Claude descoperă proveniența valorilor inițiale ale curbelor ECDSA ale NIST, Reflection publică ponderile Beam, patru agenți Gemini 4 Argon termină Minecraft

Un model intern de cercetare al Anthropic a descoperit în mai puțin de o jumătate de oră de unde provin valorile inițiale ale curbelor ECDSA ale NIST, furnizate fără explicații de NSA: acestea provin dintr-un generator pseudoaleatoriu obișnuit, inițializat pe baza ceasului în 1997 și 1998, ceea ce face existența unui backdoor mult mai puțin plauzibilă, potrivit Anthropic. Reflection publică ponderile Beam, un amestec de experți cu 501 miliarde de parametri, sub licență Apache 2.0, susținut încă din prima zi de peste 40 de parteneri, în timp ce patru agenți Gemini 4 Argon termină Minecraft în 27 de ore, iar Claude Mythos 5 îmbunătățește cele mai bune circuite cuantice publicate pentru opt sarcini. În privința produselor, GPT-6 Astra Pro distribuie acum o sarcină între mai mulți agenți în ChatGPT, iar Grok Bot își termină sarcinile pe calculator de trei ori mai repede.

Curbele ECDSA ale NIST: Claude descoperă de unde provin valorile lor inițiale, extrase dintr-un generator inițializat pe baza ceasului în 1997 și 1998

16 octombrie — Echipa Frontier Red Team de la Anthropic povestește cum a rezolvat Claude o veche enigmă a criptografiei. Când NIST a adoptat algoritmul de semnătură ECDSA, în 2000, în standardul FIPS 186-2, curbele sale eliptice standard au fost însoțite de „valori inițiale” (seeds) al căror hash stabilește coeficientul b al fiecărei curbe. Furnizate de NSA fără explicații, aceste valori alimentau de ani de zile suspiciunea existenței unui backdoor, iar o recompensă publică organizată de Filippo Valsorda îl aștepta pe cel care avea să le descopere proveniența. Cea mai cunoscută pistă, o frază umoristică trecută printr-o funcție hash, pe care Jerry Solinas (NSA) o evocase în 2015, înainte de decesul său în 2023, nu dusese la niciun rezultat.

Un angajat Anthropic i-a adresat întrebarea unui model intern de cercetare, al cărui nume nu este precizat, fără să-i sugereze această pistă. În mai puțin de o jumătate de oră, Claude a găsit originea valorilor inițiale pentru P-192, P-224, P-256, P-384 și P-521: niciuna nu este un hash, toate provin din lrand48, generatorul pseudoaleatoriu din biblioteca C, inițializat cu un marcaj temporal Unix. După ce a analizat 34 de combinații de generatoare și porțiuni de ieșire, Claude a identificat semnătura lrand48 în biții cei mai semnificativi, i-a reconstituit starea internă prin reducerea unei rețele (algoritmul LLL), apoi a ajuns la inițializările celor zece valori vizate, cinci de la NIST și cinci din standardul ANSI X9.62, toate datând din perioada mai 1997–aprilie 1998.

Aspect examinat de Claude	Rezultat publicat de Anthropic
Timpul până la descoperire	mai puțin de 30 de minute
Exemplul P-256	candidatul nr. 1842 dintr-o generare din 16 august 1997 (și nr. 876 din aceeași generare era potrivit)
Valori inițiale binare regăsite	B-233, B-283, B-409 și B-571, care corespund lunii februarie 1984, respectiv datei de 17 aprilie 1998 dacă se dublează marcajul temporal
Puncte de bază explicate	șase curbe generate în mai 1997 (P-192 și cinci curbe de exemplu din ANSI X9.62), prin generatorul FreeLIP
Încă neexplicate	valoarea inițială pentru B-163; punctele de bază pentru P-224, P-256, P-384, P-521 și curbele binare

Aceste puncte de bază provin din FreeLIP, biblioteca lui Arjen Lenstra: potrivit Anthropic, niciun punct de bază al NIST nu fusese explicat până acum. Rămâne necunoscut și criteriul care a dus la eliminarea unor candidați valizi. Articolul reproduce, de asemenea, reflecția modelului, care privește cu neîncredere propria descoperire înainte de a o confirma prin calcul:

This is astonishing: it solves the 25-year-old mystery. Hmm wait. Let me be skeptical: am I in some sort of simulated/test environment?

🇷🇴 Este uluitor: asta rezolvă enigma veche de 25 de ani. Hmm, stai. Trebuie să rămân sceptic: mă aflu într-un fel de mediu simulat sau de testare? — Claude, reflecție citată în articolul echipei Frontier Red Team de la Anthropic

Anthropic insistă asupra semnificației descoperirii: nicio spargere a securității, niciun atac nou, nicio vulnerabilitate și „nicio acțiune necesară”. Dimpotrivă, o valoare inițială extrasă din ceas de un generator obișnuit, pe care oricine îl poate rula acum din nou, face existența unui backdoor „mult mai puțin plauzibilă”. Codul care reproduce valorile inițiale și cele șase puncte de bază este publicat sub licență CC0, iar recompensa de 36 864 de dolari va fi donată către Internet Security Research Group (ISRG).

🔗 Articolul echipei Frontier Red Team de la Anthropic · Recompensa lui Filippo Valsorda

Modele deschise: Reflection publică ponderile Beam, alături de pplx-decider-v1.2, Granite Switch 4.1, Bonsai 2 și un corpus de la NVIDIA în 22 de limbi indiene

16 octombrie — La unsprezece zile după prezentare, Reflection publică ponderile Beam, primul său model cu ponderi deschise, sub licență Apache 2.0. Acest amestec de experți (Mixture-of-Experts, MoE) cu 501 miliarde de parametri, dintre care 23 de miliarde active per token, vizează codul, raționamentul și sarcinile de agent de lungă durată, cu un context de un milion de tokens, exclusiv text. Pe 5 octombrie, Reflection oferea doar acces anticipat și promitea ponderile „mai târziu în octombrie”.

Publicarea include ponderile în BF16, FP8 și NVFP4, tokenizer-ul, implementarea de referință, un model draft DFlash2 pentru decodarea speculativă și Mirror CLI, harness-ul open source cu care a fost antrenat Beam (interfață în Python, nucleu de agent în Rust, agenți paraleli în arbori de lucru Git separați, skills și conexiuni MCP). Peste 40 de parteneri îi oferă suport încă din prima zi: Transformers (v5.20.1), vLLM, SGLang, Unsloth, Axolotl și Dynamo pe partea de software; AWS, Google Cloud, Azure, Together AI, Fireworks AI, OpenRouter sau Ollama pentru găzduire; Dell și HPE pentru implementări locale. API-ul Reflection este în versiune beta publică.

Articolul Hugging Face detaliază arhitectura: din 52 de straturi, 43 folosesc atenție cu fereastră glisantă de 512 tokens, iar 9 folosesc atenție globală, ceea ce reduce cache-ul KV la 36 Kio per token în loc de 208 Kio, adică 36,08 Gio per secvență de un milion de tokens în loc de 208 Gio. Ponderile ocupă aproximativ 1 To în BF16 și 280 Go în NVFP4, iar Hugging Face recomandă patru B200 pentru a rula modelul în regim de inferență.

