ESPnet potraja otwarty korpus mowy dzięki YODAS v3, Mistral udostępnia GLM 5.3 przez swoje API, JEV-27B i OpenDecider deklarują wyniki na poziomie Jev

ESPnet publikuje YODAS v3, otwarty zbiór danych mowy obejmujący 1,1 miliona godzin w ponad 100 językach, trzykrotnie większy od pierwszej wersji i w całości dostępny w jakości 48 kHz. Mistral udostępnia teraz przez swoje API GLM 5.3, model Z.ai o otwartych wagach, z oknem kontekstu o rozmiarze 1 miliona tokenów i SLA na poziomie 99,5 %. Tymczasem JEV-27B i OpenDecider, dwa otwarte modele decyzyjne, według testów przeprowadzonych przez ich autorów osiągają wyniki na poziomie Jev. MiniMax wprowadza M3.1-Flash-Preview bez wyników testów porównawczych i cennika API, a w krótkich wiadomościach znalazły się między innymi wersja przedpremierowa Copilot CLI, która odczytuje reguły Claude Code, oraz Space Bunny Alpha, darmowy model o nieujawnionym pochodzeniu dostępny w OpenRouter.

ESPnet publikuje YODAS v3: 1,1 miliona godzin otwartych nagrań mowy w jakości 48 kHz

27 września — Zespół ESPnet (William Chen i Shinji Watanabe) publikuje YODAS v3, wielojęzyczny zbiór danych mowy obejmujący 1,1 miliona godzin, trzykrotnie większy od pierwszej wersji. Cały materiał dźwiękowy jest udostępniany w jakości 48 kHz, a metadane zawierają rzeczywistą użyteczną częstotliwość próbkowania, ponieważ wiele nagrań z internetu zostało poddanych nadpróbkowaniu.

Cecha YODAS v3	Opublikowana wartość
Objęte języki	Ponad 100, w tym 34 z ponad 1 000 godzin nagrań
Dźwięk wielokanałowy	Ponad 70 % nagrań ma co najmniej dwa odrębne kanały
Adnotacje	Transkrypcje ze znacznikami czasu dla każdego słowa, tłumaczenie na angielski ponad połowy materiału wielojęzycznego
Rozmiar i licencja	60 To w formacie OPUS, CC BY 3.0

Według autorów taka ilość danych wystarczy, by wytrenować od podstaw model na poziomie Whisper. Pierwszą wersję pobrano ponad 2,5 miliona razy i wykorzystano do trenowania IBM Granite, NVIDIA Canary i Parakeet oraz OLMoASR od Ai2. Powiązany artykuł ukazał się w materiałach konferencji Interspeech 2026.

🔗 YODAS v3 na blogu Hugging Face

Mistral udostępnia GLM 5.3 od Z.ai przez swoje API, z oknem kontekstu o rozmiarze 1M tokenów i SLA na poziomie 99,5 %

26 września — Z.ai wprowadziło GLM 5.3 14 sierpnia, a 28 sierpnia udostępniło jego wagi. Nowością jest pojawienie się modelu w API Mistral, zapowiedziane przez konto @MistralDevs. W publicznej wersji przedpremierowej, pod identyfikatorem zai-glm-5-3, model działa bez zmian w infrastrukturze Mistral. Oferuje okno kontekstu o rozmiarze 1 miliona tokenów, do 128k tokenów na wyjściu, ponad 100 tokenów na sekundę oraz SLA na poziomie 99,5 % w planie priorytetowym (priority tier).

Cena za milion tokenów	API Mistral	Together AI (29 sierpnia)
Wejście	1,40 dolara	1,40 dolara
Wejście z pamięci podręcznej	0,14 dolara	0,26 dolara
Wyjście	4,40 dolara	4,40 dolara

11 sierpnia Mistral zapowiedział otwarcie swojej platformy na modele innych dostawców, zaczynając od GLM 5.2. GLM 5.3 pojawił się 21 września w Vibe Code jako domyślny model aplikacji internetowej.

🔗 Ogłoszenie @MistralDevs · Karta modelu

Otwarte modele decyzyjne: JEV-27B od AutoTrust AI i OpenDecider w porównaniu z Jev

Dwa wpisy społecznościowe z 27 września przedstawiają otwarte modele decyzyjne na licencji Apache-2.0. Modele te szybko odpowiadają na krótkie pytania o określonym typie, zadawane przez agentów — prawda lub fałsz, wybór spośród kilku opcji albo ocena — i podają prawdopodobieństwo każdej odpowiedzi. Pojawiają się cztery dni po Tev1-4B-experimental od Together AI. Oba są porównywane z Jev 1.13, zamkniętym modelem TypeSafe AI udostępnianym jako usługa; poniższe wyniki pochodzą z pomiarów ich autorów.

