Moonshot publică ponderile Kimi K3.1 Pro, Cognition lansează SWE-2 Flash, RoboColosseum evaluează roboții în condiții reale

Moonshot AI își respectă promisiunea și publică pe Hugging Face ponderile Kimi K3.1 Pro, un MoE cu 2,8T parametri, sub o licență de tip MIT cu condiții pentru cei mai mari revânzători. Cognition lansează SWE-2 Flash, un model de cod construit pe Inkling-Small și de cinci ori mai ieftin decât SWE-2, iar RoboColosseum supune evaluării politici de control robotic pe peste 100 de roboți reali. OpenAI va achiziționa Pierre, ale cărui instrumente sunt deja folosite de Codex, în timp ce VS Code 1.145 reunește Copilot, Claude și Codex în aceeași sesiune, iar GitHub Copilot ajunge în asistentul de cod din Xcode.

Moonshot AI publică, așa cum a promis, ponderile Kimi K3.1 Pro, un MoE cu 2,8T parametri, pe Hugging Face

4 noiembrie — La lansarea Kimi K3.1 Pro, pe 23 octombrie, Moonshot AI promisese ponderile complete cel târziu pentru 4 noiembrie: promisiunea a fost îndeplinită. Depozitul moonshotai/Kimi-K3.1-Pro, creat pe 2 noiembrie și anunțat de @Kimi_Moonshot pe 4 noiembrie la ora 16:00 UTC, este accesibil liber, fără formular: 96 de fișiere safetensors, aproximativ 1,56 To în total.

Fișa modelului detaliază ceea ce anunțul de lansare prezenta pe scurt. Kimi K3.1 Pro, pe care Moonshot AI îl prezintă drept cel mai capabil model al său „de clasa 3T”, este nativ multimodal (text și imagine) și post-antrenat pornind de la Kimi K3. O schimbare de arhitectură semnalată față de Kimi K3: straturile sale de atenție completă Gated MLA lasă locul unui număr de 24 de straturi Gated DeepSeek Sparse Attention (Gated DSA), mai eficiente pentru contexte lungi. Ponderile sunt livrate în MXFP4, cu activări în MXFP8, un format învățat încă din etapa de antrenare (quantization-aware training).

Caracteristică tehnică	Valoare conform fișei
Parametri totali și activi	2,8T, dintre care 104B activi
Straturile rețelei	93, dintre care 69 KDA și 24 Gated DSA
Experții MoE	896, dintre care 16 per token și 2 partajați
Fereastră de context	1 048 576 tokens
Formatul ponderilor	MXFP4, activări în MXFP8
Encoder vizual	MoonViT-V2, 401M parametri
Fișiere publicate	96 safetensors, aproximativ 1,56 To

Moonshot AI recomandă vLLM, SGLang și TokenSpeed pentru servirea modelului, accesibil și prin API-ul platform.kimi.ai (identificator kimi-k3.1-pro). Together AI, inclus printre furnizorii de inferență de pe pagină, îl servește deja și oferă posibilitatea de a-l post-antrena (vezi Știrile pe scurt). Fișa insistă asupra unui aspect de integrare: în conversațiile cu mai multe runde sau cu apeluri de instrumente, mesajul complet al asistentului, inclusiv raționamentul, trebuie retrimis modelului ca atare. Sunt reluate scorurile prezentate la lansare: 65,7 pe Terminal-Bench 4.0, imediat în urma Claude Opus 5.5 (66,4), și 51,7 pe SWE Marathon v1.1, cel mai bun scor din tabel, Kimi K3.1 Pro fiind evaluat folosind Claude Code drept cadru de execuție.

Licența, numită „Kimi K3.1-Pro License”, preia structura unei licențe MIT (utilizarea, modificarea, redistribuirea și vânzarea sunt permise), cu două condiții. O companie care desfășoară o activitate de furnizare de modele ca serviciu (Model as a Service), oferind terților acces la inferență sau la ajustare fină, și a cărei cifră de afaceri cumulată depășește 20 de milioane de dolari pe parcursul a douăsprezece luni consecutive trebuie să semneze un acord separat cu Moonshot AI înainte de orice utilizare comercială. Un produs comercial cu peste 100 de milioane de utilizatori activi lunar sau cu venituri lunare de peste 20 de milioane de dolari trebuie să afișeze vizibil „Kimi K3.1-Pro”. Nici utilizarea internă, nici utilizarea prin produsele oficiale Moonshot AI sau prin partenerii săi de inferență certificați nu sunt vizate.

🔗 Kimi K3.1 Pro pe Hugging Face · Anunțul Moonshot AI pe X

Cognition lansează SWE-2 Flash, un model de cod construit pe Inkling-Small și de cinci ori mai ieftin decât SWE-2

4 noiembrie — Cognition lansează SWE-2 Flash, un model de cod rapid și eficient, disponibil imediat în Devin Desktop și în CLI-ul Devin, gratuit până pe 30 noiembrie (pentru abonații Pro, Max și Teams, precizează firul anunțului). Schimbare a modelului de bază: în timp ce SWE-2, lansat pe 10 septembrie, fusese post-antrenat pe Kimi K3, SWE-2 Flash pornește de la Inkling-Small, modelul cu ponderi deschise al Thinking Machines (276B parametri, dintre care 12B activi). Cognition îl prezintă drept un model de cod în întregime american (model de programare complet american). Potrivit companiei, costă de cinci ori mai puțin decât SWE-2 și este de trei ori mai rapid, fără să fi fost publicat un preț concret; demonstrația de viteză (200 față de 60 tokens pe secundă) este o redare simulată a unei sarcini.

Introducing SWE-2 Flash, our new fast & efficient coding model. On leading evals, it outperforms all American open-weight models, even ones 3x larger. To balance transparency and cyber risks, we are building a program to securely share the weights with partners & researchers.

🇷🇴 Vă prezentăm SWE-2 Flash, noul nostru model de cod rapid și eficient. La principalele evaluări, depășește toate modelele americane cu ponderi deschise, chiar și pe cele de trei ori mai mari. Pentru a echilibra transparența și riscurile cibernetice, punem în aplicare un program de partajare securizată a ponderilor cu parteneri și cercetători. — @cognition pe X

Noutatea ține în primul rând de metodă. Pentru prima dată, Cognition introduce o fază intermediară de antrenare (mid-training) înainte de învățarea prin întărire: câteva mii de miliarde de tokens din articole științifice, bloguri și cod, în trei etape care rezervă pentru final datele cele mai rare și mai atent pregătite. Urmează RL la scară largă, ale cărui îmbunătățiri provin în principal din sarcini mai variate și mai bine verificate. Rezultatele anunțate față de modelul de bază: Terminal-Bench 4.0 trece de la 0,9 % la 20,0 %, FrontierCode 2.0, benchmark-ul propriu, de la 3,2 % la 24,0 %, iar ExploitBench de la 11,3 % la 34,8 %.

