Claude descoperă vulnerabilități criptografice inedite, Gemini Robotics ER 2 face mai mulți roboți să colaboreze, GPT-5.6 își scade prețurile

Ziua de 30 iulie 2026 este dominată de două progrese de cercetare: Claude Mythos, modelul intern de cercetare al Anthropic, descoperă vulnerabilități criptografice inedite într-un candidat post-cuantic al NIST și într-o versiune slăbită de AES, în timp ce Google DeepMind lansează Gemini Robotics ER 2, capabil să facă mai mulți roboți să colaboreze la aceeași sarcină. În jurul acestor două subiecte gravitează o scădere de preț la OpenAI pentru GPT-5.6, o adoptare simultană a pull request-urilor stivuite la GitHub și Devin, mai multe lansări de modele deschise (Thinking Machines, Sakana AI, LightOn) și un val de actualizări în zona agenților (Perplexity, Genspark, Gemini).

Claude Mythos descoperă vulnerabilități criptografice inedite (HAWK, AES)

30 iulie — Anthropic publică o cercetare a echipei sale Frontier Red Team care arată că Claude Mythos Preview, cel mai avansat model intern de cercetare al său, necomercializat, a descoperit defecte matematice inedite în doi algoritmi criptografici majori — dincolo de simplele buguri de implementare pe care Claude știa deja să le identifice în biblioteci precum OpenSSL. Anunțul a fost publicat pe 28 iulie pe X, apoi detaliat într-un articol de blog complet.

Primul rezultat: un atac îmbunătățit împotriva HAWK, candidat din runda a treia a concursului NIST (organismul american de standardizare) pentru semnături digitale post-cuante. În 60 de ore de lucru, pentru un cost de aproximativ 100.000 de dolari în API, modelul a găsit un atac care înjumătățește dimensiunea efectivă a cheii HAWK-256 — costul estimat al unui atac complet trece de la 2^64 la 2^38 operații. Al doilea rezultat: pe o versiune de AES-128 redusă la 7 runde din 10, o nouă tehnică botezată Möbius Bridge (podul Möbius) accelerează cu 200 până la 800 de ori cele mai bune atacuri cunoscute, pentru un cost similar — modelul a considerat inițial sarcina imposibilă, înainte de a persevera sub impulsul cercetătorilor, care au petrecut apoi câteva sute de ore validând rezultatul.

Anthropic precizează că niciun sistem în producție nu este afectat: HAWK este doar un candidat nedistribuit, iar atacul asupra AES se aplică doar unei versiuni slăbite a criptării — AES-ul complet, cu 10 runde, nu este spart. Rezultate preliminare vizează și LEA (cheia recuperată în mai puțin de o oră pe 13 runde), Serpent-128 (atac complet la 6 runde) și câștiguri mai limitate asupra Salsa20, Poseidon și SHA-1.

Pentru a aprofunda aceste cercetări, Anthropic se asociază cu ETH Zurich, Tel Aviv University și TU Berlin pentru a construi CryptanalysisBench, un banc de test destinat măsurării capacităților de criptanaliză ale modelelor.

Țintă criptografică	Rezultat obținut
HAWK-256 (semnătură post-cuantică)	Dimensiunea efectivă a cheii înjumătățită (2^64 → 2^38), găsită în 60 de ore
AES-128 redus la 7 runde din 10	Atac de 200 până la 800 de ori mai rapid prin tehnica Möbius Bridge
LEA redus la 13 runde din 24	Recuperare a cheii în mai puțin de o oră pe computer de birou
Serpent-128 redus la 6 runde din 32	Nou atac complet de recuperare a cheii
Salsa20, Poseidon, SHA-1	Câștiguri mai mici de 10 ori față de cele mai bune atacuri cunoscute

🔗 Cercetare completă — Anthropic

Google DeepMind lansează Gemini Robotics ER 2

30 iulie — Google DeepMind lansează Gemini Robotics ER 2 (Embodied Reasoning, raționament întrupat), modelul său cel mai capabil pentru a oferi roboților un creier de nivel înalt. Înțelege lumea fizică, conversează cu oamenii, planifică sarcini în mai mulți pași, apoi deleagă execuția motorie unui model vision-language-action de nivel inferior; poate de asemenea apela nativ instrumente precum Google Search sau funcții definite de dezvoltator.

