Anthropic descoperă un spațiu de lucru global în LLM-uri (J-space), Runway deschide un hub de physical AI la Paris, Claude Code explică buclele agentice

Pe 6 iulie, ziua a fost densă între interpretabilitatea fundamentală și infrastructura fizică: Anthropic publică o cercetare despre J-space, spațiul de lucru global descoperit în LLM-uri, care amintește de teoriile neuroștiințifice ale conștiinței; Runway își anunță primul birou în Franța, cu 30 M USD investiți în cercetarea în physical AI; iar echipa Claude Code documentează în sfârșit cele patru tipuri de bucle agentice care structurează workflow-urile autonome. În zona open source, LeRobot v0.6.0 și parteneriatul Google DeepMind × Apptronik precizează anatomia IA-ului robotic în 2026.

Cercetare Anthropic — J-space, spațiul de lucru global în LLM-uri

6 iulie — Anthropic publică pe transformer-circuits.pub o nouă cercetare de interpretabilitate: LLM-urile posedă un mecanism analog spațiului de lucru global (global workspace) descris de neuroștiințele cognitive — o zonă activă de informație, conștientă, accesibilă raționamentului. Acest mecanism, numit J-space, apare în mod natural în modelele de limbaj, fără a fi fost conceput explicit.

Cercetarea arată că, la fel cum creierul uman face conștientă doar o fracțiune din activitatea sa neuronală, LLM-urile își concentrează raționamentul activ în acest spațiu restrâns. Această descoperire are trei implicații concrete:

Să citești asupra a ce raționează activ Claude la un moment dat
Să auditezi stările intermediare ale raționamentului
Să orientezi procesul de gândire al modelului în timpul execuției sale

Firul X al Anthropic menționează o demonstrație interactivă disponibilă prin Neuronpedia pe modele open-weights, permițând explorarea directă a J-space. Cercetarea se înscrie în programul de interpretabilitate mecanistică al Anthropic (mechanistic interpretability), care urmărește să înțeleagă reprezentările interne ale modelelor pentru a le garanta fiabilitatea pe măsură ce capabilitățile lor cresc.

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

🇷🇴 Noul studiu Anthropic: un spațiu de lucru global în modelele de limbaj. Din tot ce se întâmplă în creierul vostru chiar acum, doar o fracțiune infimă este accesibilă în mod conștient — gândurile pe care le puteți descrie, păstra în minte și raționa. Am descoperit o dinamică surprinzător de asemănătoare în modelele de limbaj. J-space ne permite să citim, să audităm și să orientăm asupra a ce se gândește activ Claude — instrumente utile pentru a menține fiabilitatea modelelor pe măsură ce acestea devin mai capabile. Și sugerează paralele surprinzătoare între modelele de limbaj și propriile noastre minți. — @AnthropicAI pe X

🔗 Lucrare completă — transformer-circuits.pub

Runway își deschide primul birou în Franța, la Paris

6 iulie — Runway anunță deschiderea primului său birou francez la Paris, dedicat cercetării în world models (modele ale lumii) și în physical AI (IA fizică). Acest hub se înscrie în extinderea europeană a Runway, la șase săptămâni după deschiderea primului său birou londonez.

Element	Detaliu
Locație	Paris, Franța
Echipa inițială	10 persoane
Investiție	30 M USD
Focus	World models, physical AI
Recrutare	Paris + Europa

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

🇷🇴 „Franța are una dintre cele mai profunde concentrații de talente în cercetarea IA din lume. Suntem încântați să ne plantăm steagul la Paris, în timp ce continuăm să ne dezvoltăm prezența globală în cercetare.” — Anastasis Germanidis, co-CEO, Runway

Co-CEO-ul citează densitatea talentelor provenite din marile instituții franceze de cercetare și sprijinul guvernului drept factori determinanți. Runway recrutează activ la Paris și în toată Europa. Investiția de 30 M USD poziționează Parisul ca un centru de cercetare fundamentală, complementar hub-ului londonez orientat spre comercializare.

🔗 Anunț oficial Runway

Claude Code — Ghid despre cele patru tipuri de bucle agentice

6 iulie — Echipa Claude Code publică prin @ClaudeDevs un ghid de fond, deja văzut de 316 000 de ori, despre conceperea buclelor agentice. Ghidul pornește de la o definiție precisă: o buclă este un agent care repetă cicluri de lucru până când este atinsă o condiție de oprire.