Evaluare (%)	SWE-2 Flash	Inkling-Small (bază)	Muse Spark Open	GLM 5.3 Flash	SWE-2
Dimensiune (total-activi)	276B-A12B	276B-A12B	816B-A42B	320B-A18B	2,8T-A104B
FrontierCode 2.0	24,0	3,2	6,2	14,2	23,8
Terminal-Bench 4.0	20,0	0,9	8,0	41,8	27,3
DeepSWE 1.1	60,1	17,4	60,0	63,4	73,0
SWE-Atlas QA	50,0	27,4	54,0	56,5	56,3
ExploitBench	34,8	11,3	—	36,0	36,1

Tabelul din articol nuanțează afirmația principală. Muse Spark Open de la Meta, de trei ori mai mare, păstrează avantajul pe SWE-Atlas QA (54,0 față de 50,0) și este la egalitate pe DeepSWE 1.1. În raport cu modelele deschise chinezești, rezultatele sunt mixte: SWE-2 Flash depășește GLM 5.3 Flash și DeepSeek V4.1 Flash pe FrontierCode 2.0, dar rămâne mult în urma lor pe Terminal-Bench 4.0 (20,0 față de 41,8 și 42,3). Întrece la limită SWE-2 pe FrontierCode 2.0, fără să îl ajungă din urmă pe vreun alt rând.

Ponderile nu sunt publicate deocamdată. Cognition a vizat securitatea cibernetică în timpul antrenării și reamintește că aceste capacități le sunt utile și atacatorilor, după cum ar fi demonstrat, potrivit companiei, un val recent de atacuri cibernetice. Compania pregătește un program de partajare securizată a ponderilor cu parteneri industriali și laboratoare de cercetare de încredere, care ar putea ajusta fin modelul și l-ar putea rula în medii sensibile; detaliile sunt promise în câteva săptămâni.

🔗 Prezentarea SWE-2 Flash (Cognition)

Agenți de cod: Claude Code 2.1.318, VS Code 1.145, Copilot în Xcode, Vibe CLI 3.1.0 și Antigravity 2.29.0

Claude Code 2.1.318 anunță expirarea conexiunilor, iar Haiku 5.5 redactează linia de stare a subagenților

4 noiembrie — Claude Code 2.1.318 cuprinde 84 de intrări, dintre care 47 de remedieri. Versiunea a ajuns pe npm pe 3 noiembrie la ora 21:55 UTC, iar notele sale au fost publicate pe GitHub la scurt timp după miezul nopții UTC; canalul stabil de pe npm rămâne la 2.1.311. Cea mai utilă noutate privește conexiunile claude.ai stocate, care expiră: data expirării lor apare acum în claude auth status (loginExpiresAt) și în rezultatele JSON ale claude -p (credential_expires_at), iar claude -p avertizează pe stderr cu zece zile înainte de termen. O sarcină automatizată nu mai află despre expirare abia când eșuează.

Domeniu vizat	Noutate în 2.1.318
Sesiuni cloud	Opțiunea No repository: o sesiune într-un mediu găzduit de Anthropic, fără alegerea unui depozit
Subagenți în fundal	O comandă shell trece în fundal după 3 minute, pentru ca memoria cache a promptului să nu expire
Administrare	`deniedMcpServers` blochează și serverele furnizate de Anthropic al căror URL upstream corespunde, `assume_role` pe upstream-urile `mantle`
Extensie IDE	Nu se mai instalează la pornire în terminalul unui IDE: trebuie folosit `/ide`
Runner găzduit în regie proprie	Format nou pentru jurnalele orchestratorului; scripturile care caută `retryable=true:` trebuie revizuite

În aceeași zi, @ClaudeDevs anunță o schimbare pe care nu o descrie nicio notă de versiune, de la 2.1.316 la 2.1.318. Linia de stare a unui subagent în fundal, actualizată la fiecare 30 de secunde, recitea până acum întreaga sa conversație; acum este redactată de Haiku 5.5 pe baza unor note scurte, subagentul păstrându-și propriul model. Potrivit Anthropic, fiecare actualizare costă cu aproximativ 99 % mai puțin, iar sesiunile cu subagenți în fundal au consumat cu aproximativ 5 % mai puțin din cotă, ceea ce înseamnă aproximativ 6 % mai multe prompturi. Schimbarea se aplică majorității abonaților Pro, Max și Ultra și tuturor abonaților Team și Enterprise, cu Claude Code 2.1.316 sau o versiune ulterioară; Lydia Hallie, din echipa Claude Code, precizează că privește doar CLI-ul.

🔗 Notele versiunii Claude Code 2.1.318 · Firul @ClaudeDevs despre Haiku 5.5

VS Code 1.145 combină mediile de execuție Copilot, Claude și Codex în aceeași sesiune

4 noiembrie — VS Code 1.145 își continuă tranziția către agenți. Principala noutate, în versiune preliminară: aceeași sesiune poate reuni conversații imbricate care rulează în medii de execuție diferite, de exemplu Claude care revizuiește planul redactat de o conversație Copilot sau Codex căruia i se încredințează aceeași sarcină, în paralel. Fiecare conversație își păstrează modelul, agentul și nivelurile de permisiune. Ideea continuă Compare Models, introdus în versiune preliminară odată cu VS Code 1.143.

Automatizările locale acceptă acum planificarea prin expresii cron și se pot baza pe un agent personalizat al spațiului de lucru; automatizările cloud nu beneficiază de aceste opțiuni. Pentru agenții la distanță, browserul integrat al ferestrei Agents trece prin gazda la distanță, ceea ce permite previzualizarea aplicației lansate de agent pe acea mașină (versiune preliminară). Mediul de execuție Copilot rămâne alegerea implicită pentru sesiunile noi, cu un ghid de tranziție de la mediul Local, care pierde trei instrumente (#installExtension, #runCommand și #newWorkspace), precum și comanda /new: agenții personalizați și fișierele de prompt care le menționează trebuie corectate. În companii, lista de servere MCP autorizate, gestionată de organizație, are acum prioritate față de restricția la registru.