Față de versiunea anterioară (ER 1.6), progresul principal vizează înțelegerea video continuă: observând un flux video în direct, un robot își poate urmări propria progresie, se poate adapta în caz de eroare și știe precis când să treacă la pasul următor. Google introduce și colaborarea multi-roboți: mașini diferite (un robot pe roți și un humanoid, de exemplu) comunică printr-o înțelegere semantică partajată pentru a-și împărți sarcini complexe — demonstrat cu roboții Apollo 2 de la Apptronik și Franka F3 Duo, care ordonează un garaj în doi.

La capitolul performanță, modelul atinge 57,4 % precizie în clasificarea progresului sarcinii și 91,3 % în detectarea momentului potrivit pentru acțiune (abatere medie de 0,96 secunde), cu o viteză de execuție de 4 ori mai mare decât a unor modele mai voluminoase, la o precizie comparabilă. Pe partea de siguranță, Google indică faptul că este cel mai sigur model al său de până acum: oprește corect un robot humanoid atunci când o persoană se apropie și își reia activitatea doar după ce zona este eliberată.

Modelul este disponibil chiar de azi pentru dezvoltatori prin API-ul Gemini și Google AI Studio, cu acces anticipat restricționat pe platforma Gemini Enterprise Agent. O demonstrație cu un robot Spot de la Boston Dynamics, care merge să aducă o gustare la comandă vocală, este de asemenea documentată, cu codul aferent pe GitHub.

Indicator de performanță	Rezultat măsurat
Clasificarea progresului sarcinii	57,4 % precizie
Detectarea momentului potrivit pentru acțiune	91,3 % precizie, abatere medie de 0,96 secunde
Viteză de execuție vs modele mai mari	De 4 ori mai rapid

🔗 Anunț oficial — Google DeepMind

Cursor: agenții cloud termină 56 % din pull request-urile mergate

30 iulie — Cursor împărtășește o cifră internă importantă despre adoptarea agenților săi cloud: în decembrie, doar 1 pull request mergeat din 10 provenea de la un agent cloud; astăzi, cifra ajunge la 56 %. Compania atribuie această evoluție faptului că le oferă agenților propria mașină cloud, cu posibilitatea de a-și corecta și îmbunătăți singuri mediul de execuție — lucru care le permite să ducă la capăt sarcini de inginerie mai lungi, de la un capăt la altul.

In December, 1 in 10 of our merged PRs came from cloud agents. Today, it’s 56%, as we use cloud agents to complete longer engineering tasks from start to finish. We got here by giving agents their own cloud computers and letting them fix and improve their environments.

🇷🇴 În decembrie, 1 PR mergeat din 10 provenea de la agenți cloud. Astăzi, este 56 %, datorită utilizării agenților cloud pentru a duce la bun sfârșit sarcini de inginerie mai lungi, de la un capăt la altul. Am ajuns aici oferindu-le agenților propriul lor computer cloud și lăsându-i să își corecteze și să își îmbunătățească mediile. — @cursor_ai pe X

Pull request-urile stivuite trec în previzualizare la GitHub, Devin le adoptă chiar în aceeași zi

30 iulie — Două anunțuri distincte, în aceeași zi, în jurul unui singur flux de lucru: împărțirea unei schimbări voluminoase într-o serie de pull request-uri mai mici și revizuibile independent.

GitHub generalizează stacked pull requests

GitHub trece stacked pull requests în previzualizare publică pe toate depozitele. În loc de un pull request uriaș sau de mai multe branch-uri care trebuie rebazate manual, schimbarea este împărțită în straturi ordonate, fiecare revizuibil printr-o „stack map” care situează stratul aflat în examinare în ansamblu, apoi fuzionabile printr-o singură operație. Fuzionarea stratului de sus coboară automat tot ce se află dedesubt; fuzionarea unui strat intermediar rebazează și retargetează automat straturile rămase deschise, fără a pierde protecțiile de branch existente. Funcționalitatea este accesibilă prin github.com, CLI (extensia gh-stack), aplicația mobilă și direct dintr-un agent de coding precum GitHub Copilot datorită competenței dedicate gh-stack.

