Anthropic odkrywa globalną przestrzeń roboczą w LLM-ach (J-space), Runway otwiera hub physical AI w Paryżu, Claude Code wyjaśnia pętle agentowe

6 lipca to intensywny dzień na styku fundamentalnej interpretowalności i infrastruktury fizycznej: Anthropic publikuje badania nad J-space, globalną przestrzenią roboczą odkrytą w LLM-ach, przypominającą neurobiologiczne teorie świadomości; Runway ogłasza swoje pierwsze biuro we Francji z 30 mln USD zainwestowanymi w badania nad physical AI; a zespół Claude Code wreszcie dokumentuje cztery typy pętli agentowych, które strukturyzują autonomiczne workflow. Po stronie open source LeRobot v0.6.0 i partnerstwo Google DeepMind × Apptronik doprecyzowują anatomię robotycznej AI w 2026 roku.

Badania Anthropic — J-space, globalna przestrzeń robocza w LLM-ach

6 lipca — Anthropic publikuje na transformer-circuits.pub nowe badania z zakresu interpretowalności: LLM-y posiadają mechanizm analogiczny do global workspace (global workspace), opisanego przez neuronauki poznawcze — aktywny, świadomy obszar informacji dostępny dla rozumowania. Mechanizm ten, nazwany J-space, wyłania się naturalnie w modelach językowych bez wyraźnego zaprojektowania.

Badania pokazują, że podobnie jak ludzki mózg udostępnia świadomości tylko ułamek swojej aktywności neuronowej, LLM-y koncentrują swoje aktywne rozumowanie w tej ograniczonej przestrzeni. To odkrycie ma trzy praktyczne implikacje:

Odczytywać to, nad czym Claude aktywnie rozumuje w danym momencie
Audytować pośrednie stany rozumowania
Kierować procesem myślenia modelu podczas jego wykonywania

Wątki X Anthropic wspominają o interaktywnej demie dostępnej przez Neuronpedia dla modeli open-weights, pozwalającej bezpośrednio eksplorować J-space. Badania wpisują się w program mechanistycznej interpretowalności Anthropic (mechanistic interpretability), którego celem jest zrozumienie wewnętrznych reprezentacji modeli, aby zapewnić ich niezawodność wraz ze wzrostem możliwości.

New Anthropic research: A global workspace in language models. Of everything happening in your brain right now, only a tiny fraction is consciously accessible—thoughts you can describe, hold in mind, and reason with. We found a strikingly similar dynamic inside language models. The J-space lets us read, audit, and shape what Claude is actively thinking about—useful tools for keeping models trustworthy as they grow more capable. And it suggests surprising parallels between language models and our own minds.

🇵🇱 Nowe badania Anthropic: globalna przestrzeń robocza w modelach językowych. Ze wszystkiego, co dzieje się teraz w twoim mózgu, tylko znikoma część jest świadomie dostępna — myśli, które możesz opisać, utrzymać w pamięci i poddać rozumowaniu. Odkryliśmy zaskakująco podobną dynamikę w modelach językowych. J-space pozwala nam odczytywać, audytować i kierować tym, nad czym Claude aktywnie myśli — to przydatne narzędzia do utrzymania niezawodności modeli w miarę wzrostu ich możliwości. Sugeruje też zaskakujące paralele między modelami językowymi a naszymi własnymi umysłami. — @AnthropicAI na X

🔗 Pełny artykuł — transformer-circuits.pub

Runway otwiera swoje pierwsze biuro we Francji w Paryżu

6 lipca — Runway ogłasza otwarcie swojego pierwszego francuskiego biura w Paryżu, poświęconego badaniom nad world models (modelami świata) i physical AI (AI fizyczną). Ten hub wpisuje się w europejską ekspansję Runway, sześć tygodni po otwarciu jego pierwszego biura w Londynie.

Element	Szczegół
Lokalizacja	Paryż, Francja
Początkowy zespół	10 osób
Inwestycja	30 mln USD
Fokus	World models, physical AI
Rekrutacja	Paryż + Europa

“France has one of the deepest concentrations of AI research talent in the world. We’re excited to plant a flag in Paris as we continue to grow our global research presence.”

🇵🇱 „Francja ma jedną z najgłębszych koncentracji talentów badawczych z zakresu AI na świecie. Cieszymy się, że możemy postawić naszą flagę w Paryżu, kontynuując rozwijanie naszej globalnej obecności badawczej.” — Anastasis Germanidis, współ-CEO, Runway

Współ-CEO wskazuje na gęstość talentów wywodzących się z najważniejszych francuskich instytucji badawczych oraz wsparcie rządu jako czynniki decydujące. Runway aktywnie rekrutuje w Paryżu i w całej Europie. Inwestycja 30 mln USD pozycjonuje Paryż jako centrum badań podstawowych, uzupełniające londyński hub nastawiony na komercjalizację.