🔗 Notele versiunii VS Code 1.145

GitHub Copilot ajunge în asistentul de cod integrat în Xcode, în versiune preliminară publică

4 noiembrie — GitHub Copilot funcționează acum în asistentul de cod integrat în Xcode, în versiune preliminară publică începând cu Xcode 27.3 beta, pe un Mac cu macOS Tahoe 26.6 sau o versiune ulterioară. Integrarea se configurează în setările Xcode, la secțiunea Intelligence, și funcționează cu toate abonamentele Copilot. Este o a doua cale de acces pentru dezvoltatorii Apple: extensia GitHub Copilot for Xcode, distribuită separat, rămâne disponibilă. GitHub nu precizează nici modelele oferite, nici funcțiile accesibile din asistentul Apple și colectează feedback în depozitul extensiei sau prin instrumentul de raportare al Apple (Feedback Assistant).

🔗 GitHub Copilot în asistentul de cod din Xcode

Vibe CLI 3.1.0 adaugă /context, un indicator al utilizării lunare și citirea imaginilor

4 noiembrie — Mistral publică Vibe CLI 3.1.0, prima versiune minoră de la 3.0.0 din 19 octombrie, fără anunț pe X: 67 de intrări (11 adăugări, 25 de modificări, 29 de remedieri și 2 eliminări). Comanda /context arată ce ocupă fereastra de context (promptul de sistem, definițiile instrumentelor, skills, conversația, spațiul liber și rezerva pentru compactare automată), cu o estimare în tokens pentru fiecare categorie. Subsolul afișează proporția consumată din utilizarea lunară Vibe Code, în galben, apoi în roșu, sau mențiunea PAYG când se trece la plata în funcție de utilizare. Instrumentul read_file deschide și imagini cu un model capabil să le citească, Ctrl+R caută în istoricul prompturilor (înregistrarea vocală trece pe Ctrl+T), iar un conector MCP de la Mistral este introdus în regim experimental.

Mai multe remedieri vizează Mistral Large 4: o rundă lansată fără un nivel de raționament nu mai eșuează cu eroarea 400, selectorul oferă Low, High și Max, iar modul smart approve nu mai cere aprobare la fiecare apel de instrument pentru modelele care nu își pot dezactiva raționamentul, precum GLM 5.3. Setarea smart_approve_default dispare în favoarea default_agent = "smart-approve".

🔗 Notele versiunii Vibe CLI 3.1.0

Antigravity 2.29.0 începe să lanseze un mod vocal Gemini Live și agenți la distanță în cloud

3 noiembrie — Versiunea 2.29.0 a aplicației Antigravity (22 de îmbunătățiri, 13 remedieri) începe să lanseze treptat două funcții. Modul vocal, bazat pe Gemini Live, permite conversația cu Antigravity și transmiterea de cereri către agent prin voce. Agenții la distanță (remote agents) devin disponibili pentru abonații Google AI Ultra și Pro: conversațiile unui proiect cloud se execută în cloud în loc de computer și rămân accesibile din antigravity.google.com/remote. Antigravity putea fi deja controlat de la distanță prin Remote Control din august, dar sesiunea rula atunci pe computerul utilizatorului; de această dată, execuția în sine părăsește computerul local.

Versiunea adaugă și un vizualizator nativ pentru notebook-uri Jupyter, o pagină reproiectată pentru automatizări (programate, permanent active, în pauză) și, în browserul integrat, descărcări și un istoric de navigare. În privința remedierilor, worktree-urile Git create pentru subagenți includ acum modificările locale care nu au fost incluse într-un commit.

🔗 Jurnalul de modificări Antigravity

RoboColosseum evaluează politicile robotice pe o flotă de peste 100 de roboți reali

4 noiembrie — RoboColosseum își deschide porțile: o inițiativă deschisă de evaluare care măsoară politicile robotice în afara laboratoarelor și simulatoarelor, pe o flotă de roboți utilizați în condiții reale (in-the-wild), precum umanoizi Unitree G1 în locuințe sau brațe YAM în restaurante. Site-ul său precizează că a fost fondată de NUS MAGIC Lab, BitRobot, EAIC Singapore și Hugging Face, care se prezintă drept partener fondator. Firul de lansare anunță peste 100 de roboți, peste 140 de scene și 10 000 de ore de evaluare gratuite, acordate în urma depunerii unei cereri.

Robotics has an evaluation problem. Most benchmarking efforts have measured progress in sim or labs.

🇷🇴 Robotica are o problemă de evaluare. Majoritatea eforturilor de măsurare au urmărit progresele din simulare sau din laborator. — @RoboColosseum pe X

Există două trasee. Open Track pune în competiție două modele anonime care primesc aceeași instrucțiune nouă în aceeași scenă: un evaluator uman alege cea mai bună execuție sau declară egalitate. Fine-tune Track ajustează fiecare model pentru aceeași sarcină, folosind aceleași 100 de demonstrații, apoi îi acordă 25 de încercări. Prima campanie pune în competiție cinci politici viziune-limbaj-acțiune (VLA) cu trei modele de frontieră.

Politică evaluată (Franka, Open Track)	Dezvoltatorul modelului	Scor DCR (±1 abatere standard)	Comparații în orb
GPT-6 Astra	OpenAI	1 925 ±38	194
MolmoAct2	Ai2	1 869 ±24	1 859
G0.5	Galaxea	1 744 ±27	1 626
Claude Opus 5.5	Anthropic	1 636 ±47	206
GR00T N1.7	NVIDIA	1 350 ±36	1 797
π0.5	Physical Intelligence	1 285 ±43	1 845
LingBot-VLA v2	Robbyant	1 233 ±56	1 603
Grok 4.7	SpaceXSI	1 160 ±128	193

Pe brațul Franka, clasamentul online Open Track (date din 4 noiembrie, actualizate în fiecare oră, 4 662 de comparații evaluate în orb) plasează GPT-6 Astra pe primul loc, înaintea MolmoAct2 de la Ai2, dar diferența rămâne în limitele barelor de eroare, iar modelele de frontieră au doar aproximativ 200 de comparații fiecare, față de peste 1 600 pentru fiecare VLA. Ai2 subliniază că MolmoAct 2 se clasează pe locul al doilea fără antrenare suplimentară pentru aceste sarcini.

Articolul care însoțește lansarea, publicat pe arXiv pe 2 noiembrie, nuanțează această imagine pe baza a 5 699 de comparații efectuate în 124 de locații: agenții de frontieră rivalizează cu modelele VLA specializate, dar niciun sistem nu îndeplinește în mod fiabil sarcinile din lumea deschisă. După ajustare, GR00T N1.7 ocupă primul loc pe SO-101, iar π0.5 pe Franka și pe stația bimanuală YAM, iar clasamentele Open Track prezic slab rezultatele obținute după ajustare. Pe umanoidul G1, nicio politică nu finalizează vreuna dintre cele cinci sarcini, progresul mediu fiind între 13,3 % și 23,2 %. Toate execuțiile, inclusiv eșecurile, sunt publicate pe Hugging Face în format LeRobot.