🔗 Stacked pull requests — GitHub

Devin (Cognition) le preia nativ

În aceeași zi, Devin, agentul de inginerie software al Cognition, anunță suportul nativ pentru stacked PRs de la GitHub: descompunerea schimbărilor mari în diffs mai mici, tratarea și corectarea comentariilor de review pe întregul stack și rebazarea automată a schimbărilor din aval când un strat evoluează. Adoptarea simultană, atât la nivel de platformă, cât și la nivel de agent, arată că acest nou model de review se instalează direct în fluxurile de lucru conduse de agenți autonomi, nu doar pentru dezvoltatori umani.

🔗 Devin — anunț Cognition

Amp Labs semnează un parteneriat cu banca Westpac

29 iulie — Amp Labs, divizia de servicii/consultanță a Amp (spin-off-ul independent al Sourcegraph), anunță un parteneriat cu Westpac, una dintre cele mai vechi bănci australiene — o companie veche de peste două secole. Obiectivul: transformarea modului în care banca își construiește și livrează tehnologia, în special migrarea și modernizarea sistemelor de date utilizate de milioane de oameni. O echipă dedicată va lucra la fața locului în Sydney, alături de inginerii Westpac. Articolul prezintă echipa fondatoare a proiectului — venită de la Block, Ethereum Foundation, Google și Canva — și deschide o recrutare locală în Sydney. Acest parteneriat ilustrează creșterea ofertelor de servicii în jurul agenților de coding, dincolo de simplul abonament software: Amp Labs vinde acum o prezență umană la fața locului, sprijinită de agentul său.

🔗 Anunț — Amp Labs x Westpac

Scădere de prețuri API pentru GPT-5.6, mod Fast pentru Sol

30 iulie — Bazându-se pe câștigurile de eficiență obținute în ziua precedentă (GPT-5.6 Sol și-a optimizat singur nucleele de producție, deja acoperit), OpenAI scade prețurile API pentru GPT-5.6 Luna, modelul său cel mai rapid și mai ieftin, cu 80 %, și pentru GPT-5.6 Terra, modelul său echilibrat pentru uz curent, cu 20 %. Aceste reduceri se reflectă și în consumul de credite al abonamentelor Codex și ChatGPT Work, fără modificarea cotelor sau a prețurilor abonamentelor.

OpenAI introduce de asemenea un mod Fast în API, care înlocuiește oferta Priority Processing: pentru GPT-5.6 Sol, acesta oferă până la 2,5 ori viteza procesării standard, la dublul prețului, fără schimbări de inteligență. Cererile existente etichetate „priority” trec automat la acest nou mod. Sunt citați în mărturii mai mulți clienți enterprise, printre care Replit, Notion, Ramp, Blitzy, Cognition și Dust.

Model și mod	Tarificare începând cu 30 iulie
GPT-5.6 Terra (intrare / ieșire)	2 dolari și 12 dolari per milion de tokenuri
GPT-5.6 Luna (intrare / ieșire)	0,20 dolar și 1,20 dolari per milion de tokenuri
GPT-5.6 Sol, mod Fast	Până la 2,5 ori mai rapid, la dublul prețului

GPT‑5.6 Luna is the closest we’ve come to intelligence too cheap to meter. I’ve never seen a model this affordable be this powerful — it’s unlocking use cases for Replit we didn’t expect to build for a long time.

🇷🇴 GPT-5.6 Luna este ceea ce se apropie cel mai mult de o inteligență prea ieftină pentru a putea fi măsurată. N-am văzut niciodată un model atât de accesibil să fie atât de puternic — asta deblochează pentru Replit cazuri de utilizare pe care nu credeam că le vom putea construi prea curând. — Michele Catasta, președinte și Head of AI, Replit — citat de OpenAI

Două ajustări API triplează scorurile GPT-5.6 Sol pe ARC-AGI-3

29 iulie — OpenAI publică o analiză despre scorurile inițial scăzute ale GPT-5.6 Sol (7,8 %) și GPT-5.5 (0,4 %) pe benchmark-ul de puzzle-uri 2D ARC-AGI-3, deși Sol a rezolvat și probleme deschise de matematică și a învins jocuri video complexe. Investigația arată că hamul oficial al benchmark-ului elimină raționamentul privat al modelului după fiecare acțiune și îi trunchează istoricul printr-o fereastră glisantă, ceea ce îl împiedică să își amintească reflecțiile și acțiunile anterioare.