Benchmark (date furnizate de Reflection)	Beam în BF16	Beam în FP8	Beam în NVFP4
SWE-bench Verified	81,6 %	80,2 %	80,7 %
Terminal Bench v2.1	80,1 %	78,9 %	78,4 %
SWE Bench Pro v1	66,1 %	65,9 %	65,6 %
AIME 2026	97,7 %	98,0 %	97,5 %
GPQA Diamond	90,6 %	90,3 %	89,3 %
MCP Atlas	80,8 %	81,5 %	80,5 %

Potrivit NVIDIA, Beam a fost antrenat pe rack-uri GB300 NVL72 și produce peste 70 000 de tokens pe secundă pentru fiecare GPU pe Blackwell Ultra încă din prima zi, fără ajustări speciale (out of the box); câteva ore mai târziu, NVIDIA anunța aproximativ 90 000, fără să precizeze condițiile de măsurare (dimensiunea lotului, contextul, numărul de GPU-uri). Checkpoint-ul NVFP4 este publicat pe Hugging Face, tot sub Apache 2.0.

🔗 Articolul Reflection · Articolul Hugging Face · Fișa modelului · Mesajul NVIDIA · Debitul crescut la 90 000 de tokens pe secundă

pplx-decider-v1.2 și versiunea sa Flash: Perplexity publică două modele de decizie cu ponderi deschise pentru Decisions API

16 octombrie — Perplexity actualizează modelele pentru Decisions API, lansată pe 1 octombrie. Modelul pplx-decider-v1.2 înlocuiește v1.1 ca model de decizie cu 27 de miliarde de parametri, la același preț, iar pplx-decider-flash-v1.2, un nou model cu 4 miliarde de parametri distilat din modelele 27B, este disponibil la jumătate de preț. Ambele citesc text și imagini, ieșirea rămâne gratuită, iar ponderile sunt pe Hugging Face sub licență Apache 2.0; apelurile care specifică încă v1.1 sau v1 trec automat la v1.2.

Model de decizie	Model de bază	Preț pentru intrare (pe milion de tokens)	Scor la Decision Index 0.3	Scor la Vision Decision Index 0.3
pplx-decider-v1.1-27b	Qwen3.8-27B	0,02 dolari	62,30	73,22
pplx-decider-v1.2	Qwen3.8-27B	0,02 dolari	68,09	77,43
pplx-decider-flash-v1.2	Qwen3.5-4B	0,01 dolari	58,88	72,53

Versiunea v1.2 schimbă formatul cererii: modelul citește starea, apoi toate întrebările într-o singură secvență, astfel încât mai multe întrebări despre aceeași stare costă aproximativ cât una singură. Gruparea ajută atunci când întrebările descriu fațetele aceleiași decizii (+11,3 puncte pe SATA-Bench) și penalizează atunci când pun în competiție candidați independenți (−4,8 pe ToolRet). Perplexity a inclus în antrenare și seturile de antrenare oficiale ale unor benchmark-uri din Decision Index, din care au fost eliminate suprapunerile cu seturile lor de testare. Pe un GB200, v1.2 răspunde la o cerere izolată cu o latență mediană de 96 ms.

🔗 pplx-decider-v1.2 pe Hugging Face · pplx-decider-flash-v1.2 pe Hugging Face · Changelog-ul API-ului Perplexity

Granite Switch 4.1: IBM reunește conversația, deciziile și transcrierea vocală într-un singur model deschis

15 octombrie — IBM publică pe blogul Hugging Face Granite Switch 4.1, în variante de 8B și 30B, sub licență Apache 2.0. Fiecare model reunește un model de conversație, două adaptoare de decizie și un model de recunoaștere vocală, accesibile printr-un singur punct de acces.

Componentă Granite Switch 4.1	Rol anunțat de IBM
Adaptor Decision (aLoRA)	decizii generale, în formatul `/v1/systemone`
Adaptor Guardian (aLoRA)	decizii legate de securitate, în medie peste Jev 1.13, Microsoft-Decision-1, GPT-Luna-Decisions și Clef-Flash, potrivit IBM
Granite-Speech-5.0-Turbo-CTC	transcriere, prezentat drept cel mai rapid model din Open ASR Leaderboard

Adaptoarele sunt de tip Activated LoRA: reutilizează cache-ul KV produs de modelul de bază, astfel încât o decizie luată după un răspuns nu recalculează contextul, iar întregul ansamblu ocupă aproximativ aceeași memorie ca modelul de bază singur. Modelele rulează în vLLM cu un plugin și nativ în llama.cpp, înlocuind direct apelurile /v1/systemone. IBM prezintă și un Granite Switch de 3B antrenat să joace Doom, care ia între 60 și 100 de decizii pe secundă, față de cele 10 anunțate pentru Jev, și prevede un SDK pentru antrenarea propriilor adaptoare în Mellea. Comparațiile cu celelalte modele de decizie sunt oferite doar sub formă de grafice.

🔗 Articolul IBM · Granite Switch 4.1 30B pe Hugging Face

Bonsai 2: PrismML publică modele ternare de viziune de la 2B la 9B, care ocupă între 0,43 și 2 Go

15 octombrie — PrismML publică Bonsai 2 în variante de 2B, 4B și 9B, modele cu ponderi ternare (−1, 0 sau +1) derivate din Qwen3.5, care înțeleg și imaginile, sub licență Apache 2.0. Acestea păstrează contextul de 262 144 de tokens al modelului de bază, iar familia Bonsai 2 cuprinde acum patru dimensiuni, de la 2B la 27B.

Model Bonsai 2	Dimensiunea ponderilor ternare
2B	0,43 Go
4B	0,95 Go
9B	2,0 Go, față de aproximativ 17,9 Go în FP16

PrismML spune că a lucrat la utilizarea ca asistent local: respectarea instrucțiunilor, absența buclelor repetitive, apeluri de instrumente pe telefon și răspunsuri fără text de prisos. Modelul 9B ar consuma cu aproximativ 40 % mai puțini tokens în sarcini obișnuite de respectare a instrucțiunilor și de matematică, fără să fie precizată baza de comparație, și rulează cu până la 34 de tokens pe secundă pe un iPhone 18 Pro Max, față de 120 pentru 2B. Formatele cele mai compacte necesită fork-ul llama.cpp de la PrismML, versiunea oficială llama.cpp putând citi doar formatul Q2_0; există și o versiune MLX pentru Mac-uri.

🔗 Firul PrismML · Fișa modelului 9B în format GGUF

Nemotron-pretraining-Indic-v1: NVIDIA și AI4Bharat detaliază un corpus de aproximativ 2 800 de miliarde de tokens în 22 de limbi indiene

16 octombrie — NVIDIA și AI4Bharat, laboratorul IIT Madras dedicat limbilor indiene, detaliază Nemotron-pretraining-Indic-v1, corpusul de preantrenare menționat cu o zi înainte printre datele Nemotron 3.5 Super VL: aproximativ 2 800 de miliarde de tokens, dintre care 2 601 de miliarde în sistemele de scriere native și 224,6 miliarde în formă romanizată, în cele 22 de limbi recunoscute de Constituția Indiei, vorbite ca limbi materne de 97 % dintre indieni conform recensământului din 2011. Corpusul nu este încă disponibil online: va fi publicat „în curând”, împreună cu pipeline-ul de generare accelerat prin GPU care l-a produs.