🔗 Firul de lansare RoboColosseum · Clasamentul RoboColosseum · Articolul arXiv 2611.02497

OpenAI va achiziționa Pierre Computer Company, ale cărei instrumente Trees și Diffs sunt deja integrate în Codex

4 noiembrie — OpenAI anunță că va achiziționa Pierre Computer Company, o mică firmă de instrumente pentru dezvoltatori. Produsul său comercial, Code Storage, este un API care permite aplicațiilor să stocheze cod și să îi urmărească istoricul cu Git; bibliotecile sale open source Trees, pentru navigarea prin fișierele unui proiect, și Diffs, pentru vizualizarea modificărilor, sunt deja integrate în aplicația Codex.

Today we’re announcing that OpenAI will acquire @pierrecomputer to accelerate our vision for making Codex a place where teams can build software together with AI, from first idea to the version they ship. Pierre’s open-source developer tools already power parts of Codex today. Together, we’ll build on that foundation for the agentic era.

🇷🇴 Anunțăm astăzi că OpenAI va achiziționa @pierrecomputer pentru a accelera proiectul nostru de a transforma Codex într-un loc în care echipele construiesc software cu AI, de la prima idee până la versiunea pe care o livrează. Instrumentele open source pentru dezvoltatori de la Pierre asigură deja funcționarea unor părți din Codex. Împreună, vom construi pe aceste baze pentru era agenților. — @OpenAINewsroom pe X

OpenAI leagă tranzacția de Pando, backendul Git al monorepo-ului său, prezentat cu două zile înainte: compania vrea să stabilească standardele dezvoltării software, de la prima ramură creată de un agent până la implementare, și să contribuie la progresul controlului versiunilor (source control) în întregul sector după finalizarea achiziției. Proiectele open source ale Pierre vor rămâne deschise, iar Code Storage va rămâne accesibil clienților săi pe durata integrării funcțiilor sale în Codex. Tranzacția trebuie să obțină în continuare aprobările obișnuite din partea autorităților de reglementare; nici valoarea, nici calendarul nu sunt comunicate.

🔗 OpenAI va achiziționa Pierre Computer Company

AI în sprijinul științei: un vault de bacteriofag cu Claude, NeuralGCM+ la Ai2 și FVCOM portat în Rust

Anthropic descrie cu Claude structura 3D a unui vault provenit dintr-un bacteriofag

4 noiembrie — Echipa științifică a Anthropic publică structura 3D a unui vault produs dintr-o proteină de bacteriofag, o premieră la procariote, potrivit companiei. Particulele vault sunt învelișuri proteice mari, goale în interior, de aproximativ trei ori mai grele decât un ribozom, descoperite în 1986 și a căror funcție rămâne necunoscută. Acest vault, numit L05 și produs în bacteria E. coli, conține 96 de copii ale aceleiași proteine, față de 78 la mamifere, având aproximativ 9,5 megadaltoni și un volum cu aproximativ 25 % mai mare. O mică moleculă neidentificată, aflată în fiecare dintre cele 96 de copii, amintește prin formă de coenzima A: un prim indiciu privind funcția, dacă se confirmă.

Claude a intervenit în fiecare etapă: căutarea unor proteine înrudite printre aproximativ 15 miliarde de proteine prezise cu Claude Science, reducerea duratei purificării de la aproximativ trei zile la aproximativ 90 de minute, realizarea primului model structural în 34 de ore în loc de câteva săptămâni, potrivit echipei. Anthropic detaliază și erorile sale: un protocol care conținea un aditiv ce împiedică pătrunderea ADN-ului în celule a costat două săptămâni, iar omiterea unei etape standard în criomicroscopia electronică a produs o hartă amestecată cu imaginea sa în oglindă. Prepublicarea a fost trimisă la bioRxiv; Leonard Rome, unul dintre descoperitorii particulelor vault, a consiliat echipa în calitate de consultant remunerat.

🔗 Investigarea particulelor vault cu Claude

Ai2 lansează NeuralGCM+, un model climatic deschis finanțat de Google.org pe trei ani

4 noiembrie — Ai2 lansează un program de modelare climatică finanțat de Google.org cu mai multe milioane de dolari pe trei ani (suma exactă nu este publicată), cu sprijinul tehnic al Google Research. Acesta trebuie să producă NeuralGCM+, un model open source care extinde NeuralGCM de la Google Research: un model hibrid care rezolvă ecuațiile fizice pentru dinamica la scară largă și încredințează AI procesele mai fine, precum formarea norilor și precipitațiile. Într-un benchmark public, o versiune exclusiv atmosferică a NeuralGCM a simulat un an din atmosfera globală în opt minute pe un singur TPU.

Ai2 vrea să cupleze oceanul și banchiza cu acest model pentru a realiza simulări stabile pe mai multe decenii, reducând erorile regionale de temperatură și precipitații pentru ultimii 50 de ani. Rolurile sunt împărțite: Google Research urmărește prognoze pentru câteva săptămâni sau luni, iar Ai2 tendințele pe ani și decenii, precum evoluția precipitațiilor și a apei disponibile până la mijlocul secolului în sud-vestul Statelor Unite. Modelele și cadrele de modelare vor fi publicate împreună cu workflow-uri documentate.

🔗 Articolul Ai2 despre parteneriatul cu Google

Google portează în Rust nucleul FVCOM, un model oceanic Fortran de 174 000 de linii, cu Gemini 4 Argon

3 noiembrie — O altă modalitate de a îmbunătăți instrumentele pentru modelarea oceanelor: pe blogul Antigravity, Dan Gruhl și Prashant Nair, din echipa AI R&D a Google, povestesc cum Gemini 4 Argon a modernizat FVCOM (Finite-Volume Community Ocean Model), un model oceanic de coastă cu 174 774 de linii de Fortran 90 și C repartizate în 264 de fișiere. Pornind de la un singur prompt, agentul i-a portat nucleul în Rust complet sigur din punctul de vedere al memoriei, în 59 de minute, respectând patru constrângeri: niciun cod unsafe, nicio alocare în buclele de calcul, fișiere cu mai puțin de 400 de linii și un rezultat identic cu cel al Fortran pentru 100 de valori seed aleatorii.