Reconstituind hamul cu Responses API de la OpenAI (cea folosită în producție în ChatGPT și Codex), activând păstrarea raționamentului și compacția în locul truncării, scorul GPT-5.6 Sol pe setul public trece de la 13,3 % la 38,3 %, cu de 6 ori mai puține tokenuri de ieșire — pentru o referință umană estimată la 48 %. OpenAI trage de aici o recomandare generală: folosiți Responses API în locul vechii Chat Completions API pentru a obține evaluări reprezentative pentru utilizarea reală.

Configurație testată	Scor obținut (ARC-AGI-3)
Hamul oficial al benchmark-ului	13,3 %
Raționament păstrat și compacție	38,3 % (de 6 ori mai puține tokenuri de ieșire)
Referință umană estimată	48 %

🔗 Analiză completă — OpenAI

GitHub Copilot în Visual Studio: bilanțul lunii iulie

30 iulie — GitHub publică raportul său lunar despre GitHub Copilot în Visual Studio 2026, cu patru noutăți. Un nou Agent (Preview) apare în selectorul Copilot Chat, construit pe același Copilot SDK care alimentează GitHub Copilot CLI — promițând răspunsuri mai scurte și sarcini finalizate cu mai puține schimburi dus-întors. Competențe integrate .NET și Azure, redactate de echipele interne corespunzătoare, apar automat în categoria „Built-in” a selectorului de instrumente de îndată ce sarcinile de lucru vizate sunt instalate (dezactivate implicit). O funcție Review Selection permite selectarea codului, clic dreapta, apoi obținerea de comentarii inline acționabile. În fine, instrucțiunile personalizate la nivel de organizație le permit proprietarilor de organizație să definească preferințe partajate aplicate automat tuturor depozitelor — rezervate planurilor Business și Enterprise, celelalte trei noutăți fiind disponibile pe toate planurile.

🔗 Bilanțul lunii iulie — GitHub Copilot în Visual Studio

Genspark prezintă SecondBrain, memorie persistentă pentru AI Workspace 6.0

29 iulie — Genspark evidențiază, printr-o intervenție media a COO-ului său Wen Sang, o funcționalitate numită SecondBrain în cadrul AI Workspace 6.0 (deja lansat pe 20 iulie). Ideea aleasă: „problema memoriei” a agenților IA, care uită contextul unui proiect de la o sesiune la alta. Cu autorizarea explicită a utilizatorului, SecondBrain se conectează la emailuri, calendar, istoricul conversațiilor, notițele de ședință și instrumente externe (Gmail, Slack, Notion, HubSpot, Microsoft 365…) pentru a construi un strat de context personal utilizabil de Super Agent-ul Genspark. Sunt documentate mai multe utilizări concrete: rezumat săptămânal automat, brief înainte de ședință cu contextul participanților sau căutare transversală în toate sursele conectate. Genspark distinge acest software de produsul SecondBrain Note, un dispozitiv fizic de înregistrare vândut separat, care este doar un canal de intrare opțional printre altele.

🔗 SecondBrain — anunț Genspark

Perplexity lansează Projects, evoluția Spaces din Computer

30 iulie — Perplexity înlocuiește „Spaces” cu Projects în Computer, mediul său de orchestrare a agenților: spații de lucru persistente pentru muncă pe termen lung, cu sistem de fișiere partajat și ierarhic pe care sarcinile succesive se pot baza fără a porni de la zero. Projects se conectează la Brain, sistemul de memorie auto-îmbunătățitoare al Computer, care reia între sarcini fișierele și sesiunile Project-ului pentru ca fiecare sarcină nouă să pornească cu contextul acumulat. Este evidențiată componenta colaborativă: mai mulți membri ai unei echipe pot lucra pe același Project, păstrându-și în același timp memoria personală și conectorii separați în propriul cont. Perplexity revendică o conexiune posibilă la peste 400 de instrumente (Google Drive, Notion, Linear, Snowflake, GitHub), precum și o integrare Slack și Microsoft Teams. Spațiile Spaces existente migrează automat; disponibil de astăzi pentru toți utilizatorii Computer.

