Szukaj

Anthropic ustala cenę debiutu giełdowego na 83 dolary, agenci OpenAI samodzielnie wykonują 46 % zadań zajmujących od 2 do 4 godzin, Ideogram 4.6 przechodzi na natywne 4K

Firmy w tym wydaniu

Odznacz to, co Cię nie interesuje. Wybór obowiązuje we wszystkich wydaniach i zostaje na tym urządzeniu.

Duże laboratoria
Chiny
Europa
Narzędzia do kodowania
Agenci i wyszukiwanie w sieci
Media generatywne
Infrastruktura i open source
Inne

ai-powered-markdown-translator

Artykuł przetłumaczony z francuskiego na polski za pomocą gpt-6.1-sol.

Zobacz projekt na GitHubie ↗

Anthropic ustala cenę debiutu giełdowego na 83 dolary za akcję, powyżej przedziału od 70 do 78 dolarów, zwiększając ofertę do 980 milionów akcji i oczekując rozpoczęcia notowań na Nasdaq pod symbolem ANT. OpenAI publikuje nowe pomiary dotyczące badań przyspieszanych przez agentów, którzy samodzielnie wykonują już 46 % zadań zajmujących od dwóch do czterech godzin, i pokazuje, jak agenci Codex tropią spowolnienia ChatGPT. Ideogram 4.6 generuje obrazy w natywnym 4K, Gemini 4 Neon obejmuje prowadzenie w CursorBench 4.1 i trafia do GitHub Copilot, Genie 4 zostaje udostępniony deweloperom za około 0,10 dolara za sekundę, a aplikacja Gemini na Maca uczy się obsługiwać komputer.


Finanse: Anthropic ustala cenę debiutu giełdowego na 83 dolary za akcję

18 listopada — Anthropic ustaliło cenę debiutu giełdowego na 83 dolary za akcję klasy A, powyżej przedziału od 70 do 78 dolarów ogłoszonego przy rozpoczęciu cyklu spotkań z inwestorami (roadshow) 10 listopada. Zwiększono też ofertę: obejmuje ona 980 milionów akcji, wobec planowanych 825 milionów. Anthropic sprzedaje 956 351 354 akcji, a dotychczasowi akcjonariusze 23 648 646; wpływy ze sprzedaży tych ostatnich nie trafiają do spółki. Banki mają dodatkowo 30-dniową opcję na 147 milionów akcji.

Element ofertyOgłoszenie z 10 listopadaCena ustalona 18 listopada
Cena za akcjęod 70 do 78 dolarów83 dolary
Oferowane akcje825 000 000980 000 000
w tym sprzedawane przez Anthropic801 351 354956 351 354
w tym dotychczasowi akcjonariusze23 648 64623 648 646
Opcja banków (30 dni)123 750 000147 000 000

SEC uznała zgłoszenie rejestracyjne za skuteczne 18 listopada. Pierwszych notowań na Nasdaq Global Select Market pod symbolem ANT oczekiwano 19 listopada, a zamknięcia transakcji 20 listopada. Anthropic nie podaje ani pozyskanej kwoty, ani swojej wyceny. Przy ustalonej cenie 956 351 354 akcji sprzedawanych przez spółkę odpowiada około 79,4 miliarda dolarów brutto — to obliczenie na podstawie danych z komunikatu. Dla inwestorów indywidualnych z Europejskiego Obszaru Gospodarczego, w tym z Francji, europejski prospekt przewidywał cenę końcową identyczną jak w ofercie amerykańskiej.

19 listopada @AnthropicAI opublikowało krótki film, a następnie tekst Daria Amodeia. Szef firmy przypomina w nim, że wraz z Danielą Amodei stracił ojca z powodu choroby, która kilka lat później stała się uleczalna. Jego zdaniem wystarczająco potężna IA, współpracująca z ludźmi, mogłaby zmieścić sto lat postępu naukowego i medycznego w jednej dekadzie, choć dotychczasowe wyniki pozostają wstępne. Wymienia zagrożenia: wykorzystanie do szkodliwych celów przez jednostki lub państwa, wstrząsy gospodarcze i utratę kontroli nad systemami. Zobowiązuje się regulować tempo trenowania i wdrażania modeli tak długo, jak będzie to konieczne, aby upewnić się, że są bezpieczne i pozostają pod kontrolą człowieka.

We will not bend to either business or political pressure.

🇵🇱 Nie ulegniemy ani presji komercyjnej, ani politycznej. — @AnthropicAI na X

Według Daria Amodeia transakcja wzmacnia sytuację finansową firmy, a wraz z nią jej determinację; powraca on do idei „wyścigu ku szczytowi” (race to the top).

🔗 Ogłoszenie ceny debiutu giełdowego (Anthropic) · @AnthropicAI na X: ustalona cena


Agenci przy pracy w OpenAI: raport o przyspieszaniu badań i Performance Factory

18 listopada — Dwa miesiące po pierwszym raporcie OpenAI publikuje nowe pomiary pokazujące, jak jego agenci przyspieszają badania prowadzone w firmie. Tytuł podsumowuje wniosek: granica możliwości jest nierówna (jagged frontier). Między marcem a październikiem odsetek zadań szacowanych na dwie do czterech godzin pracy człowieka, które agenci wykonują bez interwencji, wzrósł z 23 % do 46 %, a w przypadku zadań zajmujących od czterech do ośmiu godzin — z 13 % do 35 %. Wszystko zależy od rodzaju pracy: 79 % skuteczności przy monitorowaniu treningu, 72 % przy odpowiadaniu na pytanie techniczne i zaledwie 25 % przy pisaniu kodu inferencji i obsługi modeli. OpenAI zaznacza, że wraz z modelami mogły zmieniać się również powierzane im zadania.

Wewnętrzny wskaźnik OpenAIOpublikowana wartość
Wykonanie bez pomocy, zadania od 2 do 4 godzin23 % w marcu, 46 % w październiku
Wykonanie bez pomocy, zadania od 4 do 8 godzin13 % w marcu, 35 % w październiku
Mediana wydatków na agentów na badacza dziennie2 400 dolarów w październiku (+62 %)
Wydatki w 90. percentylu23 000 dolarów w październiku (+105 %)
Dni pracy agentów na badacza dziennieod 0,5 do 5,7
Udokumentowany czas na bezpieczeństwo i alignment+77 % od stycznia do września
Granica możliwości modeli OpenAI w indeksie OECI+16,4 punktu rocznie, wobec 14 odnotowanych przez Epoch

Wydatki obliczono według cen katalogowych API, a badacze nie mają limitów. Czas pracy agentów przypadający na badacza wzrósł jedenastokrotnie; w połowie października ponad dwie trzecie obserwowanych badaczy uruchamiało jednocześnie co najmniej czterech agentów w szczytowym momencie dnia. We wrześniu wartość tego wykorzystania stanowiła około dwukrotność wynagrodzeń całego działu badawczego z wyłączeniem akcji, podczas gdy wewnętrzne wdrożenie pochłania zaledwie 2 % mocy obliczeniowej przeznaczonej na badania.

Raport śledzi także pochodzenie pomysłów. W przypadku GPT-6.2 Astra badacze zajmujący się pre-trainingiem rozwinęli część pomysłów w rozmowach z Codex, a jeden z nich przypisuje mu kluczowe spostrzeżenia; pomysły dotyczące GPT-6 Astra pochodziły w całości od ludzi. Aby przez trzy miesiące mieć do dyspozycji agentów kodujących lepszych niż GPT-5.2, ankietowani badacze oddaliby — według mediany odpowiedzi — 40 % personelu swojego zespołu lub 30 % jego mocy obliczeniowej. Wywiady przypominają o ograniczeniach: słabe wyczucie w doborze pomysłów badawczych, niska jakość kodu i wykonywanie zbędnych kroków, co wymaga ścisłego nadzoru człowieka.