Auditul a scos la iveală șase buguri vechi de mai multe decenii în codul original, inclusiv o depășire a capacității unui întreg pe grilele cu peste 1 300 de noduri. Cele 100 de simulări coincid cu Fortran până la 12 zecimale.

Etapa migrării	Durata execuției	Accelerare măsurată	Memorie maximă
Fortran 90 și C originale (-O3)	883 ms	1,00x	11,84 Mo
Rust idiomatic sigur	682 ms	1,29x	6,39 Mo
Structură de tablouri (SoA), fără alocare în buclă	548 ms	1,61x	5,83 Mo
Optimizare ghidată de profil LLVM	469 ms	1,88x	5,48 Mo

Google prezintă metoda sub forma unui skill open source, migrate-to-rust, care se află în repository-ul google/skills din 13 octombrie.

🔗 Articolul Antigravity despre FVCOM

API și platforme pentru dezvoltatori: Decisions API de la Perplexity, filigran implicit pentru Grok, Together Compiler și Cohere pe OpenRouter

Decisions API de la Perplexity caută pe web înainte de a răspunde

4 noiembrie — Perplexity adaugă ancorare în informații de pe web (web grounding) la Decisions API, API-ul de modele de decizie lansat pe 1 octombrie, care răspunde prin probabilități în loc de text. Până acum, modelul cunoștea doar informațiile din antrenarea sa și contextul (state) trimis de dezvoltator. Cu setarea "mode": "web_grounding", gateway-ul lansează mai întâi o căutare Perplexity Fast Search pentru fiecare întrebare (până la 100 per cerere), adaugă în context titlurile, URL-urile și textul paginilor, iar răspunsul enumeră sursele în search_results. Fiecare căutare costă 0,001 dolari în plus față de tokenii de intrare (0,02 dolari per milion pentru pplx-decider-v1.2). Cu SDK-urile Python și TypeScript, parametrul este transmis în corpul cererii.

Măsurătoare publicată de Perplexity	Fără web grounding	Cu web grounding
Test intern, 328 de afirmații	56,4 %	97,3 %
Test intern, latență mediană	139 ms	366 ms
PWS-Decisions, 100 de întrebări publice	51 %	86 %

Pe benchmarkul public PWS-Decisions, Perplexity măsoară și o latență mediană de 370 ms și de 685 ms la percentila 95 cu căutarea web.

🔗 Web grounding pentru Decisions API

SpaceXSI va aplica implicit un filigran textului modelelor sale Grok în API începând cu 7 noiembrie

3 noiembrie — Versiunea 0.2.8 a SDK-ului TypeScript al SpaceXSI a făcut vizibilă o pagină de documentație actualizată pe 31 octombrie: începând cu 7 noiembrie 2026, textului produs de grok-4.7, grok-4.6, grok-4.5, grok-4.3 și cele trei variante de grok-4.20 i se va aplica implicit un filigran în API, pentru conformarea cu AI Act european. Filigranul, invizibil, influențează ușor alegerea tokenilor fără a adăuga caractere; acesta acoperă toate API-urile de text, inclusiv ieșirile structurate și argumentele apelurilor de instrumente, pe toate endpointurile. Antetul x-watermark semnalează un răspuns cu filigran, iar API-ul de detecție, bazat pe statistică, este disponibil doar pe bază de cerere.

Doar administratorii de echipă îl pot dezactiva, pentru fiecare model în parte, cu efect în cel mult 5 minute, atestând că se aplică o excepție prevăzută de lege și că echipa își asumă singură obligațiile de marcare; unele modele pot rămâne blocate. Anthropic și-a extins propriul filigran pentru text pe 3 noiembrie, în timp ce cel al OpenAI rămâne dezactivat implicit în API.

🔗 Aplicarea filigranelor pe conținutul generat, documentația SpaceXSI

Together AI lansează Together Compiler, agenți care optimizează continuu inferența modelelor sale deschise

4 noiembrie — Together AI încredințează agenților optimizarea motorului său de inferență. Together Compiler pornește de la model, hardware și caracteristicile traficului: un roi de agenți propune modificări de kerneluri, un motor persistent testează viteza și exactitatea fiecăreia în raport cu motorul original, iar numai modificările verificate ajung în producție. Together vorbește despre compilare continuă (continual compilation), reluată când se schimbă modelul, hardware-ul sau sarcina de lucru.

Câștigurile anunțate sunt cele raportate de Together: până la de 2,6 ori mai mulți tokeni per GPU la aceeași viteză per utilizator pe Kimi K3, GLM 5.3, MiniMax M3.1-Flash și DeepSeek V4.1-Flash, după 24 de ore de compilare pe două noduri per model, în comparație cu cele mai bune configurații publicate pe benchmarkul InferenceX al SemiAnalysis; cu până la 50 % mai rapid pentru sarcinile de lucru ale clienților; 1 111 și 1 205 tokeni pe secundă cu latență redusă pe MiniMax M3.1-Flash și DeepSeek V4.1-Flash. SemiAnalysis afirmă că a validat unul dintre rezultate. Compilatorul este deja activat implicit pe DeepSeek V4.1 Flash, GLM 5.3 Flash și GLM 5.3 în regim serverless. Together îl prezintă drept primul sistem de inferență cu autoîmbunătățire recursivă (recursive self-improvement) la scara producției, o formulare care îi aparține exclusiv.

🔗 Together Compiler pe blogul Together AI

Cohere face disponibile Embed 5 și Rerank 5 pe OpenRouter

4 noiembrie — Cele patru variante ale modelelor de căutare Cohere (Embed 5 Pro și Fast, Rerank 5 Pro și Fast) ajung pe OpenRouter și pot fi utilizate cu cheia și creditele OpenRouter existente, la tarifele API-ului Cohere: 0,12 și 0,08 dolari per milion de tokens pentru embeddings, 0,05 și 0,02 dolari pentru reclasare (reranking). Două limite specifice OpenRouter: vectorii sunt returnați ca numere în virgulă mobilă (int8 și formatul binar sunt disponibile prin API-ul Cohere), iar Rerank 5 rămâne limitat la text. Articolul, un tutorial de generare augmentată prin regăsire (RAG), amintește că, potrivit testelor Cohere pe 40 de seturi de date, interogarea cu Embed 5 Fast a unui index construit cu Embed 5 Pro păstrează 98,4 % din calitatea unei căutări realizate integral cu Pro.

