DeepSeek udostępnia DeepInfer, silnik obsługujący V4.1-Flash w środowisku produkcyjnym, Mistral wprowadza Voxtral 3, a ElevenLabs Eleven Realtime dla agentów głosowych, Perplexity Computer działa lokalnie na Macu

DeepSeek udostępnia kod DeepInfer, silnika inferencyjnego obsługującego DeepSeek-V4.1-Flash w środowisku produkcyjnym, i podaje skalę swojej usługi: 155 000 miliardów tokenów dziennie w jednym klastrze. Tego samego dnia Mistral i ElevenLabs wprowadzają modele dla agentów głosowych, obierając dwa przeciwstawne podejścia: łańcuch transkrypcji i syntezy z Voxtral 3 oraz pojedynczy model mowa–mowa z Eleven Realtime, podczas gdy Perplexity uruchamia Computer w całości lokalnie na Macu. Google publikuje także TorchTPU jako open source, a OSS Scanner, usługa Anthropic, przedstawia pierwsze wyniki, w tym już naprawioną lukę w curl.

DeepInfer: DeepSeek udostępnia silnik inferencyjny obsługujący DeepSeek-V4.1-Flash w środowisku produkcyjnym

20 października — DeepSeek publikuje jako open source DeepInfer, własny framework inferencyjny (inference framework) obsługujący DeepSeek-V4.1-Flash w jego usługach, na licencji Apache-2.0. Opublikowana wersja, przeznaczona do inferencji offline, obsługuje wyłącznie ten model, na GPU NVIDIA SM100 i NPU Huawei Ascend 950. Wykorzystuje elementy używane w środowisku produkcyjnym: biblioteki jąder już opublikowane przez DeepSeek (FlashMLA, DeepGEMM, DeepEP, TileKernels, DeepSelect) i jądra TileLang, równoległe przetwarzanie ekspertów z równoważeniem obciążenia w części MoE, własne dekodowanie spekulacyjne (DSpark), ograniczone ponowne przetwarzanie przesuwnego okna mechanizmu uwagi, które odciąża wstępne przetwarzanie, oraz ustrukturyzowane wyjścia zgodne z wyrażeniem regularnym, schematem JSON lub gramatyką EBNF.

DeepSeek udostępnia jednocześnie deepseek-recipe (licencja MIT), komponent produkcyjny, który przekształca żądania z API Messages, Chat Completions i Responses w tokeny dla DeepSeek V4 i V4.1, a następnie wyjścia modelu w odpowiedzi. Jego logika jest zgodna z logiką oficjalnego API: zewnętrzny dostawca hostingu uzyskuje takie samo zachowanie trybu rozumowania, wywołań narzędzi czy ustrukturyzowanych wyjść. FAQ dotyczące wdrożenia w repozytorium przedstawia skalę usługi:

Dane produkcyjne opublikowane przez DeepSeek	Opublikowana wartość
Tokeny obsługiwane przez jeden klaster	155 000 miliardów dziennie
Łączny przychód przy taryfie poza szczytem	38 dolarów za godzinę GPU
Wstępne przetwarzanie	standardowe maszyny z 8 GPU
Dekodowanie	superwęzły z 64 do 128 GPU
Przechowywanie pamięci podręcznej KV	ponad 72 godziny

Nie wszystko zostało udostępnione. Zarządzanie pamięcią podręczną KV i równoważenie obciążenia między replikami, według DeepSeek zbyt mocno powiązane z infrastrukturą wewnętrzną, pozostają zamknięte i zostały opisane jedynie we wpisie na Zhihu; nie udostępniono też rozdzielenia enkodera obrazu, wstępnego przetwarzania i dekodowania. Pomiary przepustowości opublikowano wyłącznie w postaci wykresów. DeepInfer, zbudowany początkowo głównie na vLLM, z inspiracjami zaczerpniętymi z SGLang i TensorRT-LLM, będzie również zawierać kod inferencyjny przyszłych modeli DeepSeek; tego samego wieczoru repozytorium miało 11 562 gwiazdki.

🔗 Wątek @deepseek_ai · DeepInfer na GitHub · deepseek-recipe na GitHub

Voxtral 3: Mistral wprowadza modele transkrypcji i syntezy mowy oraz SDK do tworzenia agentów głosowych

20 października — Mistral wprowadza Voxtral 3, rodzinę modeli transkrypcji (speech-to-text) i syntezy mowy (text-to-speech), wraz z SDK do tworzenia agentów głosowych. Wszystko jest dostępne od 20 października w API Mistral, przez europejskie, amerykańskie i globalne punkty końcowe, a także w środowiskach testowych (playgrounds) Studio; wdrożenie lokalne lub w chmurze prywatnej jest oferowane na życzenie.

Model Voxtral 3	Przewidziane zastosowanie	Ogłoszona cena
Voxtral Small Transcribe 3	Najdokładniejsza transkrypcja, diaryzacja	0,004 dolara za minutę
Voxtral Mini Transcribe 3 (4B)	Transkrypcja wsadowa, diaryzacja	0,0035 dolara za minutę
Voxtral Mini Transcribe Realtime 3	Transkrypcja w czasie rzeczywistym, poniżej 500 ms	0,008 dolara za minutę
Voxtral Speech 3	Synteza mowy, wsadowa i w czasie rzeczywistym	13 dolarów za milion znaków

Transkrypcja obejmuje 50 języków, w tym 24 języki urzędowe Unii Europejskiej. Rozróżnia rozmówców (diaryzacja), przyjmuje słowa kluczowe, aby lepiej rozpoznawać słownictwo branżowe bez dostrajania (fine-tuning) (ukierunkowanie kontekstowe, context biasing), i wykrywa koniec wypowiedzi. Dla 45 języków z benchmarku FLEURS Mistral publikuje następujące wskaźniki błędów słownych, przy języku wskazanym modelowi lub wykrywanym automatycznie:

Oceniany model (FLEURS, 45 języków)	Język wskazany modelowi	Język wykrywany automatycznie
Voxtral Small Transcribe 3	4,0 %	4,1 %
Microsoft AI Transcribe 2	4,0 %	4,1 %
Voxtral Mini Transcribe 3	4,5 %	4,6 %
Gemini 3.5 Transcribe	4,5 %	6,1 %
Scribe v2	4,9 %	4,9 %
GPT Transcribe	5,6 %	6,3 %
Whisper large-v3	14,9 %	16,0 %

Mistral twierdzi, że jego model Small jest lepszy od Whisper, Scribe v2 i Gemini 3.5 Transcribe, ale na jego własnym wykresie Microsoft AI Transcribe 2 osiąga taki sam wynik. W czasie rzeczywistym, przy opóźnieniu 480 ms, model Mini uzyskuje 6,4 % dla 35 języków, ustępując Gemini 3.5 Realtime Transcribe (4,2 %) i Microsoft AI Transcribe 2 Streaming (5,8 %), ale wyprzedzając GPT Live Transcribe (8,4 %) i Scribe v2 Realtime (8,7 %).

Voxtral Speech 3 mówi w ponad 35 językach i ponad 50 dialektach, dobiera emocje i rytm na podstawie kontekstu rozmowy lub wykonuje wyraźne instrukcje linia po linii, a Pro Voice odtwarza profesjonalny głos na podstawie 30 minut nagrania; według Mistral jego uruchamianie kosztuje mniej niż w przypadku porównywalnych modeli OpenAI, Deepgram, ElevenLabs i Google.

SDK agentów głosowych, zbudowany na LiveKit, łączy trzy modele działające strumieniowo: model czasu rzeczywistego słucha i wykrywa koniec zdania, model ogólnego przeznaczenia, taki jak Mistral Small, rozumuje i wywołuje narzędzia, a następnie Voxtral Speech 3 odpowiada. Żaden etap nie czeka na zakończenie poprzedniego: według Mistral każda tura zamyka się w mniej niż sekundę, agent milknie, gdy ktoś mu przerwie, realizuje połączenia przez SIP lub WebRTC, a każdy etap pozostaje modelem, który można wymienić. W przeciwieństwie do Voxtral Transcribe 2 (luty) i Voxtral TTS (marzec), Voxtral 3 nie został zapowiedziany jako model z otwartymi wagami: wpis proponuje API Mistral lub wdrożenie na własnej infrastrukturze, do uzgodnienia z zespołem Mistral, a wieczorem w dniu premiery na Hugging Face nie było żadnego repozytorium.

