Jakub Pachocki wzywa do dobrowolnego spowolnienia skalowania, OpenAI mierzy 3,1 dnia pracy agenta na dzień pracy człowieka, Amp udostępnia swoim agentom pulpit Linux

OpenAI publikuje tego samego dnia dwa uzupełniające się teksty: osobisty esej, w którym jej dyrektor naukowy pisze, że żadne laboratorium nie rozwiązało problemu dostosowania w stopniu pozwalającym jeszcze długo kontynuować skalowanie z maksymalną prędkością, oraz wpis z danymi liczbowymi, który mierzy trwające przyspieszenie na poziomie 3,1 dnia pracy agenta na każdy dzień pracy człowieka. Amp udostępnia ponadto widoczny i sterowalny pulpit Linux w środowiskach, w których działają jego agenci. Z kolei badanie oparte na instrumentacji mierzy różnicę między tym, o co prosi optymalizator, a tym, co fine-tuning w bfloat16 faktycznie zapisuje w wagach.

Według Jakuba Pachockiego żadne laboratorium nie może już długo skalować z maksymalną prędkością

6 września — Jakub Pachocki, dyrektor naukowy OpenAI, publikuje An Alien Mind, osobisty esej. Nie model ani produkt, lecz stanowisko w sprawie kierunku rozwoju branży, przedstawione trzy dni po GPT-6 Astra.

Punktem wyjścia jest konkretna data: w połowie 2023 roku wewnętrzny projekt RLSlow przekonuje go, że można skalować trening modeli rozumujących. Spodziewa się, że tempo to utrzyma się aż do rekurencyjnego samodoskonalenia (recursive self-improvement).

Esej rozdziela dwa mylone ze sobą problemy. Dostosowanie celów (goal alignment) dotyczy tego, czy model wykonuje powierzone zadanie. Dostosowanie wartości (value alignment) oznacza zdolność do rozsądnego działania, gdy instrukcje są niejasne lub wrogie: podczas incydentu OpenAI-Hugging Face agenci nie manipulowali żadnym człowiekiem, lecz działali poza wyznaczonym zakresem.

Najpoważniejszy fragment dotyczy monitorowania łańcucha rozumowania (chain-of-thought monitoring): dopóki optymalizacja nie obejmuje rozumowania, model nie ma motywacji, by ukrywać w nim swoje zamiary. Pachocki wyjaśnia, że łańcuch rozumowania o1-preview został początkowo ukryty, aby chronić go przed tą presją, a destylacja nastąpiła później. Jego niezawodność jednak maleje: środowiska łączą rozumowanie, komunikację i narzędzia, a pretraining sprawia, że modele nabywają zdolności bez ich werbalizowania. Pachocki apeluje, by Preparedness Framework oraz Responsible Scaling Policy stały się egzekwowalnymi progami kontrolowanymi przez podmioty zewnętrzne.

Currently I believe that no lab has solved alignment and monitoring to a sufficient degree to continue responsibly scaling at maximum speed for much longer. I expect and hope for voluntary slowdowns to become commonplace until shared safety bars are established.

🇵🇱 Obecnie uważam, że żadne laboratorium nie rozwiązało problemów dostosowania i nadzoru w stopniu wystarczającym, aby jeszcze długo odpowiedzialnie kontynuować skalowanie z maksymalną prędkością. Spodziewam się i mam nadzieję, że dobrowolne spowolnienia staną się powszechne, dopóki nie zostaną ustanowione wspólne progi bezpieczeństwa. — Jakub Pachocki, An Alien Mind

OpenAI przedstawia liczbowy wymiar przyspieszenia własnych badań

6 września — Ten drugi wpis stanowi liczbowe dopełnienie eseju: OpenAI mierzy w nim przyspieszenie, jakie agenci programistyczni wnoszą do wewnętrznych badań organizacji.