🔗 Modelele de regăsire Cohere pe OpenRouter

Voce: remixarea vocilor cu Gemini 3.8 Flash TTS și ElevenAgents în centrele de contact

Gemini 3.8 Flash TTS primește funcția de remixare, care creează o voce nouă pornind de la una existentă

4 noiembrie — Google adaugă un al treilea mod de creare a vocilor în Gemini 3.8 Flash TTS, după proiectarea (Voice design) și replicarea lansate pe 23 septembrie. Remixarea vocilor (Voice remixing) pornește de la o voce existentă, una dintre cele peste 2 000 de voci din bibliotecă sau o voce creată la comandă, și o modifică prin instrucțiuni în limbaj natural: timbru, înălțime, ritm, accent sau vârstă. Google oferă ca exemple un accent ușor din sudul Statelor Unite sau vocea unui dragon care scuipă foc.

La nivel de API, apelul POST /v1beta/voices cu gemini-3.8-flash-tts creează o voce nouă stocată, independentă de original, utilizabilă cu Gemini 3.8 Flash TTS și Gemini 3.8 Flash-Lite TTS, care poate servi la rândul ei drept bază pentru o nouă remixare. În AI Studio, butonul „Remixează această voce” oferă trei variante care pot fi ascultate una lângă alta. Este necesar un proiect pe un nivel cu plată (Tier 1 sau mai mare); fiecare proiect stochează până la 200 de voci, iar o voce este păstrată timp de un an de la ultima utilizare.

🔗 Anunțul Google pe X · Ghidul Voice remixing

ElevenLabs integrează nativ ElevenAgents în NiCE CXone, Genesys Cloud, Amazon Connect și Five9

4 noiembrie — ElevenAgents, platforma de agenți vocali a ElevenLabs, se integrează acum nativ în patru mari platforme pentru centre de contact, pentru a adăuga agenți vocali în fluxurile de apeluri existente fără modificarea telefoniei, a rutării sau a CRM-ului. Pentru orice altă platformă, ElevenAgents se conectează prin SIP (Session Initiation Protocol), cu furnizori de telefonie precum Twilio, Vonage, Telnyx, Plivo, Bandwidth sau Exotel.

Platformă pentru centre de contact	Mod de integrare anunțat
NiCE CXone	Integrare nativă, CXone păstrează telefonia, rutarea și rapoartele
Genesys Cloud	Audio Connector nativ, fără conexiune SIP (SIP trunking)
Amazon Connect	Agentul IA al Amazon Connect apelează la ElevenAgents, apoi preia din nou controlul
Five9	SIP prin Five9 AI Agent Connect, un modul suplimentar Five9

Articolul amintește cele peste 17 000 de voci în peste 90 de limbi și citează AMC Health, care a ales ElevenLabs în special deoarece Genesys era deja platforma sa de telefonie. Nu oferă tarife sau cifre de performanță și continuă parteneriatul cu Genesys anunțat pe 3 septembrie.

🔗 ElevenAgents se integrează cu principalele platforme pentru centre de contact

Video și muzică generative: Kling 4.0 Flash pentru toți și Suno care pornește de la un fișier MIDI

Kling face Kling 4.0 Flash disponibil pentru toți, pe site și prin API

4 noiembrie — Kling 4.0 Flash, varianta rapidă a Kling 4.0, aflată în acces anticipat limitat din 28 septembrie, este acum disponibilă tuturor pe site-ul Kling AI și prin API. Kling precizează că poate fi apelată și prin serverul său MCP, CLI și pluginuri, inclusiv cele pentru Adobe Photoshop, Premiere Pro și After Effects. Anunțul nu oferă durata maximă, rezoluția sau tarifele, iar notele de versiune Kling se opresc la lansarea Kling 4.0, pe 15 octombrie. În perioada de acces anticipat, Kling 4.0 Flash producea secvențe de 3 până la 20 de secunde în 720p; nimic nu indică dacă aceste limite s-au schimbat.

🔗 Anunțul Kling pe X

Suno permite crearea unei melodii pornind de la un fișier MIDI

4 noiembrie — Suno acceptă acum un fișier MIDI ca punct de plecare pentru o melodie: se trage un fișier .mid sau .midi pe pagina Create ori se selectează din meniul „+”, apoi se indică în limbaj natural ce trebuie să facă Suno cu el: să redea notele exact așa cum sunt scrise sau să preia un motiv pentru a-l dezvolta ori a-l atribui altor instrumente. Spre deosebire de Remix și Cover, care pornesc de la un fișier audio (WAV sau MP3), MIDI transmite notele și ritmul exacte, oferind astfel un control mai precis. Articolul oferă ca exemple aranjarea unui MIDI pentru orchestră completă, un cor gospel cu pian sau un cvartet de coarde fidel acordurilor. La lansare, funcția este disponibilă prin modul Simple Create și modelul v6-wild și este rezervată abonaților Pro și Premier; aceasta completează exportul MIDI adăugat pe 26 iulie.

🔗 Începe melodii cu MIDI

Dots din ChatGPT devin disponibili general pentru Enterprise, Edu și Healthcare, cu activare implicită pe 18 noiembrie

4 noiembrie — Dots, agenții permanenți ai ChatGPT lansați pe 29 septembrie pentru abonamentele Pro și Business Premium, cu o versiune beta pentru Enterprise, devin disponibili general pentru spațiile ChatGPT Enterprise, Edu și Healthcare eligibile. O versiune preliminară rezervată administratorilor este disponibilă până pe 18 noiembrie 2026: până atunci, dots rămân dezactivați dacă administratorul nu îi activează; după această dată, devin disponibili implicit, cu excepția spațiilor de lucru care refuză activarea. Administratorii aleg membrii care au acces, văd dots personali și conexiunile acestora, îi pot pune pe pauză sau reporni și urmăresc utilizarea; potrivit articolului de ajutor, activarea presupune și politici Agent Security compatibile. În privința conformității, dots acceptă rezidența datelor și Enterprise Key Management, cu inferență găzduită în UE sau în Statele Unite; dots creați înainte de disponibilitatea generală migrează în regiunea necesară în termen de 30 de zile și sunt eligibili HIPAA în spațiile acoperite.