🔗 Oficjalne ogłoszenie Runway

Claude Code — przewodnik po czterech typach pętli agentowych

6 lipca — Zespół Claude Code publikuje za pośrednictwem @ClaudeDevs obszerny przewodnik, już obejrzany 316 000 razy, na temat projektowania pętli agentowych. Przewodnik zaczyna od precyzyjnej definicji: pętla to agent, który powtarza cykle pracy aż do osiągnięcia warunku zakończenia.

Typ pętli	Wyzwalacz	Warunek zakończenia	Primitiv Claude Code	Typowy przypadek użycia
Krok po kroku (turn-based)	Prompt użytkownika	Claude uznaje zadanie za zakończone	Agentic loop	Krótkie i eksploracyjne zadania
Oparta na celu (goal-based)	Prompt + jawne kryterium	Kryterium osiągnięte lub maks. liczba tur	`/goal`	Zadania z weryfikowalnym kryterium wyjścia
Czasowa (time-based)	Interwał czasowy	Anulowanie lub koniec pracy	`/loop`, `/schedule`	Praca cykliczna lub systemy zewnętrzne
Proaktywna (proactive)	Zdarzenie lub harmonogram bez człowieka	Koniec każdego podzadania	Dynamic workflows + mode auto	Dobrze zdefiniowane powtarzalne workflow

Praktyczne przykłady podane w przewodniku: /goal get the homepage Lighthouse score to 90 or above, stop after 5 tries (goal-based), /loop 5m check my PR, address review comments, and fix failing CI (time-based). Przewodnik porusza też temat kontroli jakości kodu w długich pętlach (SKILL.md do auto-weryfikacji, drugi agent do przeglądu) oraz zarządzania użyciem tokenów (wybór odpowiedniego modelu, jasne kryteria zakończenia).

🔗 Wątek @ClaudeDevs — Getting started with loops

Rząd Alberty — 466 milionów linii audytowanych w 20 godzin

6 lipca — Anthropic publikuje szczegółowy case study rządu Alberty (Kanada): od 2025 roku prowincja używa Claude Code z modelami Opus i Sonnet do audytowania bezpieczeństwa swoich rządowych systemów informatycznych. Wyniki są imponujące.

Metryka	Wartość
Przeskanowane linie kodu	466 milionów
Czas skanowania	20 godzin
Równoległe agenty	~50 (Opus + Sonnet)
Objete aplikacje	1 280
Objete repozytoria	3 400
Zaangażowane ministerstwa	27
Kontrole bezpieczeństwa na przebieg	~95

Architektura opiera się na dwóch typach agentów zbudowanych z użyciem Claude Agent SDK: agent „czerwonego zespołu” (red team), który testuje aplikacje jak atakujący, oraz agent „niebieskiego zespołu” (blue team), który ocenia obronę według międzynarodowego standardu bezpieczeństwa i przygotowuje plan remediacji. Portal do dotacji Java sprzed 25 lat został przebudowany w 4–5 dni (zamiast pierwotnych 5 miesięcy). Alberta publikuje techniczne white paper, aby inne rządy mogły odtworzyć to podejście.

🔗 Case study — anthropic.com

Sakana AI uruchamia Sakana Translate — tłumaczenie JA/EN/ZH w czasie rzeczywistym

6 lipca — Sakana AI, tokijski laboratoriów specjalizujący się w bioinspirowanych sieciach neuronowych, uruchamia Sakana Translate, zintegrowany ze swoim serwisem Sakana Chat. Narzędzie obsługuje tłumaczenie dwukierunkowe japoński ↔ angielski ↔ chiński w trzech odrębnych trybach:

Tryb	Działanie
Translate	Długie tłumaczenie w czasie rzeczywistym
Proofread	Doprecyzowuje ton i sformułowania z śledzeniem zmian
Ask	Wyjaśnia niuanse w doborze słów

To uruchomienie oznacza wejście Sakana AI do narzędzi tłumaczeniowych dla szerokiej publiczności, z wyraźnym pozycjonowaniem wokół trzech głównych języków Azji Wschodniej. Usługa jest dostępna pod adresem translate.sakana.ai.

🔗 Tweet Sakana AI

HuggingFace LeRobot v0.6.0 — world models, reward models, 9 rodzin benchmarków

5–6 lipca — HuggingFace publikuje LeRobot v0.6.0 pod tytułem „Imagine, Evaluate, Improve”, wersję, która porządkuje uczenie robotyczne w trzech uzupełniających się osiach.

Polityki z modelem świata:

Polityka	Opis
VLA-JEPA	Kompaktowe VLA (Qwen3-VL-2B), które przewiduje przyszłość w przestrzeni latentnej
LingBot-VA	Autoregresywny model wideo-akcja przewidujący jednocześnie przyszłe wideo i akcje
FastWAM	Ocenia, czy wyobraźnia w inferencji faktycznie poprawia wyniki

Nowe zintegrowane VLA: GR00T N1.7 (NVIDIA), MolmoAct2 (Allen AI, inferencja ~12 GB), EO-1, Multitask DiT, EVO1 (0,77 mld parametrów).