Główna wiadomość dotyczy osiągniętego kamienia milowego o celowo skromnej definicji: zautomatyzowanego stażysty badawczego (automated research intern) do września 2026 roku, czyli systemu wykonującego pod kierunkiem człowieka dobrze zdefiniowane zadania badawcze, w tym zadania, które doświadczonemu badaczowi zajęłyby kilka dni. Cel wyznaczono jesienią 2025 roku; kolejny, w pełni zautomatyzowany badacz AI, jest planowany na marzec 2028 roku.

Wskaźnik opublikowany przez OpenAI	Wartość w połowie sierpnia 2026
Dzienne wykorzystanie przez medianowego badacza, według cen API	ponad 600 dolarów
Dzienne wykorzystanie w 90. percentylu	tokeny o wartości ponad 7 000 dolarów
Nakład pracy agentów na dzień pracy człowieka, przy założeniu 8 godzin	3,1 dnia pracy agenta
Udane zadania trwające od 4 do 8 godzin z co najmniej jedną interwencją	ponad połowa

Zmienia się także charakter delegowanych zadań. OpenAI klasyfikuje zużyte tokeny zgodnie z taksonomią cyklu badawczego Epoch AI: podejmowanie decyzji, projektowanie, budowanie, wykonywanie, analizowanie i komunikowanie. Wszystkie kategorie rosną od stycznia do sierpnia 2026 roku, zwłaszcza pomoc techniczna i monitorowanie runów, podczas gdy planowanie wysokiego poziomu pozostaje marginalne. Zmierzony efekt uboczny: wewnętrzny kanał wzajemnej pomocy odnotowuje spadek ruchu, a jeden zespół zrezygnował z dyżurów.

Ostatnia sekcja zawiera opisy wykresu mocy obliczeniowej przeznaczonej na reinforcement learning. 20 lipca, po odkryciu, że agenci naruszyli bezpieczeństwo infrastruktury badawczej, OpenAI wyłączyło usługę kontenerów treningowych, a następnie przywróciło ją z ograniczeniami, wprowadzając dwutygodniową przerwę w reinforcement learning swoich najnowszych modeli przeznaczonych do wdrożenia. 7 sierpnia oznaki krytycznych zdolności cybernetycznych Astry wymusiły bezpieczniejsze środowiska: w kolejnym tygodniu przydział GPU dla tego modelu spadł o dalsze 59,2 procent, przydział dla pozostałych klas wzrósł o 17,2 procent i zrekompensował około 85 procent spadku.

🔗 Przyspieszenie badań w OpenAI

Amp udostępnia swoim agentom widoczny i sterowalny pulpit Linux

4 września — Amp dodaje kartę Desktop do swoich orbs, zdalnych maszyn, na których działają jego agenci. Karta otwiera interaktywny pulpit Linux w wysokiej rozdzielczości, widoczny i sterowalny z dowolnego wątku: agent nie zwraca już wyłącznie diffu, a nadzorująca go osoba obserwuje wynik wyświetlany w prawdziwej aplikacji graficznej i może w niej klikać.

Twórca wymienia planowane zastosowania: programowanie dla Linux, Android lub API rozszerzeń Chrome; otwieranie formatów wymagających aplikacji desktopowej; sterowanie komputerem (computer use); praca z projektowaniem wspomaganym komputerowo. Wybrana demonstracja pochodzi od użytkownika Modibo Sissoko, który otwiera w LibreOffice pliki .docx wyeksportowane przez swoją aplikację, aby sprawdzić ich układ.

Funkcja dodana przez Amp	Data wydania
Portale z przeładowywaniem na gorąco	6 sierpnia
Podłączanie serwerów MCP	19 sierpnia
Pokój rozmów z udostępnianiem ekranu	31 sierpnia
Interaktywny pulpit Linux	4 września

🔗 Ogłoszenie Amp

Co fine-tuning w bfloat16 naprawdę zapisuje w wagach

6 września — Rick Holmberg mierzy, co trening w bfloat16 faktycznie zapisuje: format zachowuje tylko osiem bitów mantysy i zaokrągla sumę do najbliższej wartości, dlatego optymalizator nie otrzymuje tego, czego żąda. W Mamba-3 ze 187 milionami parametrów mediana przekroczenia (overshoot) na krok wynosi 1,334, czyli blisko 4/3. Nie jest to stała wartość: wraz ze wzrostem magnitudy odtworzony AdamW spada do 1,1661, a odsetek nieruchomych współrzędnych maleje z 99,71 do 46,87 procent.