🔗 Spaces devine Projects — Perplexity

Gemini Spark integrează Chrome și se extinde la 160+ țări

30 iulie — Google extinde Gemini Spark, asistentul său de automatizare a sarcinilor web, cu o integrare directă în Chrome numită Chrome auto browse. Cu autorizarea utilizatorului, Spark poate acum să se bazeze pe conturile conectate și pe parolele salvate din browser pentru a îndeplini demersuri obositoare — programarea vizitelor la apartamente salvate sau căutarea de zboruri și inițierea unei rezervări. Google precizează că aceste acțiuni sunt protejate împotriva tentativelor de injectare de prompturi și că pașii sensibili, precum plățile, sunt întotdeauna returnați utilizatorului pentru validare. Funcționalitatea pornește în Statele Unite, cu o extindere planificată către alte regiuni. În paralel, accesul la Spark se lărgește către abonații Google AI Pro în peste 160 de țări suplimentare începând de astăzi — o extindere mult mai amplă decât cea din 23 iulie, limitată la Statele Unite.

🔗 Actualizări Gemini Spark — Google

Nano Banana ajunge în Google Earth

30 iulie — Google Earth integrează acum Nano Banana 2, modelul de generare de imagini al Google, direct în interfața sa web. Este suficient să faci zoom pe un loc, să dai clic pe „create image” și să descrii ce dorești să vizualizezi: modelul generează o imagine ancorată în imagistica reală a locului (vederi satelitare, aeriene și 3D), și nu o scenă generică. Articolul detaliază cinci utilizări concrete: reconstituirea unui sit istoric (ruinele din Pompei așa cum arătau în anul 78 d.Hr.), crearea de infografice educaționale despre un loc, realizarea de planuri pentru proiecte imobiliare sau de urbanism, vizualizarea unui proiect de construcție înainte de lucrări sau, pur și simplu, reimaginarea unui loc într-un mod fantezist. Funcționalitatea este disponibilă de astăzi, la nivel global, pentru toți utilizatorii Google Earth pe web, fără restricție geografică sau prag special de abonament.

🔗 Nano Banana în Google Earth — Google

ElevenLabs lansează Character Casting în ElevenCreative Audiobooks

30 iulie — ElevenLabs lansează Character Casting în cadrul ElevenCreative Audiobooks, suita sa de producție de cărți audio cu IA. Funcționalitatea permite importarea unui manuscris complet, apoi previzualizarea diferitelor voci direct pe dialoguri reale din text, pentru a atribui o voce distinctă fiecărui personaj. Scopul este simplificarea castingului vocal, un pas până acum manual și consumator de timp în producția de cărți audio generate de IA — studioul potrivind acum vocea cu replici efectiv rostite în carte, și nu cu un text demo generic.

🔗 Character Casting — ElevenLabs

Inkling-Small: Thinking Machines publică, NVIDIA urmează în aceeași zi

30 iulie — Thinking Machines (laboratorul Mira Murati) lansează Inkling-Small, o versiune comprimată a Inkling: 276 de miliarde de parametri în total, 12 miliarde activi, cuantizare NVFP4, pentru performanțe comparabile cu Inkling — de patru ori mai mare — cu rezultate mai bune la cod, potrivit Hugging Face. Greutățile complete sunt publicate în acces liber, cu fine-tuning posibil prin Tinker și testare în Tinker Playground (text, imagine, audio). Hugging Face amplifică lansarea chiar în aceeași zi cu un blog dedicat benchmark-urilor și performanțelor, și o colecție de modele pe Hub.

NVIDIA completează lansarea în aceeași zi anunțând compatibilitatea Inkling-Small cu NVIDIA NeMo pe DGX Station, pentru fine-tuning, precum și un checkpoint dedicat formatului NVFP4 publicat direct pe Hugging Face. Acest suport hardware disponibil încă de la lansare (day-0) ilustrează viteza cu care ecosistemul se coordonează acum în jurul unui model deschis terț: laboratorul publică greutățile, Hugging Face documentează performanțele, iar NVIDIA garantează compatibilitatea infrastructurii sale de fine-tuning — totul într-o singură zi.