Czas poświęcony bezpieczeństwu i alignment odnotowuje największy wzrost w wartościach bezwzględnych spośród wszystkich obszarów, ze zmianą trendu po lipcowym incydencie Hugging Face. OpenAI wprowadza też OECI, indeks wywodzący się z Epoch Capabilities Index, w którym jego modele wypadają lepiej niż w indeksie Epoch — zdaniem firmy prawdopodobnie z powodu zestawu benchmarków. Uważa również, że laboratoria powinny mieć obowiązek śledzenia i publikowania wskaźników rekurencyjnego samodoskonalenia (recursive self-improvement, RSI), czyli procesu, w którym IA przyspiesza rozwój przyszłych systemów, zaznaczając przy tym, że tej publikacji nie należy odczytywać jako zamiaru dążenia do pełnego RSI. Raport przedstawia swoje dane jako częściowy obraz sytuacji, oparty po części na deklaracjach.

🔗 Przyspieszanie badań: nierówna granica możliwości (OpenAI) · @OpenAI na X

OpenAI opisuje Performance Factory, gdzie agenci Codex badają spowolnienia ChatGPT

19 listopada — Blog Engineering OpenAI podaje konkretny przykład pracy powierzanej agentom: Performance Factory, autonomiczny system w chmurze, w którym agenci Codex tropią regresje wydajności ChatGPT. Alert otwiera zadanie, jeden agent dociera do przyczyny, drugi proponuje poprawkę w postaci pull request, inżynier decyduje o jej scaleniu, a następnie agent sprawdza po wdrożeniu, czy metryki wróciły do normy. W nieco ponad trzy miesiące ten pierwszy przepływ pracy obsłużył ponad 1 700 dochodzeń i ustalił przyczynę w ponad 600 przypadkach, co oznacza 17 zautomatyzowanych dochodzeń dziennie.

Wiedzę zespołu zawarto we współdzielonym skillu, perf-forensics, który wskazuje Codex, jakich narzędzi używać spośród ponad 30 narzędzi do analizy wydajności. Aby agent nie poprzestawał na pierwszym wiarygodnym wyjaśnieniu, druga sesja Codex próbuje obalić każdą diagnozę: spośród 100 przyczyn zweryfikowanych ręcznie 70 % uznano za trafne. OpenAI przyznaje, że naprawa pozostaje najtrudniejszym etapem, i bada proaktywne wykrywanie regresji oraz wdrażanie poprawek o niskim ryzyku bez udziału człowieka, nie podając harmonogramu.

🔗 Jak Performance Factory OpenAI dba o szybkość ChatGPT · Wątek @OpenAIDevs


Generatywne obrazy i wideo: Ideogram 4.6 w natywnym 4K, Kling 4.0 w 4K i 10-bitowym HDR

19 listopada — Ideogram wprowadza Ideogram 4.6, nowy model obrazu generujący bezpośrednio w 4K, bez powiększania (upscaling): każdy szczegół, od skóry po tkaniny, powstaje w pełnej rozdzielczości. Ideogram twierdzi, że pracowało nad usunięciem z obrazów wyglądu „IA” i woskowej skóry, stawiając na widoczne pory, drobne zmarszczki i naturalne tekstury, oraz zapowiada znacznie wierniejsze odwzorowanie kolorów i materiałów z myślą o handlu internetowym i fotografii produktowej.

Retusz pozostaje główną funkcją modelu: znacznie mniejszy dryf pikseli (pixel drift) poza zmienianym obszarem oraz generowanie na podstawie szkiców wierniej oddające wyjściowy rysunek. Ideogram twierdzi, że wersja 4.6 zajmuje pierwsze miejsce w rankingu wieloetapowej edycji obrazów (Multi-step Image Edit) Rapidata, wyprzedzając wszystkie inne modele, w tym Seedream 5.5 i FLUX 3 Image, ale nie podaje wyniku; już 10 listopada w przypadku wersji 4.5 deklarowano pierwsze miejsce w rankingu Rapidata dotyczącym kolejnych edycji.

Dostęp do Ideogram 4.6Zapowiedzi
Aplikacja i API Ideogramdostępne od 19 listopada
Platformy partnerskie (12)Leonardo, Runway, fal, Comfy, Runware, Scenario, Invideo, MyDesigns, Sociaro, Moda, HeyGen i Luma
Cenaw ogłoszeniu nie podano cen
Otwarte wagizapowiedziana otwarta wersja 4.6, bez daty

W kwestii otwartych wag Ideogram zmienia plany. Zapytane o wagi wersji 4.5, zapowiadane jako dostępne „wkrótce” od 30 września, odpowiada, że pominie 4.5 i przejdzie bezpośrednio do otwartej wersji 4.6, nie podając daty. Ideogram 4.0 opublikowano z otwartymi wagami 3 czerwca.

We’ll skip 4.5 open and go directly to 4.6 open.

🇵🇱 Pominiemy otwartą wersję 4.5 i przejdziemy bezpośrednio do otwartej wersji 4.6. — @ideogram_ai na X

🔗 Ogłoszenie Ideogram 4.6 na X

Kling 4.0 przechodzi na natywne 4K z wyjściem w 10-bitowym HDR

19 listopada — Podobny ruch w dziedzinie wideo: Kling ogłasza, że Kling 4.0 obsługuje teraz natywną rozdzielczość 4K i wyjście w 10-bitowym HDR, zarówno w 4K, jak i 1080p, zapewniając więcej szczegółów i bogatsze kolory. Takie wyjście HDR zapowiadano jako dostępne „wkrótce”, bez podawania daty, gdy 15 października Kling 4.0 stał się w pełni dostępny; Kling 3.0 generował już w natywnym 4K od 23 kwietnia. Ogłoszenie mieści się w jednym tweecie: nie ma wpisu na blogu, listy zmian, ceny w kredytach, maksymalnej długości ani szczegółów dotyczących API.

🔗 Ogłoszenie Kling na X


Gemini 4 Neon w Cursor i GitHub Copilot: lider CursorBench 4.1, dostępny w Pro+, Max, Business i Enterprise

Kilka godzin po premierze Google, opisanej tutaj 18 listopada, Gemini 4 Neon trafia do zewnętrznych narzędzi do kodowania. Cursor i GitHub Copilot udostępniają go już wieczorem 18 listopada; Genspark i Antigravity CLI dołączają 19 listopada (zobacz Krótkie wiadomości).

Cursor udostępnia Gemini 4 Neon, lidera CursorBench 4.1 z wynikiem 65,4 % przy poziomie wysiłku Extra High

18 listopada — Według Cursor Gemini 4 Neon przy domyślnym poziomie wysiłku wyznacza nową granicę relacji koszt–wydajność w CursorBench 4.1: 63,7 % wobec 57,3 % dla Gemini 4 Hydrogen, który zastępuje w codziennym programowaniu agentowym, podczas gdy Gemini 4 Carbon pozostaje zalecany do najtrudniejszych zadań. CursorBench 4.1 to nowa wersja benchmarku, datowana na ten sam dzień (zmodyfikowane zadania dotyczące wykonywania instrukcji, wydłużony czas przyznany agentowi): jej wyników nie można porównywać z wynikami CursorBench 4.0 opublikowanymi dla Carbon i Hydrogen na początku listopada.