Modele nagrody: Robometer (zero-shot na każdym zbiorze danych LeRobot) oraz TOPReward (używa Qwen3-VL jako sędziego).

Benchmarki obejmują teraz 9 rodzin: LIBERO, Meta-World, NVIDIA IsaacLab-Arena oraz 6 nowych. Infrastruktura wzbogaca się o CLI lerobot-rollout do wdrożeń ze strategią DAgger, wsparcie FSDP do trenowania modeli większych niż dostępna pamięć GPU oraz HF Jobs do chmurowego trenowania jedną komendą.

🔗 LeRobot v0.6.0 — HuggingFace Blog

Google DeepMind × Apptronik — rozbudowany Robot Park, dane Apollo 2 dla Gemini Robotics

6 lipca — Google DeepMind ogłasza rozszerzenie swojego partnerstwa badawczego z Apptronik. Z okazji rozbudowy Robot Parku Apptronik dane zbierane w warunkach rzeczywistych przez platformę humanoidalną Apollo 2 będą bezpośrednio zasilać trening Gemini Robotics.

Element	Szczegół
Partner	Apptronik (rozbudowany Robot Park)
Platforma	Apollo 2 (robot humanoidalny)
Zastosowanie	Dane rzeczywiste → trening Gemini Robotics

To ogłoszenie pokazuje strategię Google DeepMind: zakotwiczyć robotyczną AI w danych terenowych, a nie w symulacjach, opierając się na fizycznych robotach humanoidalnych działających w rzeczywistych środowiskach.

🔗 Tweet @GoogleDeepMind

Krótkie wiadomości

Kimi K2.7 Code vs Claude Fable 5 — strony docelowe przy -94 % kosztu — Together AI publikuje porównanie: wygenerowano 12 stron docelowych, Kimi K2.7 Code kosztuje około 4 centy za stronę wobec 1,09 USD za Fable 5 (średnio 16× taniej), przy wynikach GPT-5.5 różniących się o 4 do 12 punktów w zależności od strony. Przewaga Kimi rośnie przy użyciu serwera MCP do referencji wizualnych. 🔗 Together AI Blog

Co to oznacza

Interpretowalność przechodzi z laboratorium do narzędzia nadzorczego. Odkrycie J-space przez Anthropic nie jest odosobnionym wynikiem akademickim: po raz pierwszy wewnętrzny mechanizm LLM-ów może być odczytywany, audytowany i kierowany w czasie rzeczywistym, bez modyfikowania modelu. Jeśli narzędzia nadzorcze oparte na tych badaniach staną się operacyjne, zasadniczo zmienią sposób weryfikacji tego, co autonomiczny agent właśnie planuje — co interesuje zarówno zespoły bezpieczeństwa, jak i deweloperów diagnozujących workflow agentowe.

Physical AI zakorzenia się w Europie przez Paryż. Otwarcie paryskiego biura Runway, połączone z LeRobot v0.6.0 od HuggingFace i partnerstwem Google DeepMind × Apptronik, rysuje spójny ekosystem wokół physical AI: modeli, które wyobrażają sobie działania przed ich wykonaniem (world model policies), rzeczywistych danych z robotów humanoidalnych do treningu oraz infrastruktury chmurowej, która demokratyzuje dostęp. Runway wybiera Paryż ze względu na gęstość badań podstawowych — to sygnał o przyszłej geografii tej dziedziny.

Agentowa AI wchodzi do produkcji rządowej. Przypadek Alberty nie jest pilotażem: 466 milionów linii przeskanowanych w 20 godzin przez 50 równoległych agentów, 1 280 aplikacji i 27 ministerstw objętych analizą, white paper publikowane dla innych rządów. W połączeniu z przewodnikiem Claude Code po pętlach, który dokumentuje prymitywy /goal, /loop, /schedule dla całkowicie autonomicznych workflow, to znak, że agentowa AI jest już wystarczająco niezawodna, by wdrażać ją w systemach krytycznych — przy nadzorowanych architekturach wieloagentowych.

Równanie koszt–jakość się przesuwa. Porównanie Kimi K2.7 Code vs Fable 5 opublikowane przez Together AI materializuje strukturalne napięcie: w zadaniach o wysokiej częstotliwości (generowanie stron, powtarzalne workflow) dobrze zoptymalizowane modele open-weight obniżają koszt 16-krotnie przy różnicy jakości mierzonej na mniej niż 10 %. Nie oznacza to, że modele zamknięte tracą na wartości, ale że ich przewaga coraz bardziej koncentruje się na zadaniach, gdzie naprawdę liczy się jakość marginalna.