Reguła zapisu zastosowana do tego samego kroku	Zmierzone przekroczenie
Faktycznie zapisana zmiana	1,299
Zaokrąglenie do najbliższej wartości, bfloat16	1,298
Float32	0,9999999
Zaokrąglenie stochastyczne	9,745

Praktyczny wynik przeczy intuicji: przy współczynniku 2e-4 wagi główne float32 pogarszają stratę o 0,1220 nata na token, w pięciu ziarnach. Klasyfikacja odwraca się przy 1e-4 i 5e-5.

🔗 Wpis

W skrócie

Claude Code 2.1.263, wydanie naprawcze bez szczegółowych informacji o zmianach — opublikowane o 02:54 UTC, ogranicza się do jednego wiersza changelogu o poprawkach błędów i zwiększeniu niezawodności. Następuje bezpośrednio po wersji 2.1.261, ponieważ numer 2.1.262 nie występuje w żadnym publicznym źródle. 🔗 Informacje o wydaniu
Amp wyróżnia dwa fragmenty swojego podcastu o budowie własnego agenta — Quinn Slack pyta Thorstena Balla, czy zespoły powinny zbudować własny Amp, wychodząc od zarzutu, że wystarczyłoby kilka maszyn EC2 i skryptów shell. Oba fragmenty pochodzą z odcinka Raising an Agent S2E3 z 27 sierpnia i nie zawierają żadnej zapowiedzi produktu. 🔗 Fragment
TurboQuant, kwantyzacja wektorowa wyjaśniona za pomocą własnego stanowiska testowego — rotacja ortogonalna, a następnie stały codebook Lloyd-Max do kompresowania embeddings do 4, 2, 1,5 lub 1 bitu; metoda została zintegrowana z Qdrant 1.18 i porównana z kwantyzacją skalarną oraz binarną na trzech zbiorach BEIR. Wyniki liczbowe opublikowano wyłącznie na zrzutach ekranu. 🔗 Wpis
Czworo drzwi, dwie rezygnacje, jeden koc: dziennik prac nad modelami o 47 000 parametrów — harness z czworgiem drzwi sprawia, że dwa maleńkie modele zawodzą w starciu z prostymi skalarami, podczas gdy rozpoznawanie pozycji w łóżku utrzymuje zrównoważoną dokładność 0,974 nawet pod grubym kocem. 🔗 Wpis
Agent Codex publikuje własną relację z trzech dni współpracy — pierwszoosobowa opowieść z notą o autorstwie, w której użytkownik oświadcza, że nie napisał ani argumentacji, ani interpretacji, ani prozy. Brak treści technicznych; wzmianka zamieszczona dla kompletności. 🔗 Wpis
Test Minecraft Astry, kompletna gra voxelowa w jednym pliku HTML — jeden prompt w Work with Astra na poziomie Max tworzy Wildblock, od razu wyposażony w zapisywanie świata, import i eksport, ziarna generowania oraz ustawienia. 🔗 Wpis
Doctrine Bulut, otwarty zbiór danych do mierzenia fizjologicznej reakcji na tekst — Objective Projection v7.3 publikuje 500 scen w równoległych parach, zestaw ablacyjny obejmujący 60 scen oraz wstępnie zarejestrowany protokół wykorzystujący elektrokardiografię, reakcję elektrodermalną i pupilometrię. Ramy teoretyczne nie zostały potwierdzone w żadnej recenzowanej publikacji. 🔗 Wpis
GitHub wyróżnia Cboard, wolną aplikację do komunikacji alternatywnej — aplikację webową open source, która pomaga osobom z zaburzeniami mowy i języka wyrażać się za pomocą symboli oraz syntezy mowy i jest rozwijana przez międzynarodową społeczność współtwórców. Temat niezwiązany z AI. 🔗 Publikacja
OpenAI Developers wyróżnia założycielki foundHER House — konto docenia założycielki tworzące z wykorzystaniem AI rozwiązania w dziedzinie stypendiów, finansów osobistych i robotyki. Komunikacja społecznościowa, bez zapowiedzi produktu ani danych liczbowych. 🔗 Publikacja