Model i poziom wysiłku (CursorBench 4.1)WynikŚredni koszt zadania
Gemini 4 Neon Extra High65,4 %10,67 dolara
Gemini 4 Neon High63,7 %6,54 dolara
Gemini 4 Carbon High61,5 %8,52 dolara
Gemini 4 Hydrogen Extra High61,4 %8,09 dolara
Claude Fable 5.2 Max61,3 %48,11 dolara
Gemini 4 Carbon Medium60,4 %7,22 dolara
Claude Fable 5.2 Extra High58,8 %17,84 dolara
Claude Opus 5.5 Max58,1 %11,88 dolara
Gemini 4 Neon Medium57,7 %3,07 dolara
Gemini 4 Hydrogen High57,3 %4,57 dolara

W Cursor Neon (gemini-4-neon, kontekst 200K tokenów, do 1M) kosztuje 3 dolary za milion tokenów wejściowych, 0,15 dolara za odczyt z cache i 15 dolarów za tokeny wyjściowe. Podobnie jak inne modele zewnętrzne, nie jest objęty wykorzystaniem wliczonym w abonament: opłaty pobierane są z przedpłaconego salda The X Subscription lub z puli „Other Models” w starszych ofertach Cursor.

🔗 Ogłoszenie Cursor na X · Tabela CursorBench (Cursor)

Gemini 4 Neon trafia do GitHub Copilot w planach Pro+, Max, Business i Enterprise

18 listopada — GitHub udostępnia Gemini 4 Neon ogólnie w Copilot, przedstawiając go jako model przeznaczony do programowania agentowego, wieloetapowego korzystania z narzędzi i pracy intelektualnej. Changelog powtarza argumenty Google: jakość zbliżona do Gemini 4 Carbon przy niższym koszcie tokenów na zadanie, szybsze rozpoczynanie odpowiedzi, mniej niezamówionych zmian w kodzie i mniej niepopartych dowodami twierdzeń dotyczących narzędzi lub wyników testów, bez podawania danych liczbowych.

Neon jest dostępny dla subskrybentów Copilot Pro+, Max, Business i Enterprise; plan Pro nie został wymieniony, choć Gemini 4 Hydrogen trafił do niego już 13 listopada. Działa w dziesięciu środowiskach: VS Code, Visual Studio, Copilot CLI, agencie programistycznym, aplikacji GitHub Copilot, github.com, GitHub Mobile, IDE JetBrains, Xcode i Eclipse. Jest rozliczany według cennika dostawcy, na podstawie zużycia, a wdrożenie przebiega stopniowo. W firmach jest włączany automatycznie, dopóki obowiązuje domyślne włączanie nowych modeli, chyba że administrator wyłączy ten model.

🔗 Gemini 4 Neon w GitHub Copilot (changelog) · @github na X


Agenci programistyczni: Claude Code 2.1.328, Kimi Code 2.7.0, Devin Security Threats, Devin for Databricks Migrations, Amuse i Optimization-Bench od Replit

Claude Code 2.1.328 udostępnia tryb auto dla Opus 4.6 i Sonnet 4.6 u zewnętrznych dostawców i skupia /code-review na błędach

19 listopada — Claude Code 2.1.328 zawiera 144 pozycje, w tym 91 poprawek. Tryb auto staje się dostępny dla Claude Opus 4.6 i Sonnet 4.6 w Amazon Bedrock, Google Cloud’s Agent Platform, Microsoft Foundry i bramie Claude apps: sesja interaktywna uruchomiona bez wskazania trybu uprawnień od razu rozpoczyna się tam w trybie auto, a ustawienie disableAutoMode pozwala go wyłączyć. 19 listopada dokumentacja trybów uprawnień nadal zastrzegała tryb auto u tych dostawców dla Sonnet 5 i nowszych, Opus 4.7 i nowszych, Haiku 5.5 oraz modeli Fable.

Polecenie /code-review w przypadku większości modeli zgłasza już tylko błędy i odstępstwa od CLAUDE.md; porządkowanie kodu (ponowne wykorzystanie, upraszczanie, wydajność) obsługuje /simplify, a każde ustalenie otrzymuje oznaczenie Important, Pre-existing lub Nit. Blokowanie w razie niepowodzenia ("onFailure": "block"), dodane 8 października do hooków command i HTTP, obejmuje teraz również hooki mcp_tool. W terminalu korzystającym z API Anthropic mały, szybki model tworzy teraz podsumowania postępów subagentów. Code Mode otrzymuje 22 pozycje, w tym usunięcie pauzy trwającej 0,75 sekundy po większości skryptów w trybach auto i bypass, a samodzielnie hostowany runner — 26. Naprawiono regresję z wersji 2.1.327, która ograniczała poziom wysiłku subagentów w Bedrock, Agent Platform i Foundry; kanał stabilny pozostaje na wersji 2.1.311.

🔗 Claude Code v2.1.328

Kimi Code 2.7.0 obsługuje Amazon Bedrock, Kimi Code Desktop 1.4.0 łączy się z Claude Code, Codex i Cursor

19 listopada — Moonshot AI publikuje Kimi Code 2.7.0 (24 pozycje), pierwsze wydanie minor od wersji 2.6.0 z 12 listopada, a trzynaście minut później aplikację Kimi Code Desktop 1.4.0 (34 pozycje). CLI obsługuje dostawców Amazon Bedrock, eksperymentalnie wyświetla przewidywany następny prompt po każdej turze i dodaje ustawienie „Follow-up behavior”, w którym tryb Steer sprawia, że klawisz Enter zmienia kierunek bieżącej tury, zamiast dodawać wiadomość do kolejki. Na potrzeby automatyzacji kimi server uruchamia lokalny serwer bez otwierania przeglądarki, a trzy nowe endpointy HTTP pozwalają sterować sesjami. Każdy projekt może korzystać z własnych hostów SSH; stare endpointy /api/v2 znikają na rzecz /api/v1, choć tę zmianę API sklasyfikowano jako zwykłą poprawkę.

Aplikacja desktopowa łączy się z zewnętrznymi agentami, takimi jak Claude Code, Codex i Cursor, aby przekazywać im sesje, przeglądać historię i współpracować między turami. Dodaje też Qwen Coding Plan do listy dostawców.

🔗 Kimi Code 2.7.0 · Kimi Code Desktop 1.4.0

Cognition wprowadza Devin Security Threats, zarządzany indeks niedawno ujawnionych luk do skanowania jednym kliknięciem

19 listopada — Cognition dodaje do Devin Security zarządzany indeks świeżo ujawnionych luk w zabezpieczeniach. Firma wychodzi od dwóch ogłoszeń z tego tygodnia: Java4Shell (17 listopada), dotyczącego środowiska uruchomieniowego Java, i NGINX2Root (18 listopada), obejmującego pięć błędów prowadzących do uszkodzenia pamięci w nginx; oba zagrożenia mogą prowadzić do zdalnego wykonania kodu. Każdy opis zagrożenia wyjaśnia, czego dotyczy problem, jak atakujący mógłby go wykorzystać i co go usuwa. Cognition publikuje opisy najważniejszych ujawnionych zagrożeń, a każdy zespół może tworzyć własne na podstawie raportu bug bounty, komunikatu dostawcy lub analizy incydentu.

Przycisk Scan with Devin uruchamia skanowanie wybranych repozytoriów pod kątem danego zagrożenia, a następnie Devin tworzy pull requests do przeglądu. W trybie Auto-triage Devin ponownie skanuje wybrane repozytoria przy każdym nowym zagrożeniu przekraczającym minimalny poziom dotkliwości. Dwa skille open source napisane w Markdown, fix-nginx-vuln i fix-java-vuln, trafiają do wtyczki Vulnerability Fixes w Devin Marketplace i mogą posłużyć innemu agentowi programistycznemu. Nie ogłoszono cen.

🔗 Devin Security Threats (Cognition) · @cognition na X

Cognition wprowadza Devin for Databricks Migrations do przenoszenia starszych hurtowni danych do Databricks

19 listopada — Wspólnie z Databricks Cognition wprowadza ofertę przeznaczoną do migracji. Devin konwertuje kod starszych hurtowni danych (Teradata, Oracle, SQL Server, Informatica, Redshift, Snowflake), testuje go w obszarze roboczym klienta, naprawia błędy i przed przełączeniem porównuje każde źródło z jego kopią w Databricks: schemat, liczbę wierszy, agregaty, a następnie dane wiersz po wierszu. Według Cognition firma energetyczna z listy Fortune 500 przeniosła platformę obejmującą 142 obiekty do Unity Catalog w osiem dni, a firma konsultingowa Zeb przeprowadziła w dwa i pół tygodnia migrację NetSuite zaplanowaną na cztery tygodnie.