JEV-27B od AutoTrust AI: według autorów średni wynik na poziomie Jev 1.13

27 września — AutoTrust AI, które deklaruje brak powiązań z TypeSafe AI, publikuje JEV-27B, model wytrenowany przez destylację Jev 1.13 na otwartym korpusie. W tej metodzie Qwen3.8-27B pozostaje zamrożony, a dołączany jest do niego odłączalny blok o 108,9 miliona parametrów, wytrenowany w około 9,2 godziny na B200. Model bazowy pozostaje nienaruszony i osiąga 78,0 % w HumanEval. Wyniki zmierzone przez autorów 26 września:

Test decyzyjny	JEV-27B	Jev 1.13 (API)
JevBench (publiczny zbiór)	88,70	87,18
Kev	83,75	85,52
OpenJev text	73,89	72,96
Nimble	92,91	91,84
VitaminC	77,46	78,46
MASSIVE-en	87,71	87,14
Średnia z sześciu	84,07	83,85

Mediana czasu odpowiedzi na jedną decyzję wynosi 137 ms na B200. Autorzy przyznają, że porównywalność dotyczy jedynie średniej i że model wytrenowany przez destylację dziedziczy słabe strony Jev; zapowiadają zgłoszenie wyników do niezależnych rankingów.

🔗 Wpis AutoTrust AI

OpenDecider: model nano z 400 milionami parametrów wyprzedza Laya i Jev w typed-decisions

27 września — Manjunath Janardhan publikuje OpenDecider, rodzinę modeli decyzyjnych: model nano z około 400 milionami parametrów oparty na enkoderze Ettin, model small z 4 miliardami parametrów oparty na Qwen3-4B oraz wersje MLX dla komputerów Mac. Powstały przez destylację dwóch otwartych modeli nauczycielskich, Qwen3-235B i DeepSeek V4.1 Flash, przy koszcie GPU poniżej 30 dolarów.

Oceniany model	typed-decisions (2 000)	Nowe decyzje ogólne (200)	Błąd kalibracji
OpenDecider-nano	0,796	0,680	0,092
OpenDecider-small	0,672	0,735	0,087
Laya (wyspecjalizowany checkpoint)	0,766	0,570	0,162
Jev 1.13 (API)	0,754	0,730	0,164

Według pomiarów autora model small dorównuje Jev w decyzjach dotyczących wcześniej niewidzianych przypadków, a jego błąd kalibracji jest niemal dwukrotnie mniejszy. Jev nadal prowadzi w zestawie testów aplikacyjnych Laya (0,774), zwłaszcza w wykrywaniu phishingu (0,90 wobec 0,63). Opublikowano predykcje i odtwarzalny test; wyniki pochodzą z pojedynczego ziarna losowego.

🔗 Wpis o OpenDecider

MiniMax wprowadza M3.1-Flash-Preview w MiniMax Code i Token Plan, bez wyników testów porównawczych i cennika API

27 września — MiniMax przedstawia M3.1-Flash-Preview w wersji przedpremierowej jako swój najnowszy model tekstowy. Rano debiutuje on w MiniMax Code, własnym agencie programistycznym firmy, a wieczorem trafia do Token Plan, abonamentu platformy MiniMax:

MiniMax-M3.1 Flash Preview is now live on the Token Plan! Faster, lighter, and built for teams running high-volume, latency-sensitive workloads, now available under your existing Token Plan subscription, no extra setup required.

🇵🇱 MiniMax-M3.1 Flash Preview jest już dostępny w Token Plan! Szybszy, lżejszy i zaprojektowany dla zespołów obsługujących zadania o dużej skali i wrażliwe na opóźnienia, jest teraz dostępny w ramach Twojego obecnego abonamentu Token Plan, bez żadnej dodatkowej konfiguracji. — @MiniMax_AI na X

MiniMax nie publikuje wyników testów porównawczych, cennika API, rozmiaru modelu, rozmiaru okna kontekstu ani wag; informacje o wersjach modeli wciąż kończą się na 31 lipca.