🔗 Notele de versiune ChatGPT Enterprise și Edu

Știri pe scurt

Agenți și instrumente de programare

Zed 1.27 și versiunea preliminară 1.28 — Versiunea stabilă 1.27 preia versiunea preliminară din 28 octombrie (panou Agent mai eficient în utilizarea resurselor, eliminarea punctelor de restaurare, minimum macOS 12); versiunea preliminară 1.28 urmează cea mai recentă versiune a Agent Client Protocol, trunchiază la 2 000 de caractere liniile citite de agent și corectează trei probleme ale compactării contextului. 🔗 sursă
Delta 0.24 — Modificările dintr-un fir secundar sunt îmbinate în firul părinte (/merge-into-parent, /pull-from-subthread), un agent citește un fir partajat doar pe baza linkului său și îi scrie agentului din alt fir cu delta thread send; serverele MCP acceptă tokenuri bearer și antete personalizate. 🔗 sursă
Copilot CLI 1.0.106-7 până la 1.0.106-9 — Trei versiuni preliminare, în continuare fără o versiune stabilă 1.0.106: o comandă /code deschide sesiunea curentă în VS Code, nivelul Fusion se configurează în copilot config, iar 79 de corecții neutralizează, printre altele, noi secvențe de escape. 🔗 sursă
Gemini CLI v0.67.0 și v0.68.0-preview.0 — Versiunea stabilă promovează seria 0.67.0 deja prezentată, iar versiunea preliminară reunește versiunile nightly din ultimele opt zile; singura noutate este că versiunea nightly din 4 noiembrie permite gemini hooks migrate să recunoască evenimentul SubagentStop din Claude Code și adaugă --userns=keep-id în Podman fără drepturi root. 🔗 sursă
Qwen Code v0.26.7 — Hooks, permisiunile și serverele de limbaj furnizate de un repository nu se mai execută fără acordarea explicită a încrederii pentru dosar; qwen serve permite conexiuni la distanță, iar selectarea forțată a instrumentului este corectată pentru Claude Opus 5.5, Sonnet 5.5, Fable 5.1 și Mythos 5.1. 🔗 sursă
Kimi Code 2.5.0 — O sesiune poate fi creată într-un mediu SSH, Docker sau definit printr-o comandă (--environment), iar /model sau /effort pot fi utilizate în timp ce agentul lucrează; mai multe endpointuri REST și WebSocket ale serverului dispar, deși sunt incluse în categoria corecțiilor. 🔗 sursă
CLI mistral 0.17.0 — mistral agents init creează un proiect de agent, iar o aplicație poate încorpora un agent pe care mistral dev îl servește în timpul dezvoltării și pe care mistral deploy îl publică, prin activarea flagului mistral_cli_agents; conexiunea mistral login --device este acum refuzată. 🔗 sursă
DeepSeek Harness 0.2.2-rc.1 — Prima versiune candidată a seriei 0.2.2 și a 37-a versiune preliminară fără o versiune stabilă: preia în principal versiunile alpha deja prezentate, aliniază SDK-urile TypeScript și Python la modul Web și scoate Ralph loop și căutarea sesiunilor din stadiul experimental. 🔗 sursă
Fabrica de software în viziunea lui Zach Lloyd — Pe blogul Warp, acesta susține că o fabrică de software (software factory) nu se construiește prin înlănțuirea de prompts și agenți cloud, ci ca o stivă: fabrică descrisă în cod, orchestrare durabilă, evaluări și reluarea sarcinilor anterioare, cu prioritate pentru integrările API și MCP. 🔗 sursă

Platforme, API și administrare

Together AI și Kimi K3.1 Pro — Together AI oferă Kimi K3.1 Pro în ziua publicării ponderilor sale, ca atare sau după post-antrenare prin RL ori SFT cu Together Post-Training; anunțul nu include tarife. 🔗 sursă
SDK-urile OpenAI — openai-python 3.45.0 și openai-node 7.50.0 acceptă cache-ul răspunsurilor timp de 12 ore și nivelurile de serviciu per proiect, anunțate în octombrie; în privința Codex CLI, nicio versiune stabilă de la 0.166.0 din 29 octombrie, doar versiuni preliminare cu note goale. 🔗 sursă
Metricile de utilizare Copilot — API-ul pentru metricile de utilizare separă acum utilizarea locală BYOK (bring your own key), raportată ca limită inferioară, și semnalează modelele personalizate ale întreprinderilor prin indicatorul is_custom_enterprise_model; totalurile existente nu se schimbă. 🔗 sursă
grok-imagine-image-quality retras — Din 2 noiembrie, SpaceXSI procesează cererile pentru acest model de imagini prin grok-imagine-image-2.0 la calitate scăzută, fără modificări de cod, la 0,04 dolari pentru o imagine 1K și 0,06 dolari pentru o imagine 2K, adică cu 0,01 dolari mai puțin decât înainte. 🔗 sursă
Claude Marketplace — 14 agenți și produse partenere se alătură Claude Marketplace, de la Chainguard la Zoom, inclusiv Datadog, Netlify, Runway și Glean, ajungând la peste 25 în total; acestea pot fi plătite dintr-o parte a angajamentului de cheltuieli Anthropic al întreprinderilor eligibile. 🔗 sursă

Securitate

Cheia GPG Warp — Warp reînnoiește preventiv subcheia GPG care semnează o parte dintre pachetele sale Linux, după un incident de securitate nespecificat și fără utilizări frauduloase constatate; pe Fedora 42 și versiunile anterioare, RHEL și openSUSE, trebuie mai întâi eliminată cheia veche. 🔗 sursă
GPT-5.6 Cyber în AWS GovCloud — Clienții aprobați ai Daybreak Red au acces la GPT-5.6 Cyber în regiunea AWS GovCloud (US-East) prin Amazon Bedrock, după o aprobare din partea OpenAI, urmată de activarea de către AWS; AWS îl publicase încă din 30 octombrie. 🔗 sursă
Mistral Large 4 în fața unei vulnerabilități Django — Într-un videoclip accelerat de 90 de ori, 133 de agenți cartografiază codul, găsesc și confirmă o vulnerabilitate recentă din Django, apoi Le Chonk o corectează; nu sunt oferite numărul CVE, costul sau durata reală. 🔗 sursă
CodeQL 2.27.4 — Mai puține rezultate fals pozitive în Java și Kotlin, Rust și C/C++, eticheta CWE-730 eliminată din interogările ReDoS în șase limbaje, iar fișierele legate din afara rădăcinii unui pachet sunt excluse la crearea acestuia; de această dată, fără o componentă IA. 🔗 sursă
Ghidul MCP al Perplexity — Trei familii și unsprezece riscuri ale sistemelor MCP, de la injectarea indirectă de prompt până la compromiterea unui server local, împreună cu măsurile de protecție; niciun produs și nicio cifră Perplexity. 🔗 sursă