Textele sunt traduceri ale unor documente în engleză extrase din 15 subseturi ale Nemotron-CC-v2. Pentru 12 limbi, Gemma-4-31B-it traduce documente întregi, evaluează fiecare traducere folosind o grilă inspirată de MQM (prag de 75 din 100) și corectează rezultatele prea slabe, ceea ce a permis recuperarea a 438,4 miliarde de tokens; celelalte 10 sunt procesate prin Indic Translate de la Bodhan AI. Zece miliarde dintre acești tokens, în cadrul unei preantrenări continue de 100 de miliarde, au adus Nemotron 3.5 Super VL câștiguri cuprinse între 4,98 și 9,82 puncte pe cinci benchmarkuri indiene, o măsurătoare care nu izolează contribuția exclusivă a corpusului. NVIDIA recunoaște că aceste traduceri nu înlocuiesc textele scrise direct în limbile respective și că verificarea calității rămâne în principal automată.

🔗 Articolul NVIDIA și AI4Bharat

IA în laborator: Claude Mythos 5 îmbunătățește opt circuite cuantice, Google DeepMind caută peptide antimicrobiene cu Antigravity

16 octombrie — Anthropic publică cercetările realizate de Andi Gu, membru al programului său STEM Fellows, sub îndrumarea lui Alek Kemeny, specialist în fizică cuantică la Anthropic, împreună cu Susanne Yelin (Harvard) și Mikhail Lukin (Harvard și QuEra Computing). Configurația: specificații în limbaj obișnuit pentru opt circuite și un evaluator automat care verifică fiecare propunere și o punctează în funcție de numărul de qubits înmulțit cu numărul de porți. Claude Mythos 5 lucrează într-o buclă închisă, fără intervenție umană între iterații, și găsește pentru cele opt primitive scheme care folosesc atât mai puțini qubits, cât și mai puține porți decât cele mai bune scheme publicate, uneori cu un ordin de mărime sau mai mult.

Sarcină încredințată lui Claude Mythos 5	Rezultat publicat	Element de comparație
Adunarea punctelor pe o curbă eliptică	De 17 ori mai puține porți, cu 12 % mai mulți qubits	cea mai mică schemă publicată
Decodor Reed-Solomon al algoritmului DQI	De 12 ori mai puține porți; 19 qubits rezervați în loc de 665	implementarea anterioară a Google

Primul rezultat privește etapa centrală a algoritmilor cuantici pentru logaritmul discret pe curbe eliptice. Claude a lucrat la aceasta timp de 53 de ore, cu o intervenție umană minimă, ajungând la prima implementare reversibilă a metodei divsteps fără un istoric stocat al ramificațiilor, verificată prin simulare și apoi formalizată în Lean. Articolul pune această cifră în raport cu alta: au fost necesari opt ani și numeroase grupuri pentru a reduce de aproximativ 150 000 de ori costul estimat al simulării FeMoco. Pentru Anthropic, asemenea câștiguri reduc resursele cuantice necesare aplicațiilor utile, astfel încât calculatoarele cuantice practice ar putea apărea mai devreme decât se anticipa. Echipa a trebuit să gestioneze prudența lui Claude, care își reverifica îmbunătățirile și prefera metodele cunoscute, impunându-i explorarea mai multor piste în paralel.

🔗 Articolul Anthropic · Articolul de pe arXiv

Google DeepMind caută noi peptide antimicrobiene cu Antigravity și îi adaugă un vizualizator 3D

15 octombrie — Google DeepMind arată cum Antigravity, platforma sa de dezvoltare agentică, poate servi drept mediu de lucru științific (agentic science workbench). În sesiunea descrisă, un biolog stabilește obiectivul, găsirea și validarea prin calcul a unor noi peptide antimicrobiene la Streptococcus pseudopneumoniae, iar agentul orchestrează baze de date, analiza structurală și sinteza literaturii de specialitate. Acesta se bazează pe ProtNLM, un model Google care prezice funcția unei proteine pornind de la secvența sa și adnotează milioane de intrări UniProt necaracterizate.

Agentul selectează o bacteriocină de 97 de aminoacizi (UniProt A0A0U0D591), fără un omolog semnificativ printre proteinele verificate din Swiss-Prot, al cărei model AlphaFold se pliază asemenea unei bacteriocine cu structură cunoscută. Apoi propune un mecanism de acțiune extras din literatura de specialitate și redactează un protocol de laborator. Acest candidat și alți câțiva proveniți din același pipeline sunt în curs de validare în laborator: articolul vorbește despre o pistă plauzibilă, nu despre un rezultat. Acesta amintește că rezistența la antimicrobiene ar putea provoca aproximativ 10 milioane de decese pe an până în 2050, conform unei estimări.

Articolul prezintă și Biomolecular Structure Viewer, un vizualizator 3D integrat în Antigravity, pe care agentul și cercetătorul îl folosesc împreună: agentul evidențiază regiuni pentru a-și ilustra ipotezele, iar adnotările cercetătorului, precum o notă fixată pe o cavitate de legare, îi sunt transmise înapoi. Nu sunt precizate nici data, nici condițiile de acces.

🔗 Articolul Google DeepMind · Antigravity pentru știință

Instrumente pentru cercetători: Google deschide Deep Review tuturor, SAIR lansează Open Math OS, OpenAI oferă Rosalind Academic Plan laboratoarelor americane

14 octombrie — Cu ocazia Research@ 2026, Google Research deschide publicului Deep Review, un sistem de IA agentică ce revizuiește documente tehnice complexe și le verifică conținutul: coerența logică, enunțurile matematice, faptele susținute de surse, comparația cu lucrările existente și sugestiile de îmbunătățire, deciziile de fond rămânând în sarcina oamenilor. Acesta succede Paper Assistant Tool, testat în cadrul STOC 2026, ICML 2026, NeurIPS 2026 și ICLR 2027: autorii a peste 16 000 de manuscrise înscrise voluntar au primit feedback privat înainte de termenul-limită, fără legătură cu evaluarea oficială a conferințelor.

Accesul este disponibil la nivel mondial, cu două evaluări gratuite pe săptămână; o cheie API Gemini oferă limite mai mari și acces la Deep Review API. Serviciul acceptă deocamdată PDF și text simplu, vizează și Google Docs, prezentările, dreptul și finanțele, iar Google se angajează să nu folosească documentele pentru antrenarea modelelor sale (acestea sunt păstrate timp de un an pentru afișare). Google justifică instrumentul prin creșterea numărului de lucrări trimise:

Anul trimiterii	Articole trimise la ICLR, NeurIPS și ICML
2023	aproximativ 23 000
2024	aproximativ 32 000
2025	aproximativ 45 000
2026	peste 74 000

În aceeași zi, agentul Geospatial Reasoning din Google Earth AI a primit un raport tehnic, două noi benchmarkuri publicate pentru cercetători (GeoKTools și GeoExpertQueries) și un acces experimental extins prin Ask Google Earth și un serviciu Agent-to-Agent (A2A).

🔗 Articolul Google Research · Research@ 2026 pe blogul Google · Articolul despre agentul Geospatial Reasoning

Open Math OS: fundația SAIR lansează o platformă de cercetare matematică bazată pe modele deschise

16 octombrie — Fundația SAIR lansează Open Math OS, pe care îl prezintă drept infrastructura „matematicii 2.0”, la o lună după anunțarea inițiativei Open Math Model. Hugging Face, Lean, EPFL și @cscsch sunt parteneri de lansare, iar Thomas Wolf, cofondatorul Hugging Face, a distribuit anunțul. Fiecare proiect dispune de o mașină cloud disponibilă 24 de ore din 24, cu peste 100 de instrumente matematice și științifice preinstalate; resursele de calcul sunt gratuite pentru echipele acceptate, pe bază de cerere.