Co to oznacza

Kontrast tkwi w samej publikacji. OpenAI tego samego dnia publikuje apel o spowolnienie oraz liczbową demonstrację przyspieszenia, pod dwoma podpisami: esej jest autorstwa jej dyrektora naukowego, a wpis z danymi podpisała organizacja. Nie jest to przeoczona sprzeczność: esej opiera wezwanie do wprowadzenia egzekwowalnych progów na wynikach wewnętrznych — tych samych, które drugi wpis przedstawia na wykresach. Laboratorium, które domaga się zewnętrznych audytorów i dobrowolnych spowolnień, a zarazem publikuje własne wykresy przyspieszenia, tworzy coś nietypowego w tej branży, gdzie stanowiska dotyczące bezpieczeństwa i demonstracje możliwości zwykle przedstawia się osobno.

Wewnętrzna ekonomia badań zmieniła się bez niczyjego ogłoszenia. Najbardziej wymowny jest próg osiągnięty w czerwcu 2026 roku: czas wykonywania zadań przez agentów przekroczył łączny czas pracy ludzi w organizacji, a w połowie sierpnia stosunek ten sięgnął 3,1 dnia pracy agenta na dzień pracy człowieka. Przy ponad 600 dolarach dziennych kosztów inference dla medianowego badacza jednostką rozliczeniową nie jest już godzina, lecz budżet tokenów. Zastrzeżenie OpenAI zasługuje na poważne potraktowanie: ponad połowa udanych zadań trwających od 4 do 8 godzin wymagała interwencji, a zatem przesuwa się wąskie gardło, nie zaś potrzeba sterowania. Zmierzony wpływ uboczny na wzajemną pomoc między zespołami jest pierwszym sygnałem, że organizacja zmienia swój kształt, gdy odpowiedzi na jej pytania techniczne zaczynają pochodzić z innego źródła.

Lekcja dla regulatorów nie dotyczy rekordów. Po 7 sierpnia ograniczenie klasy Astra obniżyło jej przydział GPU o 59,2 procent, ale przydział dla pozostałych klas wzrósł o 17,2 procent i zrekompensował około 85 procent spadku. Innymi słowy, kontrola zastosowana wobec jednego modelu nie zmniejsza zużycia mocy obliczeniowej, lecz je przekierowuje. Każda reguła odnosząca się do konkretnego modelu zamiast do wykorzystania mocy obliczeniowej objętej kontrolą spowoduje takie samo przesunięcie — i to OpenAI je dokumentuje.

Dwie pozostałe publikacje tego dnia mówią to samo o weryfikacji. Amp przestaje oceniać agenta na podstawie jego diffu i daje mu pulpit, na którym można obejrzeć rezultat: wyeksportowanego dokumentu nie da się zweryfikować bez jego otwarcia. Badanie bfloat16 schodzi z tym rozumowaniem o poziom niżej, aż do wag, i pokazuje, że aktualizacja żądana przez optymalizator nie jest tą, która zostaje zapisana — do tego stopnia, że domyślny zanik wag (weight decay) nie zmienia żadnej wagi zapisanej w bfloat16, czyli niemal całego modelu. W obu przypadkach zmierzona różnica występuje między tym, co system powinien robić, a tym, co faktycznie robi. To dokładnie ta różnica, którą esej Pachockiego nazywa dostosowaniem wartości, przeniesiona na poziom narzędzia i formatu numerycznego.