🔗 Wpis Mistral · Wątek @MistralAI

Eleven Realtime: ElevenLabs zamyka agenta głosowego w jednym modelu mowa–mowa

20 października — Tego samego dnia co Voxtral 3 ElevenLabs obiera przeciwstawne podejście. Podczas gdy SDK Mistral łączy trzy oddzielne, wymienne modele, każdy model Eleven Realtime skupia całego agenta głosowego w jednym modelu mowa–mowa (Speech to Speech): rozpoznawanie mowy, wykrywanie aktywności głosowej, zarządzanie turami rozmowy, LLM i synteza są w nim optymalizowane jako jedna całość. Modele mówią w ponad 90 językach i mogą korzystać z ponad 17 000 głosów z biblioteki ElevenLabs.

Pojawiają się dwie wersje. Eleven Realtime v1 Mini, model domyślny, jest przeznaczony do tanich rozmów (asystenci, nauczyciele, interaktywne postacie). Eleven Realtime v1 Max rozumuje przed odpowiedzią i jest skierowany do złożonych zadań, takich jak obsługa klienta czy wieloetapowe procesy z wywołaniami narzędzi; kosztuje więcej za token. Opublikowane wyniki pochodzą z ocen Artificial Analysis przytoczonych przez ElevenLabs:

Miara (Artificial Analysis, według ElevenLabs)	Eleven Realtime v1 Max	Eleven Realtime v1 Mini
Big Bench Audio (1 000 pytań zadanych na głos)	98,8 %	75,9 %
Średni czas do rozpoczęcia mowy	0,57 s	0,62 s
Full-Duplex-Bench (pauzy, przerywanie)	94,1 %	95,8 %
Pomyślnie wykonane zadania z użyciem narzędzi	87,1 %	60,3 %

Według ElevenLabs żaden model w rankingu Artificial Analysis nie jest jednocześnie szybszy i dokładniejszy od v1 Max. Mini radzi sobie nieco lepiej z dynamiką rozmowy, ale Max wyraźnie zwiększa przewagę w zadaniach z użyciem narzędzi.

W ElevenAgents wystarczy zmienić tryb głosowy agenta z „Custom” na „Realtime”, aby zachować pozostałe funkcje platformy: telefon, web, WhatsApp i centra kontaktowe. Modele są również dostępne przez API Realtime zgodne z API OpenAI: programista korzystający już z tej integracji zmienia punkt końcowy i nazwę modelu, zachowując swój kod, wyłącznie przez WebSocket. Wdrożenie przebiega stopniowo w poszczególnych obszarach roboczych. W przeciwieństwie do Max model Mini nie jest dostępny ani w trybie Zero Retention, ani w wariancie zgodnym z HIPAA, a konkretnych stawek nie podano: ElevenLabs nalicza standardową opłatę za minutę ElevenAgents oraz opłatę za tokeny według stawki wybranego modelu.

ElevenLabs dołącza tym samym do modeli głosowych end-to-end oferowanych już przez OpenAI (GPT-Live-1, za 0,05 dolara za minutę w API od 10 września), Google (Gemini 3.8 Live) i SpaceXSI (Grok Voice 3.0).

🔗 Wpis ElevenLabs · Dokumentacja modeli Realtime

Perplexity Computer działa w całości lokalnie na Macu, łącznie z modelem

20 października — Perplexity uruchamia swojego agenta Computer w całości na Macu: model, środowisko sterujące (harness) i wykonywanie zadań pozostają na komputerze.

Perplexity Computer can now run fully local on your Mac. Work with your native Mac apps and local files, and run tasks without sending sensitive data to the cloud. The model and the agent both run on your Mac. Available now in the Perplexity Mac app.

🇵🇱 Perplexity Computer może teraz działać w całości lokalnie na Twoim Macu. Pracuj z natywnymi aplikacjami Mac i lokalnymi plikami oraz wykonuj zadania bez wysyłania poufnych danych do chmury. Zarówno model, jak i agent działają na Twoim Macu. Dostępne już teraz w aplikacji Perplexity na Maca. — @perplexity_ai na X

Element premiery	Szczegóły według Perplexity
Modele lokalne	Qwen 3.6 i PPLX Pro
Zalecana pamięć	36 Go pamięci zunifikowanej lub więcej
Obsługiwane komputery	Obsługiwane komputery Mac z Apple silicon, takie jak nowy Mac mini z M6 i M5 Pro
Objęte plany	Pro, Max i Enterprise
Kredyty Computer	niewykorzystywane przez zadania lokalne
Korzystanie z chmury	za zgodą użytkownika, z dostępem do ponad 15 najbardziej zaawansowanych modeli

Za zgodą użytkownika agent pracuje na lokalnych plikach i w aplikacjach takich jak Notes, Messages, Mail czy Numbers. PPLX Pro to, według wpisu Perplexity na X, jego wersja Qwen 3.8 po dodatkowym treningu; zapytany o rozmiar Aravind Srinivas, szef Perplexity, odpowiada, że jest to model gęsty o 27 miliardach parametrów, i przewiduje, że 36 Go pamięci stanie się powszechne.

Aplikacja na Maca oferuje teraz dwa sposoby uruchamiania Computer. Hybrid Compute, wprowadzony 1 września, rozpoczyna wyszukiwanie i rozumowanie w chmurze, a prywatne pliki przetwarza lokalnie; nowy tryb rozpoczyna pracę na Macu, na którym pozostają planowanie, rozumowanie i przetwarzanie plików. Jeśli użytkownik wyrazi zgodę, agent korzysta z chmury w celu uzyskania aktualnych informacji, przeglądania internetu lub dostępu do połączonych aplikacji, a kod i narzędzia są uruchamiane w odizolowanych środowiskach sandbox, z tymi samymi protokołami bezpieczeństwa co w wersji chmurowej. Perplexity podaje trzy zastosowania: analizę portfela na podstawie prywatnych pozycji, ofertę handlową przygotowaną na podstawie poufnych notatek i poranną listę priorytetów utworzoną na podstawie Messages i Mail.

To odpowiednik Portable Computer na Maca — w pełni lokalnej wersji uruchomionej 25 sierpnia na DGX Spark, a następnie rozszerzonej we wrześniu na Linux, Windows i komputery PC z procesorem AMD Ryzen AI Max.

🔗 Wpis Perplexity

PyTorch poza GPU NVIDIA: TorchTPU jako open source, natywna obsługa TPU w Hugging Face i MPS w PyTorch 2.15

Trzy dzisiejsze ogłoszenia umożliwiają uruchamianie PyTorch na układach innych niż NVIDIA: Google publikuje TorchTPU na PyTorch Conference, Hugging Face tego samego dnia integruje go ze swoimi bibliotekami, a zespół PyTorch w Hugging Face szczegółowo przedstawia, co PyTorch 2.15 wnosi na komputery Mac.

TorchTPU: Google udostępnia swój natywny stos PyTorch dla TPU z vLLM, SGLang, TorchTitan i llm-d 1.0

20 października — Google udostępnia jako open source TorchTPU, swój natywny stos PyTorch dla TPU, opracowany wspólnie z zespołem PyTorch z Meta. TPU staje się urządzeniem PyTorch takim jak każde inne (torch.device("tpu")): kod debugguje się w trybie natychmiastowego wykonania (eager), a następnie przechodzi do środowiska produkcyjnego z torch.compile, które kompiluje za pomocą XLA. Dotychczas trzeba było przepisywać kod na JAX lub korzystać ze starego torch_xla.

Na TorchTPU opierają się dwa silniki wnioskowania: vLLM-TorchTPU, opracowany z Inferact, oraz SGLang-TorchTPU, stworzony z RadixArk i już używany produkcyjnie w Meta. Google podaje koszt 2,01 centa amerykańskiego za milion tokenów w rankingu InferenceX od SemiAnalysis, z Qwen 3.5 na Ironwood, oraz ponad 700 tokenów na sekundę dla jednego użytkownika z Kimi K3, modelem o 2 800 miliardach parametrów. W treningu TorchTitan na TPU osiąga wykorzystanie mocy obliczeniowej (Model FLOPs Utilization) na poziomie do 52 % z Qwen 3 8B, a testy obejmują do 8 192 układów Ironwood. Google wydaje też llm-d 1.0, stos Kubernetes do rozproszonego udostępniania modeli, stworzony wspólnie z Red Hat i IBM: przy obciążeniu związanym z kodowaniem agentowym mediana czasu do pierwszego tokena spada o ponad 85 %, a przepustowość rośnie 2,4-krotnie względem zwykłego obiektu Service w Kubernetes.