🔗 Debiut w MiniMax Code na X

Krótkie wiadomości

Copilot CLI odczytuje reguły Claude Code — W wersji przedpremierowej 1.0.89-5 opublikowanej 27 września (stabilna wersja 1.0.89 jeszcze się nie ukazała) Copilot CLI obsługuje pliki reguł Claude Code umieszczone w .claude/rules jako niestandardowe instrukcje. Informacje o wersji nie określają rozpoznawanego formatu ani kolejności priorytetów. 🔗 źródło
CLI mistral 0.7.0 — Opublikowana 26 września bez zapowiedzi wersja narzędzia wiersza poleceń Mistral dodaje mistral apps deploy, które wdraża aplikację na platformie aż do środowiska produkcyjnego, mistral apps publish, które publikuje ją w katalogu Vibe, oraz mistral evals do ewaluacji offline. 🔗 źródło
Agent API od Perplexity przechodzi na GPT-6 — Wiadomość z 25 września: ustawienia wstępne low i medium przechodzą z openai/gpt-5.6-luna na openai/gpt-6-luna, a ustawienie high z openai/gpt-5.6-sol na openai/gpt-6-sol. Prompty, poziom wysiłku wnioskowania, narzędzia, budżety tokenów i limity kroków pozostają bez zmian. 🔗 źródło
Space Bunny Alpha w OpenRouter — Wiadomość z 23 września: OpenRouter wymienia darmowy model o nieujawnionym pochodzeniu (stealth), którego twórcy nie podano, z oknem kontekstu o rozmiarze 1 miliona tokenów i obsługą tekstu, obrazów oraz wideo na wejściu. Zewnętrzny dostawca obsługujący model może przechowywać prompty i odpowiedzi, ale nie może wykorzystywać ich do trenowania; brak oficjalnych wyników testów. 🔗 źródło
Model oceniający 4B do danych finansowych — Tony Esposito publikuje FinCalc-NLI, syntetyczny zbiór z etykietami obliczonymi przez kod dla dziesięciu wskaźników bankowych, oraz openjev-fincalc-4b, model oceniający dostrojony w 40 minut na A100, który sprawdza twierdzenia liczbowe: skuteczność 94,4 % na 4 000 przypadków wobec 63,2 % dla najlepszego przetestowanego otwartego modelu oceniającego. 🔗 źródło
Dostrajanie modelu na komputerze Mac z 16 Go pamięci — W dziesięciu próbach dostrajania LoRA Harshit Kumar Gupta zmierzył, że PyTorch MPS działa od 2,2 do 5,7 razy szybciej niż Apple MLX, ale osiąga limit przy około 1,5 miliarda parametrów, podczas gdy MLX w 4 bitach mieści model o 3 miliardach parametrów. Ranga LoRA i optymalizator różniły się między obiema platformami. 🔗 źródło

Co to oznacza

Otwarte dane pozostają dyskretnym fundamentem otwartych modeli. Według autorów pierwsza wersja YODAS posłużyła do trenowania modeli IBM, NVIDIA i Ai2. Wersja v3 trzykrotnie zwiększa ilość danych, oferuje nagrania w jakości 48 kHz i dźwięk wielokanałowy oraz zachowuje licencję CC BY 3.0. Zdaniem autorów wystarczy to, by wytrenować od podstaw model na poziomie Whisper. Dzisiejsze modele decyzyjne idą tą samą drogą: JEV-27B uczy się na otwartym korpusie, OpenDecider powstaje przez destylację dwóch otwartych modeli nauczycielskich za mniej niż 30 dolarów, a oba są udostępniane na licencji Apache-2.0.

Model o otwartych wagach staje się pozycją w katalogu, a dostawcy usług wyróżniają się warunkami jego udostępniania. Poza pamięcią podręczną GLM 5.3 kosztuje tyle samo w Mistral i Together AI: 1,40 dolara za milion tokenów wejściowych i 4,40 dolara za milion tokenów wyjściowych. Mistral podkreśla cenę wejścia z pamięci podręcznej — 0,14 dolara wobec 0,26 dolara w Together AI — przepustowość ponad 100 tokenów na sekundę i SLA na poziomie 99,5 %. Przyjmując modele innych dostawców od czasu GLM 5.2, Mistral staje się zarówno dostawcą hostingu modeli, jak i ich twórcą. Model zmienia się też pod spodem w Perplexity: żądania korzystające z ustawień wstępnych Agent API są teraz obsługiwane przez GPT-6, choć programista nie wybrał tego modelu.

Pozostaje kwestia tego, kto przeprowadza pomiary. Autorzy JEV-27B i OpenDecider deklarują wyniki na poziomie Jev na podstawie testów, które wykonali sami. Publikują jednak ograniczenia, predykcje lub odtwarzalny test, a ich własne tabele pokazują przewagę Jev w kilku zadaniach, od VitaminC po wykrywanie phishingu. Z drugiej strony MiniMax wprowadza model bez żadnych danych, które można zweryfikować: bez wyników testów porównawczych, cennika API i rozmiaru okna kontekstu. W obu przypadkach nadal potrzebne są niezależne pomiary; AutoTrust AI zapowiada właśnie zgłoszenie wyników do niezależnych rankingów.

Zarówno w Mistral, jak i w MiniMax model trafia najpierw do własnego agenta programistycznego: GLM 5.3 został 21 września domyślnym modelem Vibe Code w przeglądarce, zanim pojawił się w API Mistral, a M3.1-Flash-Preview debiutuje w MiniMax Code przed udostępnieniem w Token Plan. Instrukcje zaczynają natomiast krążyć między agentami: wersja przedpremierowa 1.0.89-5 Copilot CLI odczytuje pliki .claude/rules napisane dla Claude Code, dzięki czemu to samo repozytorium może kierować pracą obu agentów za pomocą tych samych reguł, przynajmniej w tej wersji przedpremierowej.