Caracteristică tehnică	Valoare măsurată
Parametri total / activi	276 miliarde / 12 miliarde
Cuantizare	NVFP4
Compatibilitate hardware day-0	NVIDIA NeMo pe DGX Station

🔗 Lansare — Thinking Machines pe X

🔗 Suport NeMo/DGX — NVIDIA pe X

Sakana AI și NYU publică Dream-Cubed, dataset și modele pentru Minecraft

29 iulie — Sakana AI publică, împreună cu Universitatea din New York (NYU), Dream-Cubed : Controllable Generative Modeling in Minecraft by Training on Billions of Cubes. Contribuția este dublă: un set vast de date cu lumi Minecraft (zeci de miliarde de „cuburi” provenite din terenuri procedurale și hărți construite de oameni cu consimțământul lor) și o familie de transformere antrenați pe aceste cuburi ca unitate de tokenizare, în stilul cuvintelor în modelarea limbajului. Modelele permit generarea și editarea în direct a unor medii 3D interactive la rezoluția cubului, cu inpainting țintit, outpainting la scară mare și generare condiționată de utilizator, pe lumi de dimensiune arbitrară. Setul de date, codul de antrenare și articolul sunt publicate în acces liber.

🔗 Anunț — Sakana AI pe X

Together AI și Y Combinator lansează un cluster GPU dedicat pentru startup-urile YC

30 iulie — Together AI și Y Combinator anunță un parteneriat care oferă primul cluster GPU dedicat portofoliului de startup-uri YC. Obiectivul: eliminarea principalului blocaj al tinerelor startup-uri IA — accesul la calcul — fără a le forța să securizeze contracte de compute pe mai mulți ani, care depășesc adesea întreaga lor trezorerie. Startup-urile din portofoliul YC pot rezerva, provisiona și gestiona singure GPU-urile prin portalul self-service al Together AI, pentru nevoi punctuale de inferență și antrenare, fără angajament pe termen lung, beneficiind în același timp de tarifele rezervate de obicei contractelor pe termen lung. În aceeași zi, Together AI evidențiază o primă utilizare concretă: startup-ul Osmosis_AI, care explorează dacă un model open source poate atinge nivelul unui model de bază datorită învățării prin întărire, antrenat pe acest cluster.

🔗 Cluster GPU dedicat YC — Together AI

LightOn publică mDenseOn & mLateOn pe blogul Hugging Face

30 iulie — Laboratorul francez LightOn AI publică, pe blogul Hugging Face, colecția mDenseOn & mLateOn: modele de căutare informațională (retrieval) cu vector unic și multi-vector, precum și seturile de date asociate, specializate în căutare multilingvă, context lung și căutare de cod — 18 elemente în total, publicate ca greutăți deschise. Această apariție urmează același model ca publicarea LiquidAI (LFM2.5-Encoders) din 28 iulie: un laborator terț folosește blogul Hugging Face ca canal oficial de lansare, cu fișa modelului și colecția găzduite direct pe Hub.

🔗 mDenseOn & mLateOn — blogul Hugging Face

Pe scurt

Cognition actualizează FrontierCode 1.1 — odată cu noile reduceri tarifare pentru GPT-5.6 Terra și Luna (vezi mai sus), seria se poziționează acum pe curba Pareto cost/performanță. 🔗 sursa
Hugging Face lansează Trackio Logbooks — versiunea 0.34.0 a Trackio capturează automat codul, urmele agenților și artefactele unei experiențe IA sub formă de bundle HTML static reproductibil. 🔗 sursa
Antigravity CLI trece la versiunea 1.1.8 — formate de ieșire structurată (json, stream-json) pentru modul print, validare prin schemă JSON personalizată și permisiuni îmbunătățite pentru comenzile compuse. 🔗 sursa
GitHub Models este oficial retras — playground-ul, catalogul de modele, API-ul de inferență și BYOK nu mai sunt accesibile niciunui client; GitHub redirecționează către Microsoft Foundry sau GitHub Copilot. 🔗 sursa
GitHub restricționează controlul de la distanță la dispozitivele administrate — nou parametru enterprise remoteControl (requireSSO / disabled / enabled) pentru sesiunile Copilot în control de la distanță, implementabil prin depozit privat, MDM sau fișier de configurare. 🔗 sursa
Kimi K3 (Max) preia conducerea clasamentului Fullstack Code Arena — în fața GPT-5.6 Sol (xHigh) și Claude Fable 5, un semn în plus că modelele deschise recuperează teren față de modelele închise la sarcini de dezvoltare completă (vezi Inkling-Small mai sus). 🔗 sursa