Oferta jest dostępna w Databricks Marketplace, a jej koszt zalicza się na poczet wcześniej podpisanego zobowiązania wydatkowego wobec Databricks (Universal Commit). Cognition informuje również, że korzysta z Databricks jako strategicznego dostawcy inferencji dla modeli open source i frontier, udostępnianych przez jeden endpoint. Nie podano ceny.

🔗 Devin for Databricks Migrations (Cognition)

Replit udostępnia Amuse, osobistego asystenta open source odtworzonego przez Missions w trzy dni

19 listopada — Po TernSign Replit pokazuje kolejny efekt działania Missions, swojego środowiska wykonawczego dla rojów agentów: Amuse, osobistego asystenta AI open source (Apache 2.0), który działa na komputerze użytkownika. Według Replit zadaniem roju było odtworzenie „wzorcowego asystenta AI”, którego nazwy nie podano, i udało mu się to w trzy dni, a następnie Security Scanner platformy posłużył do usunięcia wykrytych luk w zabezpieczeniach.

Amuse przeszukuje internet, podając źródła, steruje przeglądarką, której pracę można obserwować i nad którą można przejąć kontrolę, zarządza przypomnieniami i zadaniami w tle oraz tworzy niewielkie aplikacje. Jego pamięć jest przechowywana w czytelnych plikach, dane uwierzytelniające w szyfrowanym sejfie, z którego model widzi jedynie tokeny zastępcze, a przed wysłaniem czegokolwiek, obsługą formularza, płatnością lub zaplanowaniem nowego działania prosi o zatwierdzenie. Określenie „bezpłatny” nie uwzględnia kosztu modelu: wymaga klucza API OpenAI (GPT-6.2 Sol dla agenta, GPT-6 Luna do szybkich etapów) i bazy PostgreSQL oraz pozostaje ograniczony do jednej osoby na jednym komputerze, bez serwerów MCP.

🔗 Ogłoszenie Replit na X · Repozytorium replit/amuse

Replit publikuje Optimization-Bench: najlepszy pojedynczy agent nie tworzy najlepszego roju

19 listopada — Zespół badawczy Replit publikuje Optimization-Bench, benchmark optymalizacji wydajności na zamrożonych wersjach bibliotek open source, z których analizowane są cztery spośród czternastu: NumPy, SQLite, SQLGlot i Git. Sześć modeli pracowało samodzielnie, a następnie w rojach po 8, 16 i 32 agentów, przez dwie godziny, przy czym ocena odbywała się na maszynie niedostępnej dla agentów.

Metryka Optimization-BenchWynik opublikowany przez Replit
GPT-6.2 Astra samodzielnie, w NumPyponad 3 razy szybciej niż Opus 5.5 samodzielnie
Roje 32 agentów GPT-6.2 Astraponiżej własnego wyniku samodzielnego w 3 z 4 zadań
Mediana poprawy wyników rojów Opus i Sonnet 5.51,30 razy ich wynik samodzielny, przy 16 i 32 agentach
Wiadomości Opus 5.5 wysłane na wspólną tablicę82 %

GPT-6.2 Astra dominuje w pracy samodzielnej, ale jego roje osiągają pułap przy 8 agentach. Z kolei roje Claude Opus 5.5 i Claude Sonnet 5.5 za każdym razem przewyższają wyniki pracy samodzielnej; w NumPy Opus przechodzi od przyspieszenia 3,7 razy samodzielnie do 18,9 razy w roju liczącym 32 agentów, co podano już przy premierze Missions. Replit tłumaczy tę różnicę organizacją: skuteczne zespoły zapisują informacje na wspólnej tablicy i pozwalają koordynatorowi rozdzielać, a następnie scalać pracę (w roju NumPy złożonym z 32 agentów Opus koordynator ani razu nie napisał do żadnego wykonawcy), podczas gdy pozostałe czynią z koordynatora centralę, której skrzynka odbiorcza rośnie z każdym dodanym agentem.

🔗 Rozwiązywanie problemu przez zwiększanie liczby pracowników (Replit) · @Replit na X


Asystenci dla użytkowników indywidualnych: computer use w Gemini na Maca, ChatGPT Health na Androidzie, aplikacja desktopowa, dots i sites

Aplikacja Gemini na Maca steruje aplikacjami i internetem w tle dzięki computer use

19 listopada — Aplikacja Gemini na Maca potrafi teraz obsługiwać komputer (computer use) w imieniu użytkownika. Gemini realizuje wieloetapowe zadania obejmujące lokalne pliki, aplikacje desktopowe i internet: klikanie, wpisywanie tekstu, obsługę menu i formularzy. Pracuje w odizolowanym oknie w tle, z podglądem na żywo w rozmowie, dzięki czemu główny ekran i kursor pozostają do dyspozycji użytkownika. Użytkownik wybiera dostępne aplikacje, śledzi każdy etap, może wszystko wstrzymać i zatwierdza istotne działania przed ich wykonaniem.

Przykłady Google obejmują zbiorczą obróbkę zdjęć, wypełnianie wycen wysyłki na podstawie lokalnych plików PDF oraz tworzenie prezentacji Google Slides na podstawie dashboardów; film opublikowany na X przekształca szkic w model 3D w programie Blender, który można animować. Funkcja jest stopniowo udostępniana w języku angielskim w Stanach Zjednoczonych subskrybentom Google AI Plus, Pro i Ultra, na komputerach Mac z układem Apple Silicon i systemem macOS Sequoia 15.0 lub nowszym, z osobistym kontem Google należącym do osoby w wieku co najmniej 18 lat. Dla programistów narzędzie Computer Use w API Gemini jest ogólnie dostępne od końca października; aplikacja dla użytkowników indywidualnych udostępnia teraz takie sterowanie na komputerze Mac użytkownika.

🔗 Computer use w Gemini na Maca (Google) · @GeminiApp na X

ChatGPT rozszerza Health na Androida z Health Connect, aplikację desktopową, dots i sites

19 listopada — Przestrzeń Health w ChatGPT trafia do aplikacji desktopowej, dots, sites i na Androida. Na Androidzie łączy się z Health Connect, by wyodrębniać trendy snu i aktywności. Osobiści agenci ChatGPT, dots, mogą sami proponować inny termin treningu, gdy koliduje z nim spotkanie, lub przypominać o możliwościach profilaktyki na podstawie podłączonej dokumentacji medycznej. Na komputerze OpenAI podaje przykład witryny stworzonej do śledzenia przygotowań do maratonu. Funkcja jest wdrażana stopniowo i wyłącznie w Stanach Zjednoczonych, w planach Free, Go, Plus i Pro; dots pozostają zarezerwowane dla planu Pro. Health znajduje się na pasku bocznym lub w menu Explore.

🔗 Informacje o wydaniach ChatGPT


API Gemini: Genie 4 dostępny dla programistów, Tool Retrieval w wersji zapoznawczej

Genie 4 trafia do API Gemini i Google AI Studio, za około 0,10 dolara za sekundę wygenerowanego świata

19 listopada — Dzień po udostępnieniu w Project Genie subskrybentom Google AI Ultra Genie 4 trafia do programistów w API Gemini, za pośrednictwem Interactions API, oraz w Google AI Studio, z interaktywnym płótnem i aplikacjami startowymi. Na podstawie tekstu, obrazu referencyjnego lub obu tych elementów model świata generuje ciągłe środowisko ze zsynchronizowanym dźwiękiem, od odgłosów otoczenia po dialogi; poruszamy się po nim za pomocą klawiatury i możemy na bieżąco zmieniać tekstem pogodę, oświetlenie, obiekty lub wydarzenia.