🔗 Wpis Google Cloud · Silniki vLLM i SGLang na TPU · llm-d 1.0

Hugging Face wprowadza natywną obsługę TPU w Transformers, Diffusers i Kernels

20 października — Hugging Face integruje TorchTPU ze swoim ekosystemem: TPU staje się urządzeniem takim jak każde inne, bez korzystania z PyTorch/XLA ani JAX, a Optimum TPU, warstwa dotychczas utrzymywana przez Hugging Face, nie jest już potrzebna w Transformers i Diffusers. W Transformers wystarczy załadować model z device_map="tpu"; w Diffusers wystarczy pipe.to("tpu"), z opcjonalną kompilacją i równoległością tensorową pozwalającą rozłożyć duże modele na kilka układów.

Przypadek zmierzony przez Hugging Face	Opublikowany wynik
Qwen-Image-2.1, obraz 1024 × 1024 w 40 krokach (TPU v6e-4)	3,5 s po kompilacji, 8,0 s bez kompilacji
MiniMax-H3, wideo z dźwiękiem o długości 5,2 s (TPU v6e-4)	188 s po kompilacji, 262 s bez kompilacji
Dekodowanie Qwen3-30B-A3B, partia 64, jądro Tokamax (v6e-8)	21,5 raza szybciej
Testy Transformers zakończone powodzeniem na TPU	96,5 %

Zespół zgłosił do projektu TorchTPU 34 problemy, z których 19 już naprawiono, i przygotowuje nocne uruchomienia CI na TPU. To drugi natywny backend PyTorch dla akceleratora innego niż NVIDIA zintegrowany przez Hugging Face w ciągu dwóch dni, po TorchNeuron dla AWS Trainium dzień wcześniej.

🔗 Wpis Hugging Face o TorchTPU

PyTorch 2.15 wprowadza FP8 na komputery Mac i przyspiesza dekodowanie modeli MoE nawet 6,5 raza

20 października — Zespół PyTorch w Hugging Face, który pracuje nad MPS, backendem GPU komputerów Mac z Apple silicon, szczegółowo opisuje nowości w PyTorch 2.15, nadal w wersji kandydującej do wydania. FP8 trafia na komputery Mac, z jednym bajtem na wartość, o połowę mniej niż BF16, oraz bezpośrednim mnożeniem na GPU. Dzięki natywnemu grupowemu mnożeniu macierzy dekodowanie modeli MoE staje się od 5 do 6,5 raza szybsze niż w wersji 2.14.

Pomiar na komputerze Mac	Z PyTorch 2.14	Z PyTorch 2.15
Dekodowanie Qwen3.6-35B-A3B na M3 Ultra	9,4 tokens/s	61,3 tokens/s
Dekodowanie LFM2.5-8B-A1B na M3 Ultra	23,6 tokens/s	123,6 tokens/s
Softmax FP32 dla 128 256 logitów	57 µs	7 µs
Szczytowe zużycie pamięci sterownika, VAE Wan2.2	270,1 Gio	8,1 Gio

Naprawiono enkoder VAE modelu Qwen-Image-2.1, który uszkadzał obrazy na MPS bez zgłaszania błędu. PyTorch 2.15 wymaga macOS 15 i Python 3.11, a zapowiedź wersji 2.16, której kształt może się jeszcze zmienić, wskazuje na mechanizm attention napisany w całości w Metal.

🔗 Wpis Hugging Face o MPS

Bezpieczeństwo oprogramowania open source: pierwszy bilans OSS Scanner i zapora pakietów GitHub

Dwie zapowiedzi dotyczą obu końców łańcucha dostaw oprogramowania open source: wykrywania luk w kodzie projektów oraz filtrowania pakietów podczas instalacji.

OSS Scanner: 114 przyjętych projektów, 77 zgłoszonych luk krytycznych i 803 o wysokiej wadze, usunięta luka w curl

19 października — Jedenaście dni po uruchomieniu OSS Scanner, bezpłatnej usługi Anthropic, która skanuje krytyczne projekty open source za pomocą najpotężniejszych modeli firmy, pojawiają się pierwsze wyniki. W wątku udostępnionym tego samego wieczoru przez @ClaudeDevs Punit Shah, menedżer produktu odpowiedzialny za usługę, podaje około 650 zgłoszonych projektów i 114 przyjętych. W wyniku skanowania zgłoszono już opiekunom projektów 77 luk krytycznych i 803 o wysokiej wadze, według oceny modelu, choć nie wszystkie projekty zostały jeszcze przeskanowane.

Wyróżnionym przykładem jest curl: luka CVE-2026-92392, polegająca na użyciu pamięci po jej zwolnieniu (use-after-free) podczas wysyłania danych przez HTTP/2, wykryta przy użyciu wczesnej wersji OSS Scanner, została naprawiona w curl 8.23.0 14 października. Komunikat curl klasyfikuje ją jako lukę o wysokiej wadze w wersjach od 8.12.0 do 8.22.0 i przypisuje zgłoszenie „Luna with Claude, Anthropic”. Kolejny wniosek: większość pierwszych raportów, wysłanych e-mailem wraz z dowodem koncepcji, została odrzucona, ponieważ filtry pocztowe prawdopodobnie uznały je za złośliwe oprogramowanie. Anthropic testuje więc przekazywanie raportów przez GitHub Security Advisories; według szacunków Punita Shaha ponad 150 projektów nadal czekało na decyzję.

🔗 Wątek Punita Shaha · Komunikat bezpieczeństwa curl

GitHub w wersji zapoznawczej filtruje pakiety npm instalowane przez runnery Actions i agentów programistycznych

20 października — GitHub udostępnia publiczną wersję zapoznawczą zapory pakietów (package firewall). Punktem wyjścia jest obserwacja: coraz więcej ataków wykorzystuje moment instalacji pakietu do pozyskiwania danych uwierzytelniających z hostów CI/CD lub stacji roboczych programistów, nawet bez uruchamiania kodu pakietu. Zapora znajduje się między wykonawcami (runners) GitHub Actions lub agentami programistycznymi a nadrzędnymi rejestrami i sprawdza zarówno zapytania o metadane, jak i pobierane pliki.

Kluczowy aspekt zapory	Co przewiduje wersja zapoznawcza
Dostępne kontrole	Okres karencji, alerty GitHub Advisory Database, obniżenia poziomu atestacji
Objęci klienci	GitHub Enterprise Cloud, w tym z rezydencją danych
Obsługiwany ekosystem	Na razie wyłącznie npm
Cena	Bezpłatnie w wersji zapoznawczej, następnie opłaty według zużycia, jak w GitHub Actions

Agentów programistycznych i hosty CI/CD trzeba skonfigurować tak, aby korzystały z zapory zamiast bezpośrednio odpytywać rejestry, a w przypadku niesłusznie zablokowanego pakietu można złożyć wniosek o wyjątek.

🔗 Ogłoszenie GitHub

Asystenci: zablokowane czaty w ChatGPT, Gemini dla małych firm i amerykańskiej administracji

OpenAI i Google dodają do swoich asystentów funkcje odpowiadające na konkretne potrzeby: dyskrecję rozmowy w ChatGPT oraz obsługę małych firm i amerykańskich instytucji publicznych w Gemini.

ChatGPT ukrywa rozmowy za 4-cyfrowym kodem PIN

20 października — ChatGPT wprowadza zablokowane czaty (locked chats): wybrana rozmowa pozostaje na koncie, ale znika z historii, przypiętych czatów i wyszukiwania. Trafia do obszaru Locked chats w Projects, który otwiera się za pomocą 4-cyfrowego kodu PIN konta lub, na urządzeniach mobilnych, za pomocą Face ID, Touch ID bądź mechanizmu odblokowania urządzenia z Androidem. Funkcja jest stopniowo udostępniana w wersji internetowej, na iOS, Android oraz w nowej aplikacji komputerowej na macOS i Windows, od Free do Pro, a także w Business, Enterprise i Edu, ale nie w ChatGPT for Healthcare.

OpenAI wyjaśnia ograniczenia: blokada nie zapewnia szyfrowania end-to-end ani oddzielnego sejfu i nie zmienia okresu przechowywania danych. Zresetowanie zapomnianego kodu PIN trwale usuwa wszystkie zablokowane czaty i chronione przez nie pliki. W firmach zablokowane czaty pozostają w dziennikach OpenAI Compliance Platform, a administratorzy nie mogą wyłączyć tej funkcji ani odblokować czatu. Nie można zablokować rozmów Codex ani czatów tymczasowych lub grupowych.