Ce înseamnă asta

Cercetarea fundamentală iese din laborator. Claude Mythos găsește breșe inedite într-un candidat post-cuantic al NIST și într-o versiune slăbită a AES — o descoperire de cercetare, nu o vulnerabilitate exploatabilă în producție, dar care ilustrează viteza cu care un model intern de cercetare poate avansa un domeniu pe care oamenii îl studiază de decenii. În aceeași zi, Gemini Robotics ER 2 trece robotica întrupată de la un singur robot care ascultă instrucțiuni la mai multe mașini care se coordonează între ele pentru o sarcină comună. Google Earth ancorează, la rândul său, generarea de imagini în lumea reală: Nano Banana nu mai desenează o scenă generică, ci o reconstituire sau o proiecție pornind de la imagistica satelitară a unui loc precis — în timp ce Gemini Spark, prin Chrome, trece de la text la acțiune concretă pe web-ul real al utilizatorului. Patru moduri distincte, în această 30 iulie, prin care IA părăsește terenul pur conversațional.

Economia inferenței continuă să se încline în favoarea dezvoltatorilor. OpenAI scade prețurile API pentru GPT-5.6 Luna cu 80% și pentru Terra cu 20%, introducând în același timp un mod Fast de două ori mai scump, dar de 2,5 ori mai rapid — două modalități opuse de a face prețul să corespundă utilizării reale. În aceeași zi, o analiză OpenAI arată că o simplă schimbare de configurație a API-ului (raționament păstrat, compresie) triplează scorul GPT-5.6 Sol pe ARC-AGI-3, reducând în același timp de șase ori consumul de tokeni de ieșire — performanța unui model depinde la fel de mult de harnașamentul care îl rulează cât și de modelul în sine. Cognition trage o consecință imediată actualizând propriul benchmark FrontierCode: cu noile reduceri, GPT-5.6 ajunge pe curba Pareto cost/performanță.

Modelele deschise continuă să recupereze față de modelele închise. Thinking Machines publică Inkling-Small cu suport hardware NVIDIA disponibil încă de la lansare; Sakana AI și NYU deschid un dataset și modele generative pentru Minecraft; LightOn publică colecția sa de modele de căutare informațională multilingvă — trei laboratoare distincte alegând același canal, blogul Hugging Face, pentru a-și lansa și documenta lucrările în aceeași zi. Kimi K3 (Max), deja în fruntea clasamentului Agent Arena, ia și prima poziție în clasamentul Fullstack Code Arena, înaintea GPT-5.6 Sol și Claude Fable 5. Iar Together AI, împreună cu Y Combinator, atacă ceea ce rămâne adevăratul blocaj al acestui ecosistem: accesul la calcul, livrând un cluster GPU dedicat startup-urilor IA din portofoliul YC fără a le constrânge la angajamente multianuale.

Industrializarea agenților de cod se accelerează. La Cursor, ponderea pull request-urilor îmbinate provenite de la agenți cloud a crescut de la 10% în decembrie la 56% astăzi. GitHub generalizează în previzualizare publică pull request-urile stivuite, iar Devin (Cognition) le suportă nativ chiar în aceeași zi — același workflow de revizuire adoptat simultan de platformă și de agent. Amp Labs, la rândul său, vinde acum și o prezență umană pe teren (o echipă la fața locului în Sydney pentru Westpac), pe lângă agentul său, în timp ce GitHub îmbogățește Copilot în Visual Studio cu un nou agent bazat pe SDK-ul său. Genspark și Perplexity avansează pe o problemă conexă, cea a memoriei: SecondBrain și Projects le oferă ambilor agenți un context persistent între sesiuni, condiție necesară pentru a duce sarcini lungi fără a porni de la zero de fiecare dată.