Cecha Genie 4 w APIUdokumentowana wartość
Identyfikator modelumodels/genie-4 (Interactions API)
Wyjście wideo i audio1280x720, 16:9, 24 images/s, dźwięk stereo 48 kHz
Dostępklucz API płatnego poziomu
Rozliczanie240 tokenów wideo na klatkę, czyli około 0,10 dolara za sekundę
Czas trwania sesjimożliwy spadek jakości po 60 do 90 s, limit 120 s
Regiony świadczenia usługiStany Zjednoczone, Europa Zachodnia, Japonia

Dokumentacja ostrzega, że zamknięcie karty nie zatrzymuje generowania od razu: naliczanie opłat kończy dopiero jawne zakończenie sesji (complete()). Genie 4 nie przechowuje w pamięci sceny 3D: utrata obiektu z pola widzenia na 8 sekund lub dłużej albo pełny obrót wokół własnej osi mogą spowodować przesunięcie lub zresetowanie punktów odniesienia. Każdy wygenerowany materiał ma znak wodny SynthID.

🔗 Genie 4 w API Gemini (Google) · Dokumentacja Genie (AI Studio)

API Gemini wprowadza Tool Retrieval w wersji zapoznawczej, z ładowaniem schematów narzędzi na żądanie

19 listopada — Google dodaje do API Gemini wyszukiwanie narzędzi, które oferowali już OpenAI i Anthropic. Dzięki Tool Retrieval, dostępnemu w wersji zapoznawczej w Interactions API, agent podłączony do dziesiątek lub setek narzędzi nie wysyła już wszystkich ich schematów parametrów przy każdym żądaniu: wystarczy dodać narzędzie tool_search i oznaczyć narzędzia, które mają pozostać w rezerwie, jako defer_loading: true. Model widzi tylko ich nazwy i opisy, prosi o narzędzie po nazwie, gdy go potrzebuje, a API ładuje schemat w ramach tego samego żądania, po stronie serwera, bez konieczności budowania indeksu.

Mechanizm obejmuje też zdalne serwery MCP i zachowuje działanie cache prefiksu, ponieważ załadowane schematy są dodawane na dalszym etapie rozmowy. Zespoły zarządzające własnym rejestrem narzędzi mogą uruchamiać wyszukiwanie po swojej stronie, kosztem dodatkowej wymiany żądania i odpowiedzi. Tool Retrieval nie jest rozliczany oddzielnie: tool_search dodaje niewielki, stały blok tokenów wejściowych, każdy załadowany schemat jest rozliczany jako dane wejściowe przez resztę rozmowy, a Google, które nie publikuje żadnych danych liczbowych dotyczących oszczędności, zaleca pomiar korzyści na własnym ruchu. Funkcja działa z Gemini 3.6 i kolejnymi modelami, w tym z całą rodziną Gemini 4.

🔗 Tool Retrieval w API Gemini (Google)


Głos: GPT-Live-1.1 trafia do API, z trybem czuwania za 0,02 dolara za minutę

19 listopada — Nieco ponad miesiąc po debiucie w funkcji głosowej ChatGPT Plus i Pro, 15 października, GPT-Live-1.1 trafia do API OpenAI (gpt-live-1.1 w v1/live/sessions). Model poprawia wymowę, spójność akcentu i transkrypcję w wielojęzycznych rozmowach głosowych oraz współpracuje z istniejącą konfiguracją sesji Live.

Najbardziej konkretną nowością jest tryb czuwania (standby), dostępny zarówno dla GPT-Live-1, jak i GPT-Live-1.1 w sesjach WebRTC. Po regulowanym okresie ciszy wynoszącym od 5 do 60 sekund model wstrzymuje działanie bez przerywania połączenia, a stawka za minutę spada z 0,05 do 0,02 dolara, dopóki ktoś ponownie się nie odezwie.

Typ sesji GPT-LiveStawka za minutę
Sesja aktywna0,05 dollar
Tryb czuwania (WebRTC, inferencja wstrzymana)0,02 dollar

Korzystanie z modelu backend i narzędzi nadal jest rozliczane osobno, a obie wersje mają odrębne limity jednoczesnych sesji. SDK Python 3.56.0 i Node 7.61.0 dodają obsługę modelu, a OpenAI towarzyszy premierze poradnikiem dotyczącym języków i regionalnych akcentów.

🔗 Ogłoszenie @OpenAIDevs · Karta GPT-Live-1.1 · Prompting GPT-Live dla języków i regionalnych akcentów


Sprzęt i cloud: NVIDIA i Microsoft na Ignite, mini-PC RTX Spark już dostępne

NVIDIA i Microsoft rozszerzają współpracę na Ignite, od Vera Rubin w Azure po Nemotron 3.5 w Foundry

19 listopada — Przy okazji Microsoft Ignite NVIDIA opisuje rozszerzenie współpracy z Microsoft we wpisie autorstwa Dave’a Salvatora. Systemy Vera Rubin NVL72 działają w centrach danych Azure, a dostęp do wykorzystujących je maszyn wirtualnych jest rozszerzany; wpis mówi o wersji zapoznawczej Vera Rubin w Azure, bez daty ogólnej dostępności.

Ogłoszenie NVIDIA i MicrosoftStatus według wpisu
VM Azure na Vera Rubin NVL72rozszerzony dostęp, wersja zapoznawcza
Nemotron 3.5 Super, Lightning, Embed, Rerank, Parse i Content Safetyrozszerzona oferta w Foundry Managed Compute
Nemotron 3.5 Bolt i Transcribewkrótce
Nemotron 3.5 i modele Cosmos w Foundry Localrozszerzona obsługa, w tym środowisk Azure Local
Azure LocalGPU RTX PRO 6000 Blackwell wkrótce, rozszerzenie na Jetson Thor i Jetson Orin
Direct Stream w Windows 365dwa strumienie 4K przy 60 images/s, publiczna wersja zapoznawcza na początku 2027
BioNeMo i ALCHEMI w Microsoft Discoverywłączenie do katalogu, pierwsza integracja RFD4-Proteina

Przytoczony przykład: EY dostosowało otwarte modele Nemotron za pomocą Programmed Training, usługi serverless do post-treningu w Foundry, aby klasyfikować rejestry zakupów; według wpisu trafność na firmowym zbiorze ewaluacyjnym wzrosła o 55 %, przy kosztach 15 razy niższych niż w przypadku czołowych modeli własnościowych. Microsoft AI wykorzystuje również NVIDIA Dynamo do inferencji podczas generowania przebiegów (rollouts) uczenia przez wzmacnianie w ramach post-treningu. Wpis przypomina także wyniki Azure w MLPerf: do 10 240 GPU NVIDIA w systemach GB200 NVL72 w Training v6.1, co stanowi największą skalę w tej edycji, a w Inference v6.1 — według Signal65 — ponad 10 % przewagi systemów GB300 NVL72 w Azure nad pozostałymi zgłoszeniami cloud pod względem przepustowości interaktywnej na DeepSeek-R1. Nie podano cen.

🔗 NVIDIA i Microsoft na Ignite (NVIDIA)

Mini-PC RTX Spark firm ASUS, Dell i MSI są już dostępne, ogłasza NVIDIA

18 listopada — NVIDIA ogłasza dostępność stacjonarnych mini-PC RTX Spark firm ASUS, Dell i MSI, takich jak ASUS ProArt GR1X czy seria MSI EdgeMesa N AI+; modele Acer, GIGABYTE i HP pojawią się wkrótce, podobnie jak Microsoft Surface RTX Spark Dev Box. Korzystają z platformy laptopów wprowadzonych w październiku: procesora NVIDIA Grace z 20 rdzeniami, GPU Blackwell RTX z 6 144 rdzeniami CUDA, do 128 GB zunifikowanej pamięci i do 1 petaflopa wydajności IA. Według NVIDIA mogą lokalnie uruchamiać modele o 120 miliardach parametrów. Nie podano cen.