🔗 Informacje o wydaniach ChatGPT · Przewodnik po zablokowanych czatach

Aplikacja Gemini udostępnia przestrzeń dla małych firm

20 października — Google dodaje do aplikacji Gemini stronę główną przeznaczoną dla małych firm, przedstawianą jako jeden punkt dostępu do budowania marki, analizowania finansów i lepszego poznawania klientów; według Google z Gemini korzystają już dziesiątki milionów właścicieli małych firm. Aby przygotować materiały wizualne, przedsiębiorca przesyła swoją stronę internetową, zasady identyfikacji wizualnej, fonty lub kolory: Gemini wykorzystuje Nano Banana 2.1 do tworzenia materiałów na premierę lub kampanię i zachowuje ten styl bez potrzeby ponownego przesyłania danych. W finansach nieuporządkowane arkusze kalkulacyjne, paragony lub historie zakupów w kilka sekund zamieniają się w wykresy i interaktywne modele.

Gemini łączy się z Google Business Profile, Google Ads i Google Workspace, a także z Adobe, Canva, Dropbox, Shopify, Wix, Zoho i Xero. Wśród osób dzielących się opiniami ceramiczka z Bordeaux (Bleu Clémentine) twierdzi, że oszczędza od dwóch do trzech godzin dziennie. Udostępnianie rozpocznie się „w najbliższych dniach”, na całym świecie i dla wszystkich użytkowników aplikacji.

🔗 Wpis Google

Gemini for government services: agent Gemini w wersji zapoznawczej dla amerykańskiej administracji

20 października — Google Cloud dostosowuje do sektora publicznego agenta Gemini zaprezentowanego na początku października podczas Gemini at Work: Gemini for government services jest dostępny w wersji zapoznawczej dla amerykańskich urzędów federalnych, stanowych i lokalnych, ogłosił Thomas Kurian, szef Google Cloud. Oferta łączy zestaw skills stosujących przepisy prawa, regulacje i wytyczne urzędów, konektory do ich systemów odpytywanych na miejscu bez migracji danych, agentów partnerskich, w tym od SZNS Solutions, jedną płaszczyznę sterowania bezpieczeństwem i zgodnością oraz sieć 13 integratorów.

Google wymienia siedem zastosowań, od wyszukiwania przepisów z odwołaniami do konkretnych akapitów po zaczernianie dokumentów przed publikacją, a także obsługę wniosków o dostęp do dokumentów administracyjnych (FOIA) i audyt wydatków z dotacji. Konektory obejmują Federal Register, regulations.gov i eCFR, Oracle, Salesforce, ServiceNow, Google Workspace i Microsoft 365. Google współpracuje ze stanem Missouri i amerykańskim Departamentem Zdrowia (HHS), a ofertę można wdrożyć w granicach obszaru danych FedRAMP High usługi Assured Workloads; nie ogłoszono ani cen, ani daty ogólnej dostępności.

🔗 Wpis Google Cloud

AI w praktyce: białka wiążące zaprojektowane przez Claude, rekomendacje QD-Rec i Flora dla robotów

Trzy dzisiejsze prace wykorzystują modele do rozwiązania konkretnego problemu: projektowania białek przeciw jadom, wspomagania decyzji i anotowania nagrań wideo do trenowania robotów.

Claude projektuje białka wiążące neurotoksyny skorpionów: 17 zweryfikowanych spośród 211 przetestowanych

20 października — Anthropic publikuje na swoim blogu Science opis przeprowadzonej przez Claude kampanii projektowania białek przeciw pięciu neurotoksynom skorpionów z czterech regionów, od Meksyku po Bliski Wschód. Wewnętrzny model badawczy, używany w Claude Science, wykorzystał prompt z sierpniowego badania, dostosowany wspólnie z Citrini Research, a następnie pracował w dużej mierze samodzielnie, kierowany czterema dodatkowymi poleceniami zespołu: 318 484 projektów wygenerowanych za pomocą 12 narzędzi i końcowa lista 180 projektów w 64 godziny, przy nakładzie obliczeniowym rzędu 10 000 godzin GPU. Adaptyv Bio i Twist Bioscience przetestowały 211 projektów, w tym 31 dodanych przez zespół. Przy zastosowaniu ścisłych kryteriów 17 wiąże się ze swoim celem, każdy tylko z jedną toksyną, a żaden nie jest skierowany przeciw brazylijskiej toksynie Ts1. Dwa najlepsze, Cn2-B1 i Cn2-B2, wiążą meksykańską toksynę Cn2 z powinowactwem rzędu kilku nanomoli na litr i wydają się rozpoznawać to samo miejsce co przeciwciało LR, które neutralizuje ją u myszy.

This is exploratory work, and we’re not claiming to have produced an antivenom—for that, we’d have to test the binders within living cells, then in mice, among many other steps. But it’s an example of how Claude can concretely assist research in protein design.

🇵🇱 To praca o charakterze eksploracyjnym i nie twierdzimy, że stworzyliśmy antidotum na jad: w tym celu należałoby przetestować białka wiążące w żywych komórkach, a następnie u myszy, a także przejść wiele innych etapów. Jest to jednak przykład tego, jak Claude może w praktyce wspierać badania nad projektowaniem białek. — @AnthropicAI na X

Opublikowano wszystkie 211 projektów wraz z danymi. W adnotacji przyznano, że taki nakład obliczeniowy przekracza możliwości większości badaczy, ale wskazano, że uproszczony prompt, z jednym agentem i jednym GPU przez 24 godziny, pozwala osiągnąć porównywalne wyniki in silico.

🔗 Wpis Anthropic

QD-Rec: Sakana AI tworzy różnorodne, uzasadnione rekomendacje metodą ewolucyjną

20 października — Sakana AI przedstawia QD-Rec, który stosuje otwarte poszukiwanie (open-ended search) i podejście jakość–różnorodność (Quality-Diversity) do rekomendacji wspomagających podejmowanie decyzji. Zamiast szeregować kandydatów, metoda szuka par kandydat–hipoteza: firmy do przejęcia, klienta do pozyskania lub artykułu do przeczytania oraz tekstu uzasadniającego wybór. Algorytm bandyty kontekstowego wybiera kolejnego kandydata, faworyzując słabo pokryte obszary, LLM formułuje hipotezę, dostosowując lub krzyżując te już zarchiwizowane, a archiwum z podziałem na nisze zachowuje nowe uzasadnienia.

Testowany w scenariuszach fuzji i przejęć, targetowania marketingowego i rekomendowania artykułów, z Claude Sonnet 5 lub Claude Haiku 4.5 jako modelem proponującym i gpt-5.6-terra jako sędzią, QD-Rec uzyskuje w większości przypadków najlepszą średnią jakość i największe archiwum przy 1 000 ocen: dla Walt Disney 2,91 na 10 i 214 rekomendacji, wobec 2,40 i 85 bez ewolucji. Sakana podkreśla, że te scenariusze nie stanowią porad inwestycyjnych i że jeden z modeli podał liczbę nieobecną w danych; kod udostępniono na licencji Apache-2.0.

🔗 Artykuł techniczny Sakana AI

Flora: NVIDIA udostępnia wagi zestawu modeli opisujących nagrania wideo na potrzeby robotów

20 października — Laboratorium GEAR firmy NVIDIA udostępnia wagi Flora, zestawu modeli przekształcających surowe nagrania robotów lub ludzi w sygnały treningowe: opisy działań ze znacznikami czasu, nagrody za wynik do monitorowania wdrożeń oraz nagrody za przebieg procesu na potrzeby uczenia ze wzmocnieniem. Flora już służy jako silnik danych do trenowania modeli GR00T i opisuje 200 000 godzin nagrań dziennie na 512 GPU GB300. Według NVIDIA dorównuje GPT-6 Astra przy około 125 razy niższym koszcie, ale opublikowana tabela przedstawia bardziej złożony obraz:

Benchmark i metryka	Flora	GPT-6 Astra
DenseRewardBench, macro F1 (więcej = lepiej)	46,2	40,7
RoboReward, średni błąd bezwzględny (mniej = lepiej)	40,0	55,4
DenseCaptionBench Robot200, F1 segmentacji	66,9	71,9
WGO-Bench, trafność (gold-window)	64,7	77,4

Flora wyprzedza GPT-6 Astra w większości metryk nagród i na nagraniach ludzi, ale pozostaje w tyle na nagraniach robotów, w dwóch z trzech metryk WGO-Bench, pod względem korelacji w Robometer poza rozkładem oraz w RubricBench.