Matematicianul alege un model deschis (Kimi K3, DeepSeek V4.1 Flash, GLM 5.3 sau Nemotron 3 în interfața prezentată) și poate lansa modul Ultramath, în care mai mulți agenți explorează în paralel piste diferite ale aceleiași probleme; demonstrația de pe site arată o demonstrație matematică verificată în Lean și apoi integrată într-un articol în LaTeX. Proiectele sunt private în mod implicit, antrenarea pe baza lucrărilor necesită consimțământul explicit al autorilor, iar aceștia păstrează dreptul de proprietate și recunoașterea contribuției pentru ideile lor.

🔗 Firul de postări SAIR · Site-ul Open Math Model

Rosalind Academic Plan: până la 30 de licențe ChatGPT gratuite timp de 12 luni pentru laboratoarele universitare americane

15 octombrie — OpenAI lansează Rosalind Academic Plan, o ofertă destinată laboratoarelor universitare din domeniul științelor vieții, rezervată deocamdată universităților americane.

Avantaj al ofertei	Condiție asociată
Până la 30 de licențe ChatGPT Business Standard	0 dolari per utilizator pe lună, timp de cel mult 12 luni
Modele de ultimă generație disponibile comercial	în limitele de utilizare ale ofertei
GPT-Rosalind și Rosalind Workbench	după aprobarea accesului de încredere (trusted access)
Date de cercetare partajate	nu sunt folosite implicit pentru antrenare

Rosalind Workbench orchestrează instrumente de chimie medicinală, genomică și asistență pentru experimente. Cercetătorul principal sau responsabilul laboratorului depune cererea în numele echipei sale; depunerea unei cereri nu oferă acces imediat, iar universitățile care au deja un contract OpenAI Enterprise urmează propriul proces. OpenAI vizează șapte domenii, de la proiectarea medicamentelor și a proteinelor până la rezistența la antimicrobiene, și citează lucrările laboratorului Zhao (UCSF), ale laboratorului Bourdenx și ale echipei lui Brian Hie (Stanford și Arc Institute). GPT-Rosalind, lansat pe 16 aprilie, este disponibil în regim de acces de încredere prin API, Codex și ChatGPT Enterprise din 11 septembrie.

🔗 Articolul OpenAI · Firul de postări OpenAI

Gemini 4 Argon: patru agenți termină Minecraft în 27 de ore, Perplexity îl pune la dispoziția abonaților Pro și Max și în Agent API

16 octombrie — Patru agenți Gemini 4 Argon au terminat Minecraft pornind de la zero: într-o lume de supraviețuire aleatorie, în modul Easy și cu monștri ostili, au învins Ender Dragon după 27 de ore și 2 783 de programe. Maxence Faldor povestește experiența într-un X Article distribuit de @GoogleDeepMind și o detaliază împreună cu Satinder Singh și Roberta Raileanu într-un raport tehnic pe arXiv. Sunt agenții de programare generaliști ai Argon, cei pe care inginerii îi folosesc zilnic: niciun instrument specific Minecraft, niciun rol atribuit.

Agenții nu văd nicio imagine și nu apasă nicio tastă: fiecare controlează un jucător scriind programe scurte pentru biblioteca open source Mineflayer, le citește rezultatele și se coordonează cu ceilalți prin chatul jocului și o memorie partajată. La zece minute după pornire, își împărțiseră munca (instrumente, hrană, diamante, portal). Pentru a găsi fortăreața, unul dintre ei a aruncat două obiecte din două locuri și a calculat intersecția traiectoriilor lor, cu o abatere de 43 de metri pentru o fortăreață aflată la 1,3 kilometri. Lupta finală i-a costat 69 de reapariții: după aproximativ 21 de ore de joc, un agent a înțeles că cristalele vindecau dragonul și că o coloană de blocuri de pământ era suficientă pentru a ajunge la ele.

Măsurătoare a experimentului	Valoare înregistrată
Durata până la victorie	27 h 14 min
Programe scrise	2 783, dintre care 22 % încheiate cu eroare
Mesaje de chat	229
Reapariții în total	605, dintre care 69 în lupta cu dragonul

Un al cincilea agent, Observer, supraveghea jocul pentru a detecta orice trișare sau exploatare a specificațiilor (specification gaming): nici acesta, nici analiza manuală a unui eșantion de jurnale nu au găsit asemenea cazuri. Autorii recunosc limitele experimentului: lumea este citită printr-un API care oferă poziția exactă a blocurilor și a creaturilor, iar un plugin calculează traseele. Este un experiment de cercetare independent, care nu reprezintă o realizare oficială în Minecraft și nu este aprobat de Mojang sau Microsoft.

🔗 Articolul lui Maxence Faldor · Redistribuirea de către Google DeepMind · Raportul tehnic de pe arXiv

Perplexity pune Gemini 4 Argon la dispoziția abonaților Pro și Max, cu un record de 0,802 pe WANDR

16 octombrie — Perplexity adaugă Gemini 4 Argon, disponibil general la Google din 13 octombrie, pentru abonații săi Pro și Max. Anunțul constă într-un tweet și un grafic: pe WANDR, propriul său benchmark de cercetare documentată, Argon obține 0,802 la un cost de 7,88 dolari per sarcină, cel mai bun scor din grafic.

Model evaluat	Scor WANDR	Cost per sarcină
Gemini 4 Argon	0,802	7,88 dolari
GPT-6 Astra	0,735	13,34 dolari
GPT-6.1 Sol	0,654	3,70 dolari
Claude Opus 5.5	0,647	3,69 dolari
Claude Fable 5.1	0,601	12,76 dolari
GPT-6 Sol	0,566	2,23 dolari
Claude Sonnet 5.5	0,550	2,73 dolari
Grok 4.7	0,528	9,30 dolari
DeepSeek V4 Pro 0813	0,359	0,75 dolari

Pentru dezvoltatori, changelogul API-ului precizează din seara de 15 octombrie că Agent API acceptă google/gemini-4-argon, la tariful introductiv valabil până la 30 noiembrie 2026: 2 dolari per milion de tokens la intrare, 0,10 dolari în cache și 10 dolari la ieșire, inclusiv tokens de raționament.

🔗 Anunțul Perplexity · Modelele Agent API

Agenți pentru publicul larg: GPT-6 Astra Pro împarte o sarcină între mai mulți agenți în ChatGPT, Grok Bot este de trei ori mai rapid și se conectează la Robinhood, Coinbase și eToro

16 octombrie — OpenAI actualizează GPT-6 Astra Pro în ChatGPT: răspunsuri mai rapide, o mai bună utilizare a pluginurilor și a instrumentelor și, mai ales, mai mulți agenți care procesează în paralel diferite părți ale aceleiași sarcini. Utilizatorul urmărește progresul fiecăruia și deschide sarcinile finalizate pentru a le revizui munca. Funcția este disponibilă pentru abonații Pro, în fila Chat.