Po stronie oprogramowania Switchyard, który rozdziela zadania agentów między modele lokalne i cloud, jest dostępny w Hermes. Adobe skraca o ponad 50 % czas przygotowania typowych materiałów H.264 w Premiere, a Illustrator, działający już natywnie w Windows on Arm, jest nawet o 30 % szybszy niż wersja emulowana; Blender 5.3 integruje DLSS 4.5 Ray Reconstruction. Wśród zapowiedzi na Ignite: Windows Server 2028 trafi do DGX Station for Windows, a Windows ML uruchamia dowolny model GGUF z Hugging Face za pośrednictwem llama.cpp.

🔗 Mini-PC RTX Spark już dostępne (NVIDIA)


Modele otwarte: DaisyRose-27B i adapter Hermes rozwijają Qwen3.8-27B, OVHcloud publikuje Olala mini, PEFT v0.22.0

RadixArk publikuje DaisyRose-27B, model Qwen3.8-27B dostrojony za pomocą RL, który podwaja wynik w Terminal-Bench 4.1

18 listopada — RadixArk publikuje DaisyRose-27B, przedstawiany jako jego pierwszy model: Qwen3.8-27B ponownie wytrenowany metodą uczenia przez wzmacnianie za pomocą Miles, własnego frameworka open source, na około 1 200 długich zadaniach agenta (do 1,5 godziny i ponad 100 wywołań narzędzi na próbę), opracowanych z Eigent AI z myślą o błędach modelu wyjściowego. Wagi opublikowano na licencji Apache 2.0 w BF16, FP8 i NVFP4, z kontekstem 256K tokenów i rozumieniem obrazów odziedziczonym po modelu bazowym. Trening trwał 18 dni na 144 H200.

Benchmark (wynik w %)Qwen3.8-27BDaisyRose-27B
Terminal-Bench 4.1 (pass@1)5,612,0
Terminal-Bench 2.173,075,5
DeepSWE v1.142,246,2
SWE Bench Pro v291,394,7
GPQA Diamond89,290,7

RadixArk podaje też 37 % efektywnego wykorzystania GPU (MFU), wobec 16 % dla trenera open source opartego na Megatron, co oznacza o 57 % mniej czasu GPU; są to dane wydawcy.

🔗 DaisyRose-27B (wpis RadixArk) · DaisyRose-27B-NVFP4 (Hugging Face)

Projekt harness-hub publikuje adapter Hermes do Qwen3.8-27B, który podnosi wynik w SWE-Bench Pro z 29,4 do 43,1 % bez rozumowania

19 listopada — Po pi i OpenCode projekt harness-hub publikuje trzeci adapter LoRA do Qwen3.8-27B, tym razem dla Hermes, środowiska wykonawczego agenta od Nous Research, wraz z wersją GGUF.

Benchmark (pass@1)Qwen3.8-27BZ adapterem Hermes
SWE-Bench Pro (51 trudnych zadań), bez rozumowania29,4 %43,1 %
SWE-Bench Pro (51 trudnych zadań), rozumowanie xhigh45,1 %51,0 %
Terminal-Bench 2.1, bez rozumowania44,7 %58,8 %
Terminal-Bench 2.1, rozumowanie xhigh58,8 %57,6 %

Główną zaletą jest oszczędność: bez rozumowania adapter dorównuje modelowi bazowemu z rozumowaniem xhigh, zużywając od 3,5 do 4,4 razy mniej tokenów. Przy budżecie 10 000 tokenów na zadanie rozwiązuje 51 % zadań Terminal-Bench 2.1 i 39 % SWE-Bench Pro, wobec 28 % i 0 % dla modelu bazowego w xhigh. Metoda (AsyncGRPOTrainer z TRL, OpenEnv, safeagents) ma zostać szczegółowo opisana we wpisie zapowiedzianym na piątek.

🔗 Ogłoszenie @yb2698 na X · Qwen3.8-27B-hermes-adapted (Hugging Face)

OVHcloud udostępnia wagi Olala mini 7A1B na Hugging Face, ze średnim wynikiem 68,0 w dwunastu benchmarkach

19 listopada — Zapowiedziany 17 listopada Olala mini 7A1B, model otwierający pierwszą rodzinę modeli językowych OVHcloud, można już pobrać z Hugging Face na licencji Apache 2.0, w wersjach bazowej, SFT, GGUF i MLX.

Cecha Olala mini 7A1BOpublikowana wartość
Parametry6,8 miliarda, w tym około 1 miliarda aktywnych na token
Architekturahybryda Mamba-3 i mechanizmu uwagi w architekturze mixture of experts, cache KV w 7 z 36 warstw
Kontekst32K tokens, wersja 128K zapowiadana wkrótce
Trening12,8T tokens, w języku angielskim i 36 innych językach
Szacowany ślad środowiskowyokoło 40 t CO2 i 1,16 GWh
Średni wynik w dwunastu benchmarkach68,0, czyli o 15,2 punktu więcej niż checkpoint SFT

Model wytrenowano na trzech europejskich publicznych superkomputerach: JUPITER (w tym 1 024 GPU GH200), Jean Zay i MeluXina. Rozumuje przed udzieleniem odpowiedzi, oferuje cztery poziomy intensywności rozumowania i był trenowany metodą uczenia przez wzmacnianie pod kątem wywoływania narzędzi; jego mocną stroną jest przestrzeganie instrukcji, a słabą — matematyka konkursowa.

🔗 @OVHcloud na X · Olala-v1.0-mini-7A1B (Hugging Face)

Hugging Face publikuje PEFT v0.22.0 z metodami PaCA, Astra i NoRA przed PEFT 1.0

19 listopada — Biblioteka Hugging Face do oszczędnego dostrajania przechodzi na v0.22.0. Dodaje PaCA (Partial Connection Adaptation), która nie dodaje warstw adaptera, lecz bezpośrednio dostraja losowo wybrane kolumny wejściowe we wstępnie wytrenowanych wagach: według źródłowego artykułu wymaga o 22 % mniej czasu treningu i o 16 % mniej pamięci niż LoRA, przy porównywalnej trafności. Dwie nowe metody inicjalizacji LoRA, Astra i NoRA, uzupełniają tę wersję, która usprawnia też paralelizm tensorowy i FSDP2 oraz dodaje ocenę stanu modelu. PEFT wymaga teraz Python 3.11, a informacje o wydaniu zapowiadają, że kolejną wersją będzie 1.0, z uporządkowaniem API i kilkoma drobnymi zmianami naruszającymi kompatybilność, poprzedzona wersją kandydującą (release candidate).

🔗 PEFT v0.22.0


Nauka: Ai2 uruchamia w Asta Theorizer, agenta proponującego teorie powiązane z publikacjami

19 listopada — Ai2 udostępnia Theorizer w Asta, swojej platformie agentów do badań naukowych, i publikuje jego kod na licencji Apache-2.0. Agent przegląda literaturę, określa, co należy wydobyć z każdego artykułu, porównuje wyniki i formułuje teorie, w których każde twierdzenie odsyła do wspierających je artykułów; wskazuje te, które uznaje za nowe, zastrzegając, że wyszukiwanie może pominąć wcześniejsze prace. Ai2 ilustruje to rzeczywistymi przypadkami: w gruczolakorakach płuca bez znanej mutacji kierującej (około 20 do 30 % przypadków) — wstępny trop zależności od białka CDK2, który wymaga jeszcze weryfikacji laboratoryjnej; 50 propozycji teorii dotyczących interneuronów VIP dla neurobiologa z Allen Institute, który oczekiwał jednej lub dwóch. Koszty korzystania z narzędzia w Asta pokrywa Ai2 do określonego limitu tokenów, artykuł techniczny opublikowano na ACL 2026, a na 10 grudnia zaplanowano webinar.