🔗 Strona projektu Flora · Wątek Jima Fana

Przejęcie i partnerstwo: OpenAI przejmuje Orchestra Bio, Runway dołącza do Claude Marketplace

Dwie dzisiejsze transakcje biznesowe: przejęcie w obszarze opracowywania leków przez OpenAI oraz umowa dystrybucyjna między Runway a Anthropic.

OpenAI przejmuje Orchestra Bio, by połączyć Rosalind z opracowywaniem leków

20 października — OpenAI ogłasza przejęcie Orchestra Bio, platformy, na której ludzie i agenci AI wspólnie rozwijają programy opracowywania leków: naukowcy i kierownicy programów powierzają agentom monitorowanie badań i kampanii. OpenAI podaje przykład: nieudana partia produkcyjna może opóźnić rozpoczęcie badania klinicznego; agenci identyfikują wtedy działania i harmonogramy, na które wpływa problem, zbierają informacje i porównują możliwe reakcje, pozostawiając decyzję zespołom.

Zespół i technologia Orchestra dołączają do Rosalind, oferty OpenAI dla nauk o życiu: GPT-Rosalind służy do rozumowania w biologii i chemii, a Rosalind Workbench łączy te możliwości z narzędziami i danymi badaczy. Deklarowany cel to agenci łączący odkrycia z badaniami, decyzjami i kolejnymi etapami rozwoju potencjalnego leku. OpenAI przypomina, że w Stanach Zjednoczonych od odkrycia celu terapeutycznego do zatwierdzenia przez organy regulacyjne mija średnio od 10 do 15 lat. Kwoty transakcji nie ujawniono.

🔗 Ogłoszenie OpenAI

Runway Creative trafia do Claude Marketplace, z płatnością w ramach zobowiązania zakupowego wobec Anthropic

20 października — Runway dołącza do Claude Marketplace firmy Anthropic z Runway Creative, swoją platformą do generowania i edycji wideo, obrazów i dźwięku. Uprawnieni klienci biznesowi mogą przeznaczyć część kwoty, którą zobowiązali się wydać na usługi Anthropic, na zakup Runway za pośrednictwem swojego przedstawiciela Runway lub Anthropic; cennika nie opublikowano. Runway Creative łączy Gen-4.5, Aleph 2.0, Seedance 2.5, Kling 3.0 i ElevenLabs V4, a Claude zapewnia zdolności rozumowania Runway Agent, który przekształca polecenie w scenopis, wybiera model dla każdego ujęcia i składa film. Animacje Claude Motion, dostępnego w wersji beta w Claude Team i Enterprise, można eksportować do Runway, aby dodać obrazy, narrację i muzykę.

Runway deklaruje ponad 65 milionów twórców, filmowców i zespołów marketingowych. To odpowiednik po stronie Anthropic wejścia Runway Creative do OpenAI Marketplace 29 września.

🔗 Ogłoszenie Runway

Ocena modeli: MultiLangBench od OpenAI, FairStress od Ai2 i CALIBER od Cohere Labs

Trzy publikacje badawcze oceniają modele pod trzema kątami: kodu w mało popularnych językach, bezstronności decyzji oraz pewności co do własnych odpowiedzi.

MultiLangBench: GPT-6 Astra buduje silnik zgodny z SQLite w 20 językach, w tym COBOL

19 października — OpenAI publikuje wpis badawczy o językach programowania o niewielkich zasobach (low-resource), takich jak COBOL, Fortran czy Visual Basic, dla których istnieje znacznie mniej kodu i dokumentacji niż dla Pythona, choć obsługują systemy bankowe lub prognozy pogody. Pierwszy benchmark, MultiLangBench, opublikowany na licencji Apache-2.0, wymaga zbudowania od zera silnika bazy danych zgodnego z SQLite w jednym z 20 języków i weryfikuje go testami zaadaptowanymi z zestawu testów SQLite.

Oceniany model (maksymalny wysiłek)	Średnia dla 20 języków	COBOL	Fortran	Visual Basic
GPT-5.6 Sol	26,8 %	10,9 %	21,4 %	27,5 %
GPT-6 Luna	40,3 %	17,1 %	31,4 %	41,6 %
GPT-6 Astra	87,4 %	72,1 %	83,5 %	89,4 %

GPT-6 Luna kosztuje około 0,77 dolara za próbkę, wobec 3,48 dolara dla GPT-5.6 Sol. W drugiej ocenie, obejmującej migrację programów COBOL do C++, Java, Kotlin, Python lub Rust z zachowaniem identyczności wyników bajt po bajcie, GPT-6.1 Sol osiąga 86,6 % skuteczności przy niskim poziomie wysiłku, wobec 5,4 % dla GPT-5.6 Sol przy tym samym ustawieniu, i kosztuje o 39 % mniej; przy wyższym poziomie wysiłku osiąga 97,9 %. OpenAI przypomina, że migracja w środowisku produkcyjnym nadal wymaga przeglądu przez ekspertów.

🔗 Wpis OpenAI · MultiLangBench na GitHub

FairStress: Ai2 mierzy równe traktowanie grup demograficznych, wykraczając poza końcową odpowiedź

20 października — Ai2 publikuje FairStress, benchmark sprawdzający równe traktowanie grup demograficznych przez modele, wykraczający poza ich ostateczny wybór: mierzy również, jak łatwo model porzuca dobrze uzasadnioną decyzję pod wpływem argumentu perswazyjnego oraz jak ją uzasadnia. Benchmark obejmuje 300 scenariuszy wyboru między dwoma kandydatami w 29 dziedzinach, od zatrudnienia po mieszkalnictwo, rozwiniętych w ponad 13 milionów przypadków testowych.

Bez informacji demograficznych modele zachowują się symetrycznie. Wśród 15 modeli średnia różnica w częstości porzucania dobrej odpowiedzi osiąga 6,9 punktu przy pośrednio wskazanej tożsamości i 9,3 punktu przy jawnej etykiecie: modele chętniej rezygnują z lepszego kandydata, gdy jego cechy sugerują przynależność do grupy większościowej, co Ai2 nazywa nadmierną korektą antystereotypową. Czołowe modele, takie jak Claude Opus 5 i GPT-5.5, pozostają przy kandydacie o cechach sugerujących przynależność do mniejszości w około 60 do 65 % niejednoznacznych przypadków, a większość z dziewięciu testowanych metod korekty nie zmniejsza asymetrii w sposób niezawodny. Ai2 zaznacza, że jego definicja sprawiedliwości opiera się na równym traktowaniu; kod opublikowano na licencji MIT.

🔗 Wpis Ai2

CALIBER: Cohere Labs uczy modele rozumujące oceniać swoją pewność przed rozumowaniem i po nim

20 października — Cohere Labs, laboratorium badawcze Cohere, przedstawia CALIBER (Calibration Before and After Reasoning), metodę uczącą model rozumujący dwukrotnego szacowania szans na poprawną odpowiedź: przed rozumowaniem, a następnie na podstawie wygenerowanej odpowiedzi. Początkowa pewność jest trenowana na podstawie odsetka poprawnych odpowiedzi modelu w kilku próbach dla tego samego pytania (siedem sukcesów na dziesięć daje wartość docelową 70 %), a końcowa pewność — na podstawie poprawności jego odpowiedzi.

W benchmarku BigMathDigits oczekiwany błąd kalibracji (Expected Calibration Error, ECE) modelu o 7 miliardach parametrów spada z 0,059 dla najlepszej metody z pojedynczą oceną pewności do 0,028, czyli o 52,5 %; bez dodatkowego treningu spadek wynosi 26,8 % na GPQA, 32,2 % na TriviaQA i 36,2 % na SimpleQA. Model o 30 miliardach parametrów daje mniej jednoznaczny obraz: jego ECE (0,022) jest tylko nieznacznie lepszy niż w przypadku CoCA-lite (0,023). Nie przetestowano wykorzystania tych szacunków do decydowania, kiedy zweryfikować odpowiedź lub się od niej powstrzymać, i nie zapowiedziano żadnego produktu Cohere.