Modele deschise și cercetare

Detectarea vocilor sintetice — Doi cercetători de la Universitatea din Melbourne publică VeriSpoof, un LLM audio cu 2,9 miliarde de parametri care detectează o voce sintetică, îi identifică sursa și își explică verdictul; potrivit autorilor, varianta VeriSpoof-Plus are o rată medie de eroare egală (EER) de 1,79 % pe Speech-DF-Arena, cu ponderi sub licența necomercială CC BY-NC 4.0. 🔗 sursă
Field Extractor de la Dharma-AI — Un model de 2B care returnează câmpurile unui document în JSON cu tipuri definite; pe setul intern de evaluare cu 546 de documente, obține 0,834 față de 0,816 pentru Claude Opus 5, comparat cu modele care nu sunt cele mai recente ale furnizorilor lor și fără ponderi identificate pe Hub. 🔗 sursă
OTAP de la Cribl — O metrică ce evaluează un agent după structura planului său, aliniată prin transport optimal cu planuri de referință; potrivit autorilor, aceasta se corelează mai bine cu evaluatorii umani decât ROUGE-L pe 236 de traiectorii (0,74 față de 0,64). 🔗 sursă

Agenți pentru publicul larg

Grok Bot și cumpărăturile — Pe 3 noiembrie, agentul SpaceXSI propune o experiență de cumpărături: găsirea celei mai bune oferte, compararea articolelor și urmărirea tuturor comenzilor; nu sunt precizate țările, abonamentele sau comercianții. 🔗 sursă
Grok Bot la telefon — Pe 4 noiembrie, contul @bot anunță, cu un videoclip demonstrativ, că Grok Bot poate efectua apeluri telefonice, fără precizări privind țările, abonamentele sau tarifele. 🔗 sursă
Get Maine Lobster și Computer — Într-un proiect-pilot propus de Perplexity, cu un buget de test de 30 000 de dolari furnizat de Perplexity, campania Meta a Computer înregistrează un randament al cheltuielilor publicitare (ROAS) cu 63 % mai mare și o cifră de afaceri de 3,5 ori mai mare pentru cheltuieli de 2,1 ori mai mari, comparativ cu reclamele obișnuite ale clientului. 🔗 sursă
MotionSites în Computer — Skill-ul creat de @viktoroddy permite agentului Perplexity să construiască site-uri animate în WebGL, cu animații la derulare, pornind de la 40 de planuri de referință și 52 de resurse găzduite; disponibil pentru toți pe web. 🔗 sursă
Manus în 3D — Manus transformă fotografiile într-o versiune 3D jucabilă a utilizatorului, care poate fi introdusă în lumile create cu agentul, continuând Game Dev; nu sunt precizate abonamentele sau costul în credite. 🔗 sursă

Imagine, video și creatori

HeyGen Video 1 pe mobil — Modelul video al HeyGen ajunge în aplicația HeyGen pe iOS și Android, fără precizări privind tarifele, durata sau rezoluția. 🔗 sursă
Pika H3 Flex — Modelul ajunge oficial pe platforma Pika, la două zile după data anunțată, cu 15 generări gratuite pe zi până pe 15 noiembrie pentru abonații Creator și Fancy. 🔗 sursă
Character Sheet de la Luma — La o zi după Expression Sheet, o planșă coerentă cu personajul din mai multe unghiuri, creată pornind de la referințe sau de la o descriere, cu opt variante de aranjare în pagină; fără articol sau tarif. 🔗 sursă
HyperFrames — Familia de instrumente video a HeyGen declară peste 700 000 de utilizatori lunar, fără a prezenta metoda de calcul, și deschide un server Discord dedicat comunității sale. 🔗 sursă

Ce înseamnă acest lucru

Modelele cu ponderi deschise ating scara celor de frontieră, cu anumite condiții. Kimi K3.1 Pro, cu 2,8T de parametri și aproximativ 1,56 TB de fișiere, poate fi descărcat liber, iar Together AI îl pune la dispoziție și oferă post-antrenarea lui încă din prima zi. Licența sa arată însă unde se oprește deschiderea: peste 20 de milioane de dolari cifră de afaceri, un distribuitor trebuie să încheie un acord cu Moonshot AI, iar licența Mistral Large 4 impunea deja, pe 29 octombrie, o licență comercială pentru furnizarea modelului ca serviciu. Infrastructura ține pasul: Together Compiler încredințează agenților optimizarea unor modele deschise cu arhitecturi foarte diferite și susține că obține de până la 2,6 ori mai mulți tokens per GPU. În schimb, Cognition păstrează deocamdată ponderile SWE-2 Flash private, invocând riscul cibernetic, și schimbă modelul de bază: SWE-2 se baza pe Kimi K3, iar SWE-2 Flash pe un model american.

Agenții de programare se combină și se dotează cu instrumente. VS Code îi pune pe Copilot, Claude și Codex să lucreze în aceeași sesiune, Copilot intră în asistentul nativ al Xcode, iar OpenAI urmează să achiziționeze instrumentele Git care echipează deja Codex, la două zile după prezentarea Pando: gestionarea versiunilor devine un domeniu strategic pe măsură ce agenții creează tot mai multe branch-uri. Costul rămâne celălalt front. SWE-2 Flash costă o cincime din prețul SWE-2, potrivit Cognition, iar Anthropic îi încredințează lui Haiku 5.5 linia de stare a subagenților pentru a obține cu aproximativ 6 % mai multe prompturi în cadrul aceleiași limite.

Evaluarea depășește cadrul bancului de testare. RoboColosseum supune evaluării politici robotice pe roboți reali, în locuințe și restaurante, iar rezultatul pune clasamentele în perspectivă: modelele de frontieră rivalizează cu modelele VLA specializate, dar niciun sistem nu este fiabil într-o lume deschisă și niciunul nu finalizează nici măcar o sarcină pe umanoidul G1. Decisions API de la Perplexity pornește de la aceeași constatare în domeniul software: un model care cunoaște doar ceea ce a învățat în timpul antrenării greșește în privința actualității, iar căutarea pe web ridică scorul pplx-decider-v1.2 de la 51 % la 86 % pe un banc de testare public. În știință, verificarea devine produsul livrat: FVCOM în Rust concordă cu versiunea Fortran până la 12 zecimale în 100 de simulări, iar Anthropic publică erorile lui Claude alături de rezultatele sale.

Filigranul devine o setare implicită impusă de reglementări. SpaceXSI îl activează pe 7 noiembrie pentru șapte modele Grok în temeiul AI Act, iar numai o declarație care atestă o excepție legală permite renunțarea la el; Anthropic l-a extins pe al său pe 3 noiembrie, în timp ce OpenAI îl lasă dezactivat în mod implicit. Pentru dezvoltatori, diferența nu se vede în text, ci în antetul răspunsului și în responsabilitate: dezactivarea filigranului înseamnă asumarea pe cont propriu a obligațiilor de marcare.