🔗 Theorizer w Asta (Ai2) · Repozytorium allenai/asta-theorizer


IA w przedsiębiorstwach: Sakana AI i Salesforce podpisują protokół ustaleń dotyczący japońskiego sektora publicznego

19 listopada — Sakana AI ogłasza protokół ustaleń z Salesforce w sprawie integracji swoich modeli IA z oprogramowaniem amerykańskiego producenta, przeznaczonym dla japońskiej administracji publicznej i samorządów lokalnych. Deklarowanym celem jest wsparcie sprawności administracyjnej i transformacji cyfrowej tych instytucji, a Sakana AI zapowiada dalsze rozwijanie technologii dostosowanych do potrzeb japońskiego sektora publicznego. Tweet w języku japońskim przytacza depeszę agencji informacyjnej Jiji; ogłoszenie nie podaje harmonogramu, nazwy produktu ani kwoty.

🔗 @SakanaAILabs na X


W skrócie

Gemini 4 Neon w innych usługach

  • Antigravity CLI 1.5.12 — Gemini 4 Neon staje się dostępny za pomocą samego klucza API Gemini (GEMINI_API_KEY), na wszystkich czterech poziomach rozumowania; widok przeglądarki w Remote Control wyświetla kilka rozmów obok siebie, a /fork zajmuje kilka sekund zamiast nawet godziny. 🔗 źródło
  • Genspark — Gemini 4 Neon trafia do AI Chat i Code Agent, z argumentacją Google (3. miejsce w ogólnym rankingu Artificial Analysis przy poziomie wysiłku xhigh, 1. miejsce w indeksie agentów programistycznych, koszt zadania o 50 do 80 % niższy niż w najlepszych modelach), bez podania planu ani liczby kredytów. 🔗 źródło

Agenci programistyczni i narzędzia deweloperskie

  • Codex CLI 0.172.0-alpha.2 — Informacje o tej wersji testowej są puste; według tytułów jej 62 commitów przygotowuje ona uzupełnianie argumentów poleceń slash, domyślne uruchamianie lokalnych serwerów MCP na żądanie oraz niestandardowe wiersze stanu w /experimental. Zawartość może się zmienić przed wydaniem stabilnym. 🔗 źródło
  • Codex na iOS — Wersja 1.2026.314 ChatGPT na iOS zapisuje rozmowy poboczne na sparowanym komputerze, dodaje selektor pozwalający uruchomić zadanie w chmurze lub na wybranym komputerze i w konkretnym projekcie oraz zlicza już tylko nadal aktywnych subagentów. 🔗 źródło
  • Copilot CLI 1.0.115 i Copilot SDK 2.0.2 — Dwie wersje testowe CLI poprawiają między innymi połączenie z serwerami MCP, które pomijają zakres uprawnień tokenu odświeżania; wersja testowa SDK 2.0.2-preview.0 usuwa z kotwic zaufania w macOS i Linux 16 zgłoszonych kluczy urzędu certyfikacji eMudhra. Wersja stabilna pozostaje przy numerze 1.0.114. 🔗 źródło · 🔗 Copilot SDK
  • GitHub CLI 2.105.0 — W wersji testowej gh event listen czeka na zdarzenie dotyczące pull request (przegląd, konflikt, nowy commit, zakończenie check suite), zamiast cyklicznie odpytywać o jego stan, a gh pr i gh run sugerują je teraz agentom; dostęp do Event Streams nadal wymaga zapisania się na listę oczekujących. 🔗 źródło
  • Konektory MCP w Copilot — Osiem usług zweryfikowanych przez GitHub dołącza do ponad 25 już istniejących, w publicznej wersji testowej we wszystkich planach: Box, Buildkite, Calendly, ClickUp, Mixpanel, Supabase, Webflow i Wix. 🔗 źródło
  • Gemini CLI v0.69.0 i v0.70.0 — Po dziewięciu dniach bez nowej wersji dwie wersje stabilne ukazują się tego samego dnia, a v0.70.0 dostarcza poprawki bezpieczeństwa silnika reguł scalone od 10 listopada; wersja testowa v0.71.0-preview.0 wprowadza asynchroniczną analizę poleceń PowerShell. 🔗 źródło · 🔗 v0.71.0-preview.0
  • CLI mistral 0.19.0 i 0.20.0 — mistral ocr process konwertuje dokument lub obraz na Markdown albo dane strukturalne, mistral evals judge ustępuje miejsca mistral evals scorer, a mistral agents init tworzy teraz samodzielny projekt SDK Agents, bez klucza API. 🔗 źródło · 🔗 0.20.0
  • Delta 0.28 — Środowisko Zed do programowania z agentami przeszukuje wątki całej organizacji i domyślnie włącza łagodną kompakcję, która usuwa starsze wyniki narzędzi bez wywoływania modelu. 🔗 źródło
  • Amp na Windows — 17 listopada, dziesięć dni po wydaniu eksperymentalnym, Amp ogłasza aplikację na Windows, natywną dla x64 i Arm, z wbudowanym runnerem, pakietami MSIX możliwymi do wdrożenia przez Intune oraz ustawieniami zarządzanymi przez zasady grupy. 🔗 źródło
  • Warp Learn — Warp uruchamia bezpłatny kurs Build a Self-Improving Software Factory, prowadzony przez Bena Holmesa: dwa z trzech modułów są już dostępne online, od pętli programowania z agentami po poprawki uruchamiane przez monitorowanie błędów. 🔗 źródło
  • DevinDash — Cognition tworzy wariant swoich Devin Bots, który zamawia posiłki przez serwer MCP DoorDash; startupy z Devin for Startups, które przyjdą na konsultacje (office hours) w San Francisco lub Nowym Jorku, mogą otrzymać 1 000 dolarów kredytu DoorDash. 🔗 źródło

API i platformy

  • Agent API od Perplexity — Poziom wysiłku xhigh przechodzi na GPT-6.2 Sol, bez modelu rezerwowego, w miejsce Claude Opus 5.5; przypięcie wersji xhigh@2026-11-11.0 zachowuje poprzednią konfigurację. 🔗 źródło
  • Qwen4-Max w Together AI i Nous Portal — Together AI udostępnia flagowy model Alibaba (MoE o 2,4T parametrów, z czego 71B aktywnych, kontekst 1M) z rabatem 30 %, a Nous Research udostępnia go bezpłatnie przez pięć dni w Nous Portal z Inferact, bez podania daty zakończenia ani limitu użycia. 🔗 Together AI · 🔗 Nous Research