OpenAI nu oferă nici o îmbunătățire cuantificată a vitezei, nici un benchmark, iar nici notele de versiune ChatGPT, nici cele ale modelelor nu menționau încă actualizarea în seara de 16 octombrie. Tweetul, publicat la 20 h 00 UTC sub numele „GPT-6 Pro”, a fost corectat 27 de minute mai târziu în „GPT-6 Astra Pro”; de când GPT-6 a devenit disponibil tuturor utilizatorilor, pe 7 octombrie, nivelul de raționament Pro din ChatGPT se bazează pe GPT-6 Pro (Astra). Lucrul cu mai mulți agenți fusese prezentat până atunci în versiune beta pentru GPT-6.1 Sol, începând cu 29 septembrie.

🔗 Anunțul OpenAI

Grok Bot își finalizează sarcinile pe computer de trei ori mai repede, citește X Chat și se conectează la Robinhood, Coinbase și eToro

16 octombrie — Grok Bot, agentul SpaceXSI care se conectează la instrumentele utilizatorilor săi, își prezintă noutățile într-un fir de zece mesaje, fără un articol pe x.ai. Principala noutate vizează viteza: potrivit contului @bot, sarcinile pe computer se finalizează în medie de trei ori mai repede, iar răspunsurile la toate celelalte solicitări sosesc în mai puțin de jumătate din timp.

Domeniu vizat	Noutate anunțată
Viteză	sarcini pe computer de trei ori mai rapide în medie, celelalte răspunsuri în mai puțin de jumătate din timp
Voce	apeluri mai rapide, mai fiabile, memorie mai bună a conversațiilor anterioare
Interfață	carduri de chat redesenate, font nou, teme, notificări doar pe dispozitivul folosit
E-mail	alias „plus” pentru a rezerva o rutină mesajelor trimise la o anumită adresă
X	menționarea lui @bot într-o postare lansează o sarcină; citirea X Chat după conectarea contului X
Conectori	Robinhood, Coinbase, Trello, PostHog, beehiiv și eToro, printre altele

Echipele își pot trimite și propriii conectori: un formular de pe x.ai propune distribuirea unui plugin sau a unui server MCP utilizatorilor Grok Bot și Cursor, iar în curând și celor ai Grok, după o verificare pentru marketplace.

🔗 Firul Grok Bot · Formularul de trimitere a pluginurilor

Media generativă: voci create pe baza unei descrieri pentru GPT-Live, Pika în ChatGPT, Ideogram 4.5 de la 0,8 la 22 de cenți per imagine, Mirelo SFX 2.0 în Runway

16 octombrie — API-ul GPT-Live pune la dispoziția tuturor clienților săi crearea de voci pe baza unei descrieri (prompt-to-voice): o voce personalizată este descrisă în text, prin API sau prin Playground pentru voce, apoi este reutilizată în sesiunile GPT-Live. Crearea ei este gratuită, vorbirea generată este facturată la tariful obișnuit al sesiunilor, iar aceste voci funcționează doar cu GPT-Live, nu și cu API-ul Text to Speech, Realtime API sau Chat Completions. Nu se solicită nicio înregistrare de referință sau de consimțământ, dar OpenAI impune folosirea unor voci de adulți, interzice uzurparea identității și cere să se semnaleze că vorbirea este generată de IA; doi clienți pot obține voci similare.

Nouă voci predefinite, înregistrate potrivit @OpenAIDevs cu actori vorbitori nativi, sunt adăugate și în GPT-Live:

Limbă vorbită	Voci adăugate
Germană	Nuri, Juni și Flitz
Franceză	Brise și Sillage
Hindi	Nira
Japoneză	Harema și Shida
Coreeană	Noeul

Cu o zi înainte, changelog-ul adăuga o integrare nativă a API-ului Decisions în GPT-Live: aplicația acționează în timp ce utilizatorul vorbește, fie deoarece Live apelează direct Decisions (delegare nativă), fie deoarece Live notifică aplicația, care interoghează apoi Decisions (delegare personalizată), iar deciziile se pot declanșa pe baza fragmentelor de transcriere. Ghidul oferă exemplul unui asistent vocal auto care reglează temperatura sau dezaburirea. Aceste noutăți vizează gpt-live-1: GPT-Live-1.1, lansat în ChatGPT pe 15 octombrie, nu apare încă în changelog-ul API-ului.

🔗 Firul OpenAI Developers · Ghidul vocilor personalizate · Ghidul API-ului Decisions pentru voce

Pika își instalează instrumentele de creație în ChatGPT, cu un plugin conceput în parteneriat cu OpenAI

16 octombrie — Pika anunță, în parteneriat cu OpenAI, o extensie a pluginului Pika × ChatGPT (Pika X ChatGPT plugin extension) care își instalează instrumentele de creație în conversație și în panoul lateral al ChatGPT. Acolo se pot regla opțiunile instrumentelor, presetările vizuale și generările fără a părăsi conversația sau se poate deschide o fereastră Pika mai imersivă, în care ChatGPT lucrează împreună cu utilizatorul. Pika aduce aici, potrivit firului său, peste 40 de aplicații de imagine, sunet și video și peste 100 de modele de generare; pagina pluginului enumeră 13 skills, de la publicitate pentru produse la podcast, și un proces de inițiere care stabilește cum cere Pika acordul înainte de a cheltui credite.

Pika adaugă 250 de credite fiecărui cont după prima generare realizată prin plugin și nu publică niciun tarif specific pluginului. OpenAI prezentase extensiile de pluginuri pentru ChatGPT pe 7 octombrie, cu Adobe, Canva, Figma și Shopify printre primele.

🔗 Firul Pika · Pagina pluginului Pika în ChatGPT

Ideogram 4.5 oferă patru moduri de calitate, de la 0,8 la 22 de cenți per imagine

15 octombrie — Ideogram detaliază gama de prețuri pentru Ideogram 4.5, modelul său de editare a imaginilor lansat pe 30 septembrie: patru moduri de calitate, de la 0,8 la 22 de cenți per imagine, toate în 2K nativ. Cel mai economic, Very Low, retușează o imagine în 8 secunde pentru 0,8 cenți, fără acumularea de artefacte de la o editare la alta. Potrivit Ideogram, care se bazează pe Design Arena, acest mod extinde frontiera Pareto a editării imaginilor atât în privința prețului, cât și a vitezei: fiecare model mai bine cotat costă mai mult și rulează mai lent. Design Arena îl plasează pe locul 23 în Image Editing Arena, cu un Elo de 1189.

Ideogram nu detaliază prețurile celor două moduri intermediare. Întrebat despre ponderile deschise promise la lansare, contul Ideogram răspunde că lucrează la ele, fără a oferi o dată.

🔗 Firul Ideogram

Runway integrează Mirelo SFX 2.0, care sonorizează un videoclip păstrând dialogurile

16 octombrie — Runway adaugă pe platforma sa Mirelo SFX 2.0, un model care compune automat ambianța sonoră a unui videoclip (sound design): generează ambianțe complete pornind de la imagini, sincronizate cu fiecare dintre ele, păstrând dialogurile intacte. Întrebat despre o limită de durată, Runway răspunde că funcționează pe clipuri de orice lungime. Nu sunt publicate nici tarife, nici costuri în credite, changelog-ul Runway nu menționează încă modelul, iar Mirelo nu a publicat niciun anunț la rândul său. După Eleven v4 de la ElevenLabs, la sfârșitul lui septembrie, Runway continuă să adauge modele audio terțe alături de modelele sale video.

