Opus 4.7 na Legal Agent Bench firmy Harvey, przy cenie 1,34 dolara za milion tokenów wobec 15. DeepSeek sprzedaje teraz również wyszukiwanie w sieci dla swoich agentów, po 0,75 dolara za 1 000 zapytań: model, narzędzia i harness pochodzą od tego samego dostawcy.

Wreszcie agenci zbliżają się do rzeczywistego środowiska, a każdy ustanawia własne zabezpieczenia. Google Research przeprowadza każdy protokół w cyfrowym bliźniaku przed użyciem jakiegokolwiek odczynnika, z kontrolą bezpieczeństwa biologicznego i nadzorem człowieka. Replit instaluje swoją platformę i harness rozwiązania Agent w chmurze klienta, ale zachowuje u siebie warstwę sterującą i inferencję. NVIDIA, dzięki RTX Spark, stawia na agentów kodujących działających na komputerze dewelopera, od Junie Local po Copilot, w oczekiwaniu na komputery stacjonarne projektowane z myślą o agentach pracujących bez przerwy.