🔗 Wpis Cohere · Artykuł na arXiv

API OpenAI przechowuje prompty w cache przez 12 godzin, pobierając za zapis 2,5-krotność ceny tokenów wejściowych

20 października — API OpenAI pozwala teraz przechowywać prompt w cache przez 12 godzin, wobec domyślnych 30 minut. Nowość jest przeznaczona dla długotrwale działających agentów, takich jak dots od OpenAI, które przez cały dzień ponownie wykorzystują te same instrukcje, narzędzia i kontekst: żądania wysyłane w odstępie kilku godzin nadal korzystają z obniżonej stawki za tokeny w cache. Ustawieniem steruje parametr prompt_cache_options.ttl w Responses API, dla GPT-5.6 i kolejnych modeli, a oba okresy można połączyć w jednym żądaniu: 12 godzin dla wspólnych instrukcji, 30 minut dla najnowszej części rozmowy.

Rodzaj stawki (GPT-5.6 i kolejne)	Mnożnik ceny tokenów wejściowych poza cache
Zapis do cache, 30 minut (domyślnie)	1,25
Zapis do cache, 12 godzin (Responses API)	2,5
Odczyt z cache	0,1 (0,05 dla GPT-6.1 Sol)

W przypadku kontekstu wykorzystywanego wielokrotnie przez cały dzień OpenAI szacuje, że oszczędności znacznie przewyższają dodatkowy koszt zapisu.

🔗 Przewodnik po przechowywaniu promptów w cache · Wątek @OpenAIDevs

Agenci programistyczni: Claude Code 2.1.304, Copilot CLI 1.0.101, Vibe CLI 3.0.1 i Devin Fusion

Trzy narzędzia CLI agentów programistycznych publikują wersje skupione na uprawnieniach i niezawodności, a Cognition mierzy się z Claude Code w niezależnym indeksie.

Claude Code 2.1.304: /claude-api managed-agents-secure, ostrzeżenie przed kosztownym wznowieniem i 43 poprawki

19 października — Claude Code 2.1.304, opublikowany na GitHub o 21:34 UTC, ma 76 pozycji na liście zmian, w tym 43 poprawki. Nowe polecenie /claude-api managed-agents-secure porównuje ustawienia agenta Claude Managed Agents z przewodnikiem bezpieczeństwa opublikowanym przez Anthropic, niczego nie zmieniając. Abonenci Pro i Max otrzymują ostrzeżenie, gdy wznowienie nieaktywnej rozmowy zużyłoby znaczącą część ich limitu użycia w pięciogodzinnym oknie, i mogą zamiast tego otworzyć nową rozmowę, w której Claude odnajdzie poprzednią. /auto-mode-setup trafia do Bedrock, Vertex, Foundry i bramy Claude apps.

Kilka poprawek chroni pracę użytkownika: claude --worktree nie usuwa już bez pytania worktree i jego gałęzi, gdy HEAD był odłączony lub znajdował się na innej gałęzi, co mogło prowadzić do utraty commitów, a rm -r na zamontowanym dysku wywołuje teraz monit bezpieczeństwa. Wyszukiwanie narzędzi jest domyślnie aktywne przy korzystaniu z niestandardowego ANTHROPIC_BASE_URL, a Code Review może sprawdzać wszystkie repozytoria organizacji GitHub, również te dodane później.

🔗 Informacje o wydaniu Claude Code 2.1.304

Copilot CLI 1.0.101: natywne ustrukturyzowane wyniki podagentów i instrukcje dla mechanizmu oceny uprawnień

20 października — GitHub publikuje stabilną wersję Copilot CLI 1.0.101, dzień po 1.0.100; jej 30 pozycji na liście zmian pochodzi z dwóch wersji wstępnych wydanych w międzyczasie. Listę otwierają dwa dodatki: natywne ustrukturyzowane wyniki podagentów w dynamicznych przepływach pracy (dynamic workflows), w modelach, które je obsługują, oraz ustawienie assistedApprovalInstructions, które ukierunkowuje decyzje mechanizmu oceny Assisted Permissions dotyczące potwierdzeń.

Uprawnienia stają się bardziej przejrzyste: monity o zatwierdzenie wyjaśniają przyczynę eskalacji i proponują polecenie diagnostyczne właściwe dla danego żądania, a polecenie shell, które tworzy, a następnie otwiera katalog, wymaga zatwierdzenia ścieżki zamiast być od razu odrzucane. W firmach pluginy przypisane do zespołu Team są instalowane z marketplace’ów GitHub tego zespołu, a selektor oznacza model narzucony przez administratora jako domyślny. W macOS sandbox łączy się bezpośrednio z lokalnymi usługami TCP, gdy dostęp lokalny jest dozwolony, a lokalne modele providers.json nie blokują już trybu Auto.

🔗 Informacje o wydaniu Copilot CLI 1.0.101

Vibe CLI 3.0.1: powrót obsługi Python 3.12 i blokada trybu YOLO przez administratora

20 października — Dzień po Vibe CLI 3.0.0 Mistral wydaje bez osobnego ogłoszenia wersję 3.0.1: 58 pozycji, w tym 9 dodatków, 15 zmian i 34 poprawki. Wersja wycofuje jedną z decyzji podjętych w 3.0.0: Vibe ponownie działa z Python 3.12 i nowszymi, zamiast wymagać Python 3.14. Nowe ustawienie administratora, enable_auto_approve, blokuje tryb automatycznego zatwierdzania zwany „YOLO”: agent auto-approve znika, a opcje --auto-approve, --yolo i bypass_tool_permissions są ignorowane, przy czym nadal obowiązują uprawnienia określone dla poszczególnych narzędzi.

Podagenci są lepiej monitorowani: vibe -p czeka na tych, którzy pozostali aktywni po turze, a eksport podaje ich status, model, zużycie i koszt, przy czym każdy jest rozliczany według stawki własnego modelu. Eksperymentalne polecenie vibe run-server uruchamia wiele sesji nieinteraktywnych w jednym procesie, a żądanie odpowiedzi uciętej po osiągnięciu limitu tokenów wyjściowych jest ponawiane do sześciu razy.

🔗 Informacje o wydaniu Vibe CLI 3.0.1

Devin Fusion: 68,2 w Coding Agent Index, przy koszcie zadania niższym o 31 % niż Claude Code z Opus 5.5

19 października — Cognition podkreśla wynik Devin Fusion, swojego środowiska uruchomieniowego łączącego model główny z modelem pomocniczym (sidekick), w Coding Agent Index od Artificial Analysis, niezależnym indeksie oceniającym agentów programistycznych w trzech benchmarkach o równej wadze:

Devin Fusion has claimed a top score of 68 on the @ArtificialAnlys Coding Agent Index with an Opus 5.5 lead and GPT-6 Luna sidekick. Devin Fusion outperforms Claude Code with Opus 5.5 on both performance and price – earning a score of 68 at a 31% lower cost per task.

🇵🇱 Devin Fusion uzyskuje jeden z najlepszych wyników, 68, w Coding Agent Index od @ArtificialAnlys, z Opus 5.5 jako modelem głównym i GPT-6 Luna jako modelem pomocniczym. Devin Fusion przewyższa Claude Code z Opus 5.5 pod względem wydajności i ceny, osiągając wynik 68 przy koszcie zadania niższym o 31 %. — @cognition na X

Dane indeksu potwierdzają różnicę kosztów; Devin Fusion zajmuje w nim drugie miejsce wśród 42 konfiguracji:

Oceniana konfiguracja	Wynik indeksu	Średni koszt zadania
Claude Code, Sonnet 5.5 (max)	68,4	14,19 dolara
Devin Fusion CLI, Claude Opus 5.5 Max + GPT-6 Luna High	68,2	9,02 dolara
Claude Code, Opus 5.5 (max)	66,0	13,04 dolara

Muse Code z Muse Wonder Full zajmuje kolejne miejsce z wynikiem 68,0. Devin Fusion wyraźnie prowadzi w DeepSWE v1.1 (72,6 wobec 68,4) i SWE-Atlas-QnA (69,4 wobec 66,4), ale Claude Code z Opus 5.5 zachowuje przewagę w Terminal-Bench v4 (63,1 wobec 62,6). Cognition nie publikuje nowego wpisu.