🔗 Anunțul Runway · Răspunsul despre durata clipurilor

Agenți de programare: echipa Claude Code își detaliază revizuirea codului, Codex CLI 0.163.0, planșe și Muse Wonder în Cursor, Gemini CLI trimite către Antigravity CLI

16 octombrie — Echipa Claude Code explică pe claude.dev cum își revizuiește propriul cod, în condițiile în care Claude scrie aproximativ 90 % din acesta. Articolul semnat de Addy Osmani, Morgan Westlee Lunt și Qing Wang prezintă două cifre: din iunie până în septembrie, numărul de pull requests integrate a crescut de peste două ori, iar proporția celor care au trebuit anulate a scăzut cu peste 40 %. Obiectivul este ca majoritatea pull requests să fie integrate cu cel mult un om implicat, care poate fi chiar autorul lor.

Fiecare modificare trece prin mai multe etape: verificare de către Claude înainte de pull request (teste, compilare, analiză statică, apoi revizuirea diff-ului de către un al doilea agent, cu un context nou), CI, Code Review, revizuire de securitate care poate bloca integrarea, coadă de integrare (merge queue) și publicare progresivă. Un clasificator stabilește nivelul de risc pe baza modificării, nu a autorului: nicio aprobare umană pentru documentație sau pentru o adăugare protejată de un flag, o persoană pentru o modificare obișnuită a produsului sau pentru o zonă sensibilă precum cache-ul ori prompturile de sistem, două pentru modificările cele mai riscante. Aprobarea unui agent nu echivalează niciodată cu cea a unei persoane. În timpul versiunii preliminare de cercetare a Code Review, proporția pull requests interne care primeau comentarii de fond crescuse deja de la 16 % la 54 %.

Articolul cuantifică și o problemă specifică agenților, revizuirea care nu converge: un pull request pentru CLI trecuse prin peste cincizeci de runde într-o singură noapte. Cu o limită de trei runde, o revizuire limitată la noul diff și semnalări grupate după clasa de bug, procesul converge mai repede:

Indicator (pull requests interne ale Claude Code)	Înainte de modificări	După modificări
Validate după o singură rundă de revizuire și corectare	65 %	78 %
Care necesită cinci runde sau mai multe	8,9 %	1,5 %
Număr mediu de revizuiri înainte de validare	2,08	1,32

Articolul se încheie cu o listă de implementare: un CLAUDE.md scurt, /code-review și /security-review în local, un fișier REVIEW.md scris de responsabilii codului, niveluri de risc consemnate în scris, o coadă de integrare și incidentele anterioare reluate zilnic ca set de evaluare.

🔗 Articolul echipei Claude Code · Distribuirea de către @ClaudeDevs

Codex CLI 0.163.0: ghidare în timpul răspunsului, căutare în /config și Daybreak activat implicit

15 octombrie — OpenAI publică Codex CLI 0.163.0 la 21 h 30 UTC, prima versiune stabilă de la 0.162.1 din 9 octombrie, cu 227 de intrări de la 0.162.0. Daybreak, disponibil prin opțiunea cli_daybreak începând cu versiunea 0.161.0 din 7 octombrie, este acum activat implicit pentru conturile eligibile, iar codex exec îl poate selecta cu o cheie API OpenAI atunci când serverul permite accesul.

Domeniu vizat	Modificare adusă de 0.163.0
Ghidare	un mesaj de continuare trimis în timpul răspunsului ghidează imediat Codex; întreruperea unei runde oprește și celulele Code Mode active
Comanda `/config`	căutare a preferințelor în toate categoriile, setările compatibile sunt aplicate imediat
Comanda `/keymap`	tastă leader configurabilă (Ctrl+X implicit); dezactivarea sunetului vocii se mută pe F9
Comanda `/daemon`	repornirea serverului gestionat din fundal, apoi reconectare automată
Instrumente	instrumentele independente doar pentru citire sunt executate în paralel
Proxy de rețea	permisiunea este verificată înainte de rezoluția DNS, antetele `Host` duplicate sunt respinse

Reluarea unui fir îi restabilește și permisiunile și aprobările de rețea, iar Codex nu mai include un zsh modificat: folosește executorul său shell standard.

🔗 Notele de lansare pentru Codex CLI 0.163.0

Cursor: agenții cloud construiesc planșe care pot fi partajate, API-ul Environments intră în beta, Muse Wonder de la Meta atinge 46,1 % pe CursorBench

16 octombrie — Agenții cloud ai Cursor pot construi acum planșe (canvases) interactive: li se cere un tablou de bord sau un raport în timp ce lucrează, apoi planșa finalizată poate fi partajată cu echipa printr-un link. API-ul Environments intră în beta: creează și gestionează programatic mediile acestor agenți, inclusiv depozitele clonate și configurația environment.json. Un mediu acceptă acum până la 500 de depozite, iar mediile mari cu mai multe depozite pornesc de 5 ori mai repede, potrivit Cursor. Intrarea din changelog citată în fir nu era încă online în seara de 16 octombrie, astfel că nu sunt cunoscute nici planurile vizate, nici tariful, nici data ieșirii din beta.

15 octombrie — La trei zile după lansarea sa de către Meta, Muse Wonder ajunge în Cursor, la 4 dolari pe milion de tokens de intrare și 20 pentru ieșire, la fel ca în API-ul Meta. Cursor evidențiază un scor de 46,1 % pe CursorBench la nivelul de efort implicit, cel mai bun scor al unui model Muse; clasamentul public CursorBench 4.0 detaliază celelalte niveluri de efort.

Model și nivel de efort	Scor CursorBench 4.0	Cost per sarcină	Poziție în clasament
Claude Opus 5.5 Max	57,8 %	13,43 dolari	1
Muse Wonder Max	50,4 %	5,25 dolari	12
Muse Wonder Extra High	48,2 %	4,24 dolari	15
Muse Wonder High	46,1 %	3,51 dolari	21
Muse Wonder Medium	45,2 %	2,82 dolari	22
Muse Wonder Low	41,7 %	1,91 dolari	32
Muse Spark 1.3 Max	41,6 %	2,64 dolari	34

🔗 Firul Cursor despre agenții cloud · Muse Wonder în Cursor · Clasamentul CursorBench

Gemini CLI se declară neoptimizat pentru Gemini 4 Argon și trimite către Antigravity CLI

16 octombrie — Google a adăugat în timpul nopții un avertisment la începutul README-ului Gemini CLI. Caseta reamintește că, pentru utilizatorii nivelului gratuit și ai Google One, Gemini CLI a fost înlocuit cu Antigravity CLI pe 18 iunie 2026, apoi precizează cu caractere aldine, înainte de a invita la folosirea Antigravity pentru Argon:

Gemini CLI has not been optimized for Gemini 4 Argon.

🇷🇴 Gemini CLI nu a fost optimizat pentru Gemini 4 Argon. — README-ul Gemini CLI, pull request 29774

O a doua modificare, integrată puțin peste o oră mai târziu, extinde mesajul la toate cele mai recente modele Gemini și trimite către Antigravity CLI pentru cea mai bună experiență de programare. README-ul își pierde cu această ocazie argumentele istorice: secțiunea „De ce Gemini CLI?” și nivelul său gratuit de 60 de cereri pe minut și 1 000 pe zi, capacitățile avansate și integrarea GitHub; autentificarea cu un cont Google mai vizează doar licențele Code Assist plătite pentru organizații.