Asystenci i przedsiębiorstwa

  • ChatGPT dodaje plugin Accounting do uzgadniania transakcji i zamknięć miesiąca w aplikacji komputerowej — Plugin pomaga uzgadniać transakcje, sporządzać zapisy księgowe dotyczące faktur i przygotowywać raporty na koniec miesiąca; korzysta z obsługi komputera w macOS lub Windows, przy czym w Enterprise wymaga zgody administratora (informacje o wydaniu ChatGPT z 18 listopada, podlinkowane wyżej).
  • Perplexity Brain — Perplexity udostępnia na X osobiste skills napisane przez Brain i ogłasza tam dostępność funkcji dla wszystkich abonentów indywidualnych i firmowych w Stanach Zjednoczonych, choć wpis na blogu mówi o abonentach Max; w badaniu z losowym przydziałem 72,9 % użytkowników z automatycznym ulepszaniem otrzymało nowy osobisty skill, wobec 6,5 % w grupie kontrolnej. 🔗 źródło · 🔗 wpis
  • RAG as a service — Perplexity publikuje przewodnik po RAG oferowanym jako usługa i tworzy ranking siedmiu dostawców, z Perplexity Enterprise na czele, przed AWS Bedrock, OpenAI, Azure AI Search, Pinecone, LlamaIndex i Vectara; jest to ranking autorstwa Perplexity. 🔗 źródło
  • Sumitomo Life — Japoński ubezpieczyciel na życie, który przeszedł na ChatGPT Enterprise w czerwcu 2026, ogłasza tygodniowy wskaźnik użytkowania przekraczający 80 % oraz zwrot z inwestycji szacowany na podstawie deklarowanych oszczędności czasu na 203 % ogółem i średnio 524 % wśród pracowników korzystających z niego co najmniej 101 razy w miesiącu. 🔗 źródło
  • SSO dla członków zewnętrznych — Właściciele obszarów roboczych ChatGPT Enterprise, Edu i Healthcare mogą zwolnić z SSO członków zewnętrznych, których domena nie została zweryfikowana; zwolnienie obowiązuje w jednym obszarze roboczym i wygasa po jego opuszczeniu. 🔗 źródło
  • Candid Health i ElevenAgents — Amerykańska platforma zarządzania cyklem przychodów powierza agentom głosowym ElevenLabs rozmowy z ubezpieczycielami dotyczące odmów refundacji: 12 860 połączeń, ponad 850 zaoszczędzonych godzin miesięcznie i 59 % spraw rozwiązanych podczas połączeń pilotażowych, przy integracji w 48 godzin. 🔗 źródło
  • Enterprise Live Migrations — Poza AI: migracje ciągłe z Azure DevOps Services do GitHub Enterprise Cloud z rezydencją danych stają się ogólnie dostępne, a historia Git, gałęzie, tagi i pull requests pozostają zsynchronizowane do momentu przełączenia. 🔗 źródło
  • Runnery RHEL w GitHub Actions — Poza AI: obrazy Red Hat Enterprise Linux 9 i 10 dla hostowanych larger runners stają się ogólnie dostępne w planach Team i Enterprise Cloud. 🔗 źródło

Modele otwarte, badania i symulacje

  • Deep Research od Genspark — Genspark udostępnia pracę opublikowaną przez Baseten 10 listopada: Qwen3.5-397B poddany dodatkowemu treningowi do pogłębionych badań osiąga 0,759 w wewnętrznym systemie oceny Genspark, wobec 0,612 dla modelu bazowego i 0,738 dla Opus 5.5; staje się domyślnym modelem agenta, a Genspark zachowuje wagi dla siebie. 🔗 źródło · 🔗 wpis Baseten
  • Muse Wonder w benchmarku BAR — Meta udostępnia listopadowy ranking Legora, platformy AI dla prawników, w którym Muse Wonder uzyskuje najlepszy wynik ogólnej jakości i prowadzi w czterech typach zadań, w tym analizie i ekstrakcji. 🔗 źródło
  • Clairic — Demonstracja Clairic, modelu do typowanej ekstrakcji danych strukturalnych o 27 miliardach parametrów, opublikowanego przez Cloudflare na Hugging Face, jest dostępna na Hub; model pochodzi z 16 października, a jego wersja Flash z 12 listopada. 🔗 źródło
  • Gemma 4 E2B w Airbnb — Według konta Gemma należącego do Google Airbnb wykorzystało Gemma 4 E2B do klasyfikacji reguł na jednym GPU RTX Pro 6000: maksymalny wynik F1 wzrósł z 0,563 do 0,902, mediana opóźnienia wyniosła 35 ms wobec około 900 ms dla modeli frontier, przy około 1 % ich kosztu przy dużej skali użycia. 🔗 źródło
  • Atto — NeuML publikuje rodzinę maleńkich modeli wyszukiwania dokumentów, od 840 parametrów do 28 milionów: model dense o 90 000 parametrów osiąga 0,4257 w nDCG@10 na podzbiorze BEIR, wobec 0,4802 dla około 256 razy większego all-MiniLM-L6-v2. 🔗 źródło
  • ja-NCM — Deweloper publikuje niewielki japoński model z otwartymi wagami, który generuje tekst za pomocą pojęć zamiast token po tokenie: według niego około 6 razy szybciej niż model autoregresyjny i 2,4 razy szybciej niż model dyfuzyjny, przy porównywalnej jakości. 🔗 źródło
  • Into the Omniverse — NVIDIA po raz trzeci publikuje swój wpis o symulacjach budowanych przez agentów, z nowymi przykładami: cyfrowymi bliźniakami zakładów przemysłowych od Falkor (KONGSBERG) z GPT-6 Astra oraz oddziałem intensywnej terapii zbudowanym przez Claude Code, w którym 766 z 768 robotów Microduck utrzymało się na nogach. 🔗 źródło

Co to oznacza

Finansowym i technicznym kamieniom milowym czołowych laboratoriów towarzyszą teraz zobowiązania dotyczące bezpieczeństwa. Anthropic ustala cenę powyżej przedziału i zwiększa ofertę z 825 do 980 milionów akcji; następnego dnia Dario Amodei obiecuje dostosowywać tempo treningu i wdrażania, dopóki nie uzyska pewności, że modele są bezpieczne i pozostają pod kontrolą człowieka, bez ulegania presji komercyjnej lub politycznej. OpenAI, które mierzy rosnący udział badań powierzanych agentom, domaga się nałożenia na laboratoria obowiązku publikowania wskaźników rekurencyjnego samodoskonalenia. Oba przekazy odpowiadają na to samo pytanie: jak pokazać, że bezpieczeństwo nadąża za równie szybkim wzrostem zasobów i możliwości.

Agenci wykonują już mierzalną część pracy samych laboratoriów. W OpenAI samodzielnie realizują niemal połowę zadań trwających od dwóch do czterech godzin, a mediana kosztu ich użycia według cen katalogowych wynosi 2 400 dolarów na badacza dziennie; Performance Factory powierza im 17 analiz przyczyn spowolnień ChatGPT dziennie. Replit pokazuje, że organizacja ma równie duże znaczenie jak model: agent, który najlepiej radzi sobie samodzielnie, tworzy słabsze roje niż Claude Opus 5.5, który koordynuje pracę za pomocą wspólnej tablicy. Wszędzie decyzja pozostaje po stronie człowieka: inżynier scala poprawki Performance Factory, badacze OpenAI sprawują ścisły nadzór, a Devin otwiera pull requests do przeglądu.

Rozliczenia coraz bardziej dostosowują się do rzeczywistego użycia. Gemini 4 Neon jest sprzedawany w Cursor według kosztu zadania, od 3,07 dolara przy poziomie wysiłku Medium do 10,67 dolara przy Extra High; Genie 4 jest rozliczany za sekundę wygenerowanego świata, około 0,10 dolara, a GPT-Live obniża stawkę do 0,02 dolara za minutę, gdy nikt nie mówi. Tool Retrieval, podobnie jak jego odpowiedniki w OpenAI i Anthropic, realizuje ten sam cel po stronie deweloperów: płacić w tokenach wyłącznie za schematy faktycznie używanych narzędzi.

W przypadku modeli otwartych wysiłki skupiają się na tym, co można uzyskać z istniejącej bazy. DaisyRose-27B i adapter Hermes bazują na Qwen3.8-27B: pierwszy podwaja swój wynik w Terminal-Bench 4.1 dzięki uczeniu ze wzmocnieniem, drugi dorównuje trybowi maksymalnego rozumowania przy 3,5 do 4,4 razy mniejszej liczbie tokenów. PEFT przygotowuje wersję 1.0, aby dostarczyć narzędzia do takiego dostrajania, OVHcloud publikuje europejski model trenowany na publicznych superkomputerach wraz z jego śladem węglowym, a Ideogram obiecuje udostępnienie wag wersji 4.6. Te liczby nadal pochodzą od twórców.


Źródła