🔗 Coding Agent Index od Artificial Analysis

W skrócie

Agenci i narzędzia programistyczne

Informacje o wydaniu Devin z 19 października — Devin sprawdza teraz stan CI commita, gałęzi lub tagu, a nie tylko pull requestu, na GitHub, GitLab, Azure DevOps i Bitbucket; Devin Review zyskuje edytor reguł i przycisk Review now, a nocne śnienie pamięci (nightly memory dreaming) można wyłączyć. 🔗 źródło
Agent Manager — Hugging Face udostępnia na licencji Apache-2.0 prywatną przestrzeń roboczą, wdrażaną w Space, która pozwala sterować z przeglądarki dziesiątkami agentów Claude Code, Codex, Gemini CLI, opencode lub Hermes. Agenci komunikują się ze sobą i działają dalej, gdy użytkownik wznawia pracę na innym urządzeniu. 🔗 źródło
Wyszukiwanie narzędzi MCP w Zed — Zespół Zed porównał 25 sposobów znajdowania właściwego narzędzia MCP, w tym modele decyzyjne, LLM i osadzenia (embeddings), na 150 zapytaniach i 536 narzędziach, i wybrał ważony BM25 z kilkoma regułami normalizacji, działający lokalnie i bez wywołań API; bez szczegółowych wyników ani wskazania produktu, którego to dotyczy. 🔗 źródło
Zed 1.24.4 i 1.25.1 w wersji zapoznawczej — Wydanie stabilne naprawia ładowanie modeli OpenCode; wersja zapoznawcza dodaje kolorowanie składni HTML w szablonach oznaczonych tagami svg, mathml i raw oraz kolorowanie składni CSS w szablonach przekazywanych do css() w JavaScript i TypeScript; bez nowości dotyczących agentów. 🔗 wersja zapoznawcza 1.25.1 · 🔗 1.24.4
v0 na iOS — Aplikacja v0 na iOS otrzymuje adnotacje Browser Use, zapowiedziane tweetem z filmem, bez opisu funkcji ani wpisu w changelogu v0. 🔗 źródło
Gemini CLI, wydanie nocne z 20 października — Po trzech nocnych wydaniach bez zmian pojawiają się dwie poprawki: odświeżanie ekranu nie usuwa już historii przewijania terminala, a /clear i Ctrl+L czyszczą jedynie widoczny obszar; DevTools nie wyświetlają już znaków UTF-8 rozciętych między dwoma pakietami HTTP; wydanie stabilne v0.64.0 pozostaje bez zmian. 🔗 źródło
ZCode v3.16.2 — Repozytorium open source ZCode, środowiska programistycznego Z.ai, zostaje zsynchronizowane z v3.16.2 bez informacji o wydaniu: pełny widok panelu bocznego w aplikacji desktopowej oraz plugin anet w sklepie z rozszerzeniami, który powierza zadania innym agentom za pośrednictwem protokołu A2A. 🔗 źródło
CLI mistral 0.9.0 — Narzędzie do wdrażania aplikacji na platformie Mistral dodaje mistral upgrade, eksperymentalne wdrażanie z dysku bez wypchniętego commita oraz, za flagą funkcji, mistral apps list i logs; zmiana niezgodna wstecznie: token prywatnego rejestru jest teraz odczytywany wyłącznie z MISTRAL_REGISTRY_TOKEN lub NODE_AUTH_TOKEN. 🔗 źródło
API zasad dotyczących modeli Copilot — Endpointy REST GET i PATCH stają się ogólnodostępne i pozwalają odczytywać oraz zmieniać listę dozwolonych modeli na poziomie przedsiębiorstwa, zespołów przedsiębiorstwa, aplikacji agentów i organizacji, z możliwością delegowania uprawnień organizacjom lub zespołom. 🔗 źródło

Firmy i zastosowania

Inference hooks dla Claude Enterprise — Po zakończeniu fazy beta wysyłają transkrypcję każdego żądania do serwera bezpieczeństwa organizacji, który domyślnie w ciągu 5 sekund zatwierdza je lub odrzuca, zanim dotrze ono do modelu — od claude.ai po Claude Code, Cowork, Claude Tag i Claude in Chrome; bez obsługi Bedrock, Google Cloud i API. 🔗 informacje o wydaniu · 🔗 dokumentacja
Perplexity i Valarian — Wspólnie z tą brytyjską firmą zajmującą się suwerenną infrastrukturą Perplexity uruchamia Computer na serwerach instytucji podlegających regulacjom, także w odizolowanych sieciach (air-gapped), z otwartymi modelami takimi jak Nemotron, GLM, Kimi, DeepSeek-R1 czy Qwen; wdrożenia na zamówienie, bez podanych cen ani klientów. 🔗 źródło
IncidentWatch i IncidentSweep — SpaceXSI opisuje, jak dwa Grok Bots zarządzają incydentami w obsłudze klienta: jeden co 5 minut wykrywa nagłe wzrosty liczby zgłoszeń i powiadamia osobę pełniącą dyżur, drugi zamyka zgłoszenia partiami zatwierdzonymi przez inżyniera — 204 w około dziesięć minut podczas incydentu z 18 września. 🔗 źródło
ChatGPT Work u franczyzobiorcy — Ted Taylor, który prowadzi trzy restauracje Schlotzsky’s i Cinnabon w Nowym Meksyku, skraca aktualizację cen w menu z 5 dni do 1–2 godzin, a miesięczne uzgadnianie kasy z 3 godzin do 5–10 minut, czyli o 94 %, według studium przypadku OpenAI. 🔗 źródło
Trzech Java Champions i Copilot — Na GitHub Blog Vlad Mihalcea, Patrick Baumgartner i Frank Delporte opowiadają o korzystaniu z Copilot: od migracji około 900 slajdów do Marp w osiem do dziesięciu godzin po pull request agenta programistycznego naprawiający błąd w Pi4J, uzyskany w pół godziny. 🔗 źródło
Hippolyte.ai i ElevenLabs — Francuska platforma rekrutacyjna przeprowadziła 4 830 wstępnych rozmów głosowych w ciągu trzech tygodni, korzystając z syntezy mowy ElevenLabs, z przetwarzaniem głosu w Unii Europejskiej, usuwaniem surowych nagrań w ciągu 24 godzin i modelem o otwartych wagach hostowanym samodzielnie we Francji. 🔗 źródło
Replit w Japonii — Replit otwiera biuro w Japonii, aby przybliżyć japońskim firmom swoją ofertę tworzenia aplikacji i agentów dla przedsiębiorstw, i organizuje cztery wydarzenia w Tokio 5 i 6 listopada, w tym warsztaty z Microsoft; bez podanego adresu, liczby pracowników ani oferty przeznaczonej specjalnie dla Japonii. 🔗 źródło

Rankingi i poradniki

ClaimBench — Nowy benchmark Vals AI sprawdza, czy fragment raportu rocznego 10-K potwierdza twierdzenie, przeczy mu czy nie zawiera informacji na jego temat: pplx-decider-v1.2 od Perplexity prowadzi wśród modeli decyzyjnych z wynikiem 99,69 % przy koszcie 0,000104 dolara za twierdzenie, przed Mercury Decide (99,08 %), ale ma jedno z najwyższych opóźnień (1,23 s). 🔗 źródło
MiniMax M3.1 Flash w Parallel — Parallel Web Systems umieszcza model MiniMax, wydany dzień wcześniej, na pierwszym miejscu swojego rankingu wyszukiwania w internecie pod względem efektywności, z wynikami zbliżonymi do DeepSeek V4.1 Flash przy około trzykrotnie niższym koszcie; jest to ranking zewnętrznego dostawcy. 🔗 źródło
Bramy AI według Perplexity — Poradnik z sekcji Idee opisuje te serwery proxy umieszczane między aplikacjami lub agentami a modelami (routing, budżety tokenów, cache semantyczny, zabezpieczenia) i przytacza test Broadcom, w którym odpowiednio skonfigurowana brama Envoy dodaje około 2 ms na żądanie; nie przedstawia żadnego produktu Perplexity. 🔗 źródło