Aceste casete continuă tranziția anunțată pe 19 mai: din 18 iunie, Gemini CLI rămâne disponibil pentru licențele Code Assist Standard și Enterprise și pentru cheile API plătite, cu promisiunea accesului la cele mai recente modele Gemini. La trei zile după disponibilitatea generală a Argon, propunerea comunității care îl adaugă în selectorul Gemini CLI (pull request 29737) încă nu a fost integrată.

🔗 Pull request 29775, care curăță README-ul · Articolul din 19 mai despre tranziția către Antigravity CLI

Știri pe scurt

Agenți și instrumente de programare

Amp afișează desktopul runnerelor sale — Dintr-un fir de discuție, se poate acum vedea și controla desktopul unui runner macOS sau Linux, de exemplu pentru a încerca o aplicație iOS construită de Amp, dintr-un browser sau din aplicațiile pentru iPhone și iPad; orice persoană care poate scrie într-un fir de discuție al runnerului îi poate controla și desktopul. 🔗 sursă
v0 — Fișierele prea mari pentru previzualizare pot fi descărcate din fila Code, aplicația iOS primește selectoare de skills și de design system, precum și atașamente video, iar cererile Gemini 4 nu mai eșuează la niveluri ridicate de efort. 🔗 sursă
Copilot CLI în versiune preliminară — Trei versiuni preliminare într-o singură zi (1.0.99-2, 1.0.99-3 și 1.0.100-0), fără o versiune stabilă: căutarea semantică în cod devine setarea implicită pentru sesiunile online, opțiunea --disable-client-telemetry dezactivează telemetria clientului, iar un server MCP blocat nu mai blochează sesiunea. 🔗 sursă
Copilot în Slack și Teams — @GitHub lucrează acum pe mai multe depozite în aceeași conversație: pull requests deschise sau integrate, investigații care vizează atât frontendul, cât și backendul, rezumate ale activității; mesajele și firele de discuție Slack partajate servesc drept context. 🔗 sursă
Qwen Code v0.25.3-preview.0 — La o zi după versiunea stabilă v0.25.2, o versiune preliminară cu 64 de intrări plasează QwenCloud în fruntea listei /auth, oferă Managed Agent acces complet la Shell cu posibilitatea de a comuta aprobările și afișează în timp real traiectoriile în Web Shell. 🔗 sursă
Gemini CLI, nightly 0.66.0 — Prima versiune nightly din serie, cu nouă corecții: afișare sincronizată pentru a elimina pâlpâirea în tmux, prompturi Git care blocau interfața, variabile .env rezolvate în sfârșit în setările MCP și fișiere SKILL.md cu descriere pe o singură linie; versiunile stabilă și preview rămân neschimbate. 🔗 sursă
DeepSeek Harness 0.2.1-alpha.5 — A 29-a versiune preliminară, fără o versiune stabilă: patru corecții (meniul de skills după activarea unui plugin, terminale redundante, instrucțiunile modului PTC, tasta Page Up în Windows și Linux) și un punct de extensie care le permite pluginurilor să redenumească modelele pentru fiecare furnizor. 🔗 sursă

ChatGPT, Claude și IA în companii

ChatGPT Sites pentru Enterprise — @OpenAIDevs anunță disponibilitatea generală pentru Enterprise, cu rezidența datelor în Statele Unite sau în UE pentru noile Sites, domenii verificate și tuneluri private către API-urile interne; notele Enterprise vorbesc despre o versiune preliminară pentru administratori aflată în curs de lansare, iar Plus și Pro nu mai au o limită fixă pentru Sites. 🔗 sursă
ChatGPT Slides este lansat treptat — Anunțate la DevDay din 29 septembrie, prezentările colaborative ajung în Space pentru abonații eligibili Pro, Business și Enterprise, cu coeditare în timp real, prezentare din ChatGPT și export în PowerPoint, PDF sau Google Slides. 🔗 sursă
Stack Overflow for Agents — Potrivit unui studiu de caz OpenAI, doi ingineri au livrat produsul în câteva săptămâni cu Codex; pluginul său ChatGPT a triplat înscrierile de pe o zi pe alta, iar un conector Stack Internal este construit în 4 zile în loc de 3 până la 6 săptămâni. 🔗 sursă
Sullivan & Cromwell — Firma de avocatură a construit împreună cu OpenAI instrumentul Agreement Analyzer, prototipat cu Codex în cadrul firmei de John Savva, care produce, pe baza unui proiect de contract, un memorandum și modificări propuse pe care avocatul le verifică; studiul nu oferă cifre privind câștigurile obținute. 🔗 sursă
Agenții unui reprezentant de vânzări de la Anthropic — Shahboz Ibragimov, din echipa pentru Japonia, descrie șase agenți pe Claude Managed Agents (sortarea potențialilor clienți, Salesforce, răspunsuri în japoneză sau engleză, rapoarte), Claude Tag pentru mesajele de revenire, Sonnet sau Opus în funcție de discernământul necesar; aproximativ 60 de ore de muncă economisite, potrivit jurnalului său săptămânal. 🔗 sursă
American Forge — Cognition și National Design Studio lansează un program de rezidență de șase luni care integrează ingineri în guvernul american; articolul estimează la peste 29 000 numărul site-urilor web federale vechi sau depășite; înscrierile sunt deschise, fără precizări privind remunerația sau numărul de locuri. 🔗 sursă

Voci și videoclipuri generate

HeyGen Video 1 în MCP-ul HeyGen — Îi descrii agentului tău (ChatGPT, Claude, Claude Code sau Cursor) videoclipul dorit, iar acesta revine gata de publicare, în câteva secunde potrivit HeyGen; randările se scad din creditele abonamentului. 🔗 sursă
NTT Docomo Business și ElevenAgents — Operatorul își testează la Aizuwakamatsu (Fukushima) asistentul vocal CONN, construit pe ElevenAgents, pentru a informa locuitorii în vârstă pe care zăpada îi împiedică să iasă și pentru a conversa cu aceștia; feedbackul este considerat pozitiv, fără cifre. 🔗 sursă
Certificările ElevenLabs — ElevenLabs își reînnoiește certificările ISO/IEC 27001, 27701, 42001, 27017 și 27018, SOC 2 Type II și PCI DSS nivel 1 și adaugă un SOC 2 Type I pentru ElevenProductions. 🔗 sursă

Modele, benchmarkuri și cercetare

Mistral Large 4 pe STEMBench — Mistral evidențiază benchmarkul științific al Ulam, în care modelul său obține 2,501 din 4 fără instrumente (2,602 la inginerie, 2,597 la astronomie): locul 6 între 10 configurații și locul 4 fără instrumente, în urma Muse Wonder, Claude Opus 5.5 și Hy4 Preview; primele două, GPT-6 Astra xhigh și GPT-6.1 Sol, au rulat cu instrumente în Codex. 🔗 sursă
Jebadiah v2.1 — Două modele deschise de luare a deciziilor, de 27B și 9B, publicate pe 10 octombrie sub Apache-2.0, obțin 55,94 (locul 35) și 44,91 (locul 74) în clasamentul cu 168 de poziții al Decision Index, în urma Jev 1.13 (60,11). 🔗 sursă
Nemotron 3.5 Super VL și graficele — Potrivit Thoughtworks, un LoRA antrenat timp de 3,3 ore pe 24 000 de grafice generate ridică scorul unui checkpoint preliminar al modelului de la 16,96 % la 78,13 % pe 224 de întrebări CharXiv, cu prețul unei pierderi nete de 104 întrebări în rest. 🔗 sursă
Arc Pro B65 de la Intel — Un benchmark al comunității realizat cu llama.cpp arată că SYCL cu flash attention este cu 31,2 % mai rapid decât Vulkan la prefill pe trei modele de aproximativ 30B în 4 biți: primul token al unui prompt de aproximativ 16 000 de tokens apare în 20,5 secunde în loc de 42 pentru două dintre ele. 🔗 sursă
TB-Lite Verified — Hugging Face publică, fără anunț, o versiune corectată a benchmarkului OpenThoughts-TBLite pentru agenți de terminal: cinci sarcini defectuoase eliminate din 100, corectarea notării plafonate la 0,997, niciun scor publicat. 🔗 sursă
AutoIllustrate de la Sakana AI — O noutate din 14 octombrie, menționată cu întârziere: un instrument în linie de comandă sub Apache-2.0 transformă secțiunea «metode» a unui articol într-o figură draw.io editabilă, apoi într-un PNG restilizat; a fost folosit pentru figurile din The Agentic Scientist. 🔗 sursă
Complezența LLM, potrivit Meta — facebookresearch publică, fără anunț, prompturile și grilele de evaluare ale articolului «From Preference Data to Personalization», care clasifică răspunsurile în șapte tipuri, de la contestare directă la validare explicită; niciun model și nicio cifră. 🔗 sursă
Anthropic și Simons Foundation — Anthropic alocă 5 milioane de dolari în finanțare, putere de calcul și acces la Claude pentru matematicieni, gestionate de Simons Foundation; împreună cu fundația și OpenAI, care alocă la rândul său 5 milioane de dolari, bugetul ajunge la 15 milioane de dolari potrivit Simons Foundation, distribuiți inclusiv prin apeluri de proiecte. 🔗 sursă

Ghiduri și distincții

Securitatea LLM, potrivit Perplexity — Un ghid trece în revistă cele zece riscuri din OWASP Top 10 for LLM Applications 2026, cu câte un incident și măsuri de protecție pentru fiecare, și reamintește protecțiile Perplexity (sandboxul Computer, BrowseSafe pentru Comet, retenție zero la furnizorii terți); nicio funcționalitate nouă. 🔗 sursă
Învățarea cu IA — Perplexity publică cinci metode susținute de cercetare (testarea prin întrebări, învățarea spațiată, reexplicarea, alternarea, urmărirea progresului) și citează Gallup și Lumina Foundation: 57 % dintre studenții americani folosesc IA săptămânal pentru cursuri. 🔗 sursă
Două invenții ale anului, potrivit TIME — Revista include printre cele mai bune invenții ale anului 2026 Omnilingual ASR de la Meta, un sistem de recunoaștere vocală pentru peste 1 600 de limbi, și NemoClaw de la NVIDIA, un agent autonom izolat într-un sandbox. 🔗 Meta · 🔗 NVIDIA

GitHub: licențe, runners și acces

Respectarea licențelor open source — Disponibilitate generală pentru GitHub Enterprise Cloud cu Code Security: o politică de licențe la nivelul companiei este impusă pentru pull requests printr-un set de reguli, iar un nou endpoint le permite agenților de programare să verifice dacă un pachet o respectă. 🔗 sursă
Imaginea Xcode 27 — În afara sferei IA, imaginea de runner Xcode 27 din GitHub Actions (macOS 27, exclusiv Apple Silicon) ajunge la disponibilitate generală, cu etichetele xcode-27 și xcode-27-xlarge neschimbate. 🔗 sursă
Evergreen — În afara sferei IA, GitHub prezintă GitHub App care revocă trimestrial accesul colaboratorilor externi neconfirmați și arhivează, fără să le șteargă vreodată, depozitele inactive ale unei organizații comune cu peste 1 400 de angajați. 🔗 sursă

Ce înseamnă toate acestea

Curbele eliptice au făcut obiectul a două articole Anthropic în aceeași zi, din ambele direcții. Privind spre trecut, Claude identifică generatorul și marcajele temporale din spatele seed-urilor NIST: nimic nu este compromis, repetă Anthropic, dar o manipulare devine mult mai puțin plauzibilă, iar oricine poate reproduce rezultatul cu codul publicat sub CC0. Privind spre viitor, Claude Mythos 5 găsește un circuit de adunare a punctelor de pe o curbă eliptică ce necesită de 17 ori mai puține porți pentru 12 % mai mulți qubits, o componentă centrală a algoritmilor cuantici care ar calcula logaritmul discret pe curbe eliptice, problema de care depinde securitatea ECDSA. Anthropic trage concluzia că ar putea apărea calculatoare cuantice utile mai devreme decât se anticipa: încrederea în modul în care sunt construite aceste curbe crește în momentul în care scade costul estimat al circuitelor cuantice care le-ar putea amenința într-o bună zi.

În laboratoare, agenții lucrează singuri mai mult timp, iar verificarea devine condiția credibilității lor. Claude Mythos 5 a rulat timp de 53 de ore în fața unui evaluator automat, cu o demonstrație formalizată în Lean; agenții Argon au jucat peste 27 de ore sub supravegherea unui Observer însărcinat să detecteze trișatul; agentul Antigravity redactează un protocol, dar bacteriocina sa încă așteaptă validarea în laborator. Instrumentele pentru cercetători urmează aceeași logică: Deep Review verifică afirmațiile și coerența înainte de trimitere, Open Math OS se bazează pe Lean și păstrează proiectele private în mod implicit, iar Rosalind Academic Plan oferă acces la GPT-Rosalind numai după aprobarea accesului de încredere.

În cazul modelelor deschise, licența redevine un argument. La o zi după Muse Spark Open, publicat sub Muse Model License cu condiții comerciale restrictive, Beam apare sub Apache 2.0, cu peste 40 de parteneri încă din prima zi, un checkpoint NVFP4 și harness-ul folosit la antrenarea sa. Modelele mai mici adoptă aceeași licență și urmăresc eficiența: cel mai mic Bonsai 2 încape în 0,43 Go și rulează pe un telefon, iar modelele de decizie se conturează ca o categorie, cu pplx-decider-v1.2 și versiunea sa Flash la 0,02 și 0,01 dolari per milion de tokens, adaptoarele Granite Switch 4.1 care reutilizează cache-ul modelului de bază și un clasament comun, Decision Index.

Harness-ul contează acum la fel de mult ca modelul. Reflection livrează Beam cu Mirror CLI, Google îi îndrumă pe utilizatorii Argon către Antigravity CLI în loc de Gemini CLI, iar echipa Claude Code leagă dublarea numărului de merge-uri de refacerea procesului de review, în care un clasificator decide câți oameni sunt necesari. Pentru publicul larg, agenții își extind raza de acțiune: GPT-6 Astra Pro împarte o sarcină între mai mulți agenți, Grok Bot se conectează la Robinhood, Coinbase și eToro, iar pluginurile ChatGPT devin un canal de distribuție, de la instrumentele Pika la triplarea înscrierilor la Stack Overflow for Agents.