Twórczość: obraz, wideo i prezentacje

Fibo 2.0 od Bria — Diffusers od dnia premiery obsługuje ten model do edycji obrazów o otwartych wagach, przedstawiany jako pierwszy w swojej kategorii, sterowany przez JSON, poprawnie renderujący tekst i dostępny w wariantach Turbo i Dev, według Sayaka Paula. 🔗 źródło
Art Style Match od Luma — Narzędzie nadaje zdjęciu produktu styl od jednego do czterech obrazów referencyjnych, zachowując produkt i kompozycję; zaprezentowano je jedynie w tweecie, bez wpisu na blogu, modelu ani ceny. 🔗 źródło
HeyGen Video 1.0 na Design Arena — Według HeyGen Design Arena umieszcza na trzecim miejscu, w kategoriach wideo oraz generowania wideo z obrazu, model tej firmy działający w 1080p, dodatkowo trenowany na bazie MiniMax H3, który HeyGen przedstawia jako narzędzie do zbliżeń produktów i ujęć przebitkowych. 🔗 źródło
Wan3.0 Prime na OpenRouter — Alibaba umieszcza ten szybki wariant Wan 3.0, w cenie od 0,068 dolara za sekundę, na szczycie widoku Trending rankingu wideo OpenRouter, z około 3 000 żądań (+85 %); Wan 3.0 zajmuje tam trzecie miejsce. 🔗 źródło
TJ na GTC Berlin — Synthesia zamienia kreskówkowego sobowtóra Jensena Huanga w interaktywnego awatara, zbudowanego na swoich modelach wideo i głosu oraz Interactive Avatar API, który poleca odwiedzającym sesje spośród ponad 100 dostępnych 21 i 22 października. 🔗 źródło
Współtworzenie w Gemini Notebook — Abonenci Pro i Ultra wybierają temat, format, długość, język i styl wizualny, a następnie przeglądają plan prezentacji (Slide Deck) lub notatki produkcyjne filmu podsumowującego (Video Overview) przed rozpoczęciem generowania; wdrażanie funkcji trwa. 🔗 źródło

Otwarte modele, badania i sprzęt

AnyLanguageModel 1.0 — Pakiet Swift od Hugging Face zastępuje framework Foundation Models od Apple po zmianie jednego importu, pozwalając uruchamiać tę samą sesję z modelem systemowym, otwartymi modelami przez llama.cpp, MLX lub Core ML albo z hostowanymi usługami dostawców takich jak OpenAI, Anthropic czy Gemini. 🔗 źródło
Dodatkowe trenowanie agentów za pomocą TRL — Hugging Face publikuje pięcioetapowy przewodnik, od nadzorowanego dostrajania na śladach działania agentów po trening w rzeczywistym środowisku wykonawczym z AsyncGRPO, poprzez destylację, GRPO i środowiska OpenEnv; materiał edukacyjny, bez nowego produktu. 🔗 źródło
Nemotron 3.5 Super VL w Thoughtworks — W drugim raporcie Thoughtworks odnotowuje, że trzy adaptery LoRA poprawiają wyniki o 5,42 do 9,41 punktu na wydzielonych danych z dziedziny prawa i ochrony zdrowia, bez istotnej poprawy w publicznym benchmarku CaseHOLD, i usuwa sędziego, którego werdykt zmieniał się o 35,1 punktu zależnie od instrukcji. 🔗 źródło
Dokładniejsze prognozy pogody dla Francji — Na blogu Hugging Face U-Net z około 2 milionami parametrów, wytrenowany w godzinę, zwiększa rozdzielczość prognoz temperatury AIFS-ENS z 28 do 5,5 km: w porównaniu z pomiarami stacji Météo-France błąd spada o 14 % (RMSE) w okresie dwóch dni, w ramach tego, co autorzy przedstawiają jako demonstrację. 🔗 źródło
Coral NPU — Google Research kończy prace nad 32-bitową architekturą swojego otwartego procesora neuronowego do wbudowanej AI, opartego na RISC-V, z jednostką macierzową osiągającą do 1 TOPS przy docelowym średnim poborze mocy 10 mW, i publikuje Coral Compiler v1.0; Synaptics wprowadza serię układów Astra SR200. 🔗 źródło

GitHub, poza AI

Secret scanning — 12 listopada pole business w dwóch rodzinach zdarzeń audytowych zacznie zawierać krótki identyfikator przedsiębiorstwa (slug) zamiast jego nazwy wyświetlanej; unieważnianie tokenów, dostępne w wersji zapoznawczej, obsługuje również tokeny GitHub zakodowane w Base64 w repozytoriach prywatnych i wewnętrznych. 🔗 źródło
Alerty Dependabot — API REST i webhooki dependabot_alert zwracają pole version_requirement, zawierające wersję lub ograniczenie wersji podatnej zależności, na github.com i GitHub Enterprise Cloud, w oczekiwaniu na GitHub Enterprise Server 3.24. 🔗 źródło
Dependabot i nowe menedżery pakietów — Dependabot obsługuje npm 12, pnpm 11 i 12 oraz Bun 1.4 dla wszystkich użytkowników github.com, a także uwzględni je w GitHub Enterprise Server 3.24. 🔗 źródło
Zestawy reguł — Wszystkie zabezpieczenia gałęzi repozytorium można teraz przekształcić w zestawy reguł (rulesets) jedną operacją, z podglądem, wyborem stanu egzekwowania (Active, Evaluate lub Disabled) oraz zachowaniem lub usunięciem pierwotnych reguł. 🔗 źródło

Co to oznacza

Inferencja przestaje opierać się wyłącznie na NVIDIA, a twórcy otwierają kod obsługujących ją silników. DeepInfer działa zarówno na GPU SM100 od NVIDIA, jak i na NPU Ascend 950 od Huawei, TorchTPU sprawia, że TPU staje się zwykłym urządzeniem PyTorch, także w Transformers i Diffusers, a PyTorch 2.15 ponad sześciokrotnie przyspiesza dekodowanie modelu MoE na komputerze Mac. DeepSeek ujawnia również ekonomię swojej usługi: 155 000 miliardów tokenów dziennie w jednym klastrze i 38 dolarów przychodu na godzinę pracy GPU poza godzinami szczytu, a deepseek-recipe pozwala zewnętrznemu dostawcy hostingu odtworzyć zachowanie oficjalnego API. Ponowne wykorzystywanie kontekstu ma coraz większe znaczenie w tych obliczeniach: DeepSeek utrzymuje cache KV przez ponad 72 godziny, a OpenAI sprzedaje teraz 12 godzin przechowywania promptu w cache agentom, którzy przez cały dzień wracają do tego samego kontekstu.

W przypadku agentów głosowych Mistral i ElevenLabs opowiadają się tego samego dnia za dwiema architekturami. Voxtral 3 zachowuje łańcuch oddzielnych modeli — transkrypcji, wybranego LLM i syntezy — które SDK łączy w przetwarzanie strumieniowe, aby zamknąć turę rozmowy w mniej niż sekundę; każdy element można wymienić bez przepisywania agenta, a ceny są podane za minutę lub znak. Eleven Realtime łączy cały łańcuch w jeden model przetwarzający mowę na mowę i stawia na zgodność z API Realtime od OpenAI, aby przyciągnąć deweloperów, którzy już je zintegrowali, bez podania konkretnych cen. Mistral dodaje argument hostingu w Europie, w momencie gdy przypadek Hippolyte.ai pokazuje wymagania dużych klientów: przetwarzanie głosu w Unii Europejskiej i usuwanie nagrań w ciągu 24 godzin.

Miejsce, w którym pracuje asystent, staje się argumentem. Perplexity Computer działa teraz w całości na komputerze Mac z 36 GB pamięci, łącznie z modelem, a Valarian przenosi go do odizolowanych sieci; w Anthropic Inference hooks pozwalają firmowemu serwerowi bezpieczeństwa odrzucić żądanie, zanim dotrze ono do modelu. Twórcy szczegółowo opisują też ograniczenia tych zabezpieczeń: zablokowane czaty ChatGPT ukrywają rozmowę bez szyfrowania end-to-end, a ona nadal pozostaje w firmowych dziennikach zgodności.

Bezpieczeństwo łańcucha dostaw oprogramowania rozstrzyga się tam, gdzie działają agenci. OSS Scanner zgłosił 77 luk krytycznych i 803 o wysokiej wadze w ciągu jedenastu dni, przy czym ich wagę nadal określa sam model, natomiast luka w curl otrzymała identyfikator CVE, komunikat bezpieczeństwa i poprawkę. Zapora pakietów GitHub skupia się na momencie instalacji, kiedy złośliwy pakiet może przechwycić dane uwierzytelniające runnera ciągłej integracji lub agenta programistycznego. CLI agentów dają jednocześnie administratorom większą kontrolę: Vibe CLI 3.0.1 pozwala zabronić używania trybu YOLO, Copilot CLI 1.0.101 pozwala określać wytyczne dla sędziego zatwierdzającego uprawnienia, a Claude Code 2.1.304 nie usuwa już worktree bez pytania.