Tip de buclă	Declanșator	Condiție de oprire	Primitiv Claude Code	Caz de utilizare tipic
Pas cu pas (turn-based)	Prompt de la utilizator	Claude consideră sarcina terminată	Agentic loop	Sarcini scurte și exploratorii
Orientată spre obiectiv (goal-based)	Prompt + criteriu explicit	Criteriu atins sau număr maxim de pași	`/goal`	Sarcini cu criteriu de ieșire verificabil
Bazată pe timp (time-based)	Interval temporal	Anulare sau încheierea lucrului	`/loop`, `/schedule`	Muncă recurentă sau sisteme externe
Proactivă (proactive)	Eveniment sau schedule fără om	Sfârșitul fiecărei subtasce	Dynamic workflows + mod auto	Fluxuri de lucru recurente bine definite

Exemple concrete oferite în ghid: /goal get the homepage Lighthouse score to 90 or above, stop after 5 tries (goal-based), /loop 5m check my PR, address review comments, and fix failing CI (time-based). Ghidul abordează, de asemenea, gestionarea calității codului în bucle lungi (SKILL.md pentru auto-verificare, al doilea agent pentru recenzie) și controlul utilizării token-urilor (alegerea modelului potrivit, criterii clare de oprire).

🔗 Thread @ClaudeDevs — Getting started with loops

Guvernul Albertei — 466 de milioane de linii auditate în 20 de ore

6 iulie — Anthropic publică un caz de utilizare detaliat despre guvernul Albertei (Canada): din 2025, provincia folosește Claude Code cu modelele Opus și Sonnet pentru a audita securitatea sistemelor sale informatice guvernamentale. Rezultatele sunt izbitoare.

Metrică	Valoare
Linii de cod scanate	466 milioane
Durata scanării	20 ore
Agenți paraleli	~50 (Opus + Sonnet)
Aplicații acoperite	1 280
Depozite acoperite	3 400
Ministere implicate	27
Controale de securitate per trecere	~95

Arhitectura se bazează pe două tipuri de agenți construiți cu Claude Agent SDK: un agent „red team” (red team) care sondează aplicațiile ca un atacator, și un agent „blue team” (blue team) care evaluează apărările conform unui standard internațional de securitate și redactează planul de remediere. Un portal de granturi Java vechi de 25 de ani a fost reconstruit în 4 până la 5 zile (față de 5 luni inițial). Alberta publică white paper-uri tehnice pentru ca și alte guverne să poată reproduce abordarea.

🔗 Studiu de caz — anthropic.com

Sakana AI lansează Sakana Translate — traducere JA/EN/ZH în timp real

6 iulie — Sakana AI, laborator tokyoit specializat în rețele neuronale bio-inspirate, lansează Sakana Translate, integrat în serviciul său Sakana Chat. Instrumentul suportă traducerea bidirecțională japoneză ↔ engleză ↔ chineză, cu trei moduri distincte:

Mod	Funcționare
Translate	Traducere lungă în timp real
Proofread	Ajustează tonul și formularea cu urmărirea modificărilor
Ask	Clarifică alegerile nuanțate de cuvinte

Această lansare marchează intrarea Sakana AI în instrumentele de traducere pentru publicul larg, cu o poziționare deliberat axată pe cele trei mari limbi din Asia de Est. Serviciul este accesibil la translate.sakana.ai.

🔗 Tweet Sakana AI

HuggingFace LeRobot v0.6.0 — world models, reward models, 9 familii de benchmark-uri

5-6 iulie — HuggingFace publică LeRobot v0.6.0 sub titlul „Imagine, Evaluate, Improve”, o versiune care structurează învățarea robotică pe trei axe complementare.

Politici cu model al lumii:

Politică	Descriere
VLA-JEPA	VLA compactă (Qwen3-VL-2B) care prezice viitorul în spațiu latent
LingBot-VA	Model video-action autoregresiv care prezice simultan video-ul viitor și acțiunile
FastWAM	Evaluează dacă imaginația la inferență îmbunătățește cu adevărat performanța

Noi VLA-uri integrate: GR00T N1.7 (NVIDIA), MolmoAct2 (Allen AI, inferență ~12 GB), EO-1, Multitask DiT, EVO1 (0,77 Md parametri).

Modele de recompensă: Robometer (zero-shot pe orice dataset LeRobot) și TOPReward (folosește Qwen3-VL ca arbitru).

Benchmark-urile acoperă acum 9 familii: LIBERO, Meta-World, NVIDIA IsaacLab-Arena și 6 noi. Infrastructura se îmbogățește cu CLI-ul lerobot-rollout pentru implementare cu strategie DAgger, suport FSDP pentru antrenarea unor modele mai mari decât memoria GPU disponibilă și HF Jobs pentru antrenare în cloud dintr-o singură comandă.

🔗 LeRobot v0.6.0 — HuggingFace Blog

Google DeepMind × Apptronik — Robot Park extins, date Apollo 2 pentru Gemini Robotics

6 iulie — Google DeepMind anunță extinderea parteneriatului său de cercetare cu Apptronik. Cu ocazia extinderii Robot Park-ului Apptronik, datele colectate în condiții reale de platforma humanoidă Apollo 2 vor alimenta direct antrenamentul Gemini Robotics.

Element	Detaliu
Partener	Apptronik (Robot Park extins)
Platformă	Apollo 2 (robot humanoid)
Utilizare	Date reale → antrenament Gemini Robotics

Acest anunț ilustrează strategia Google DeepMind: ancorarea IA-ului robotic în date de teren, nu în simulări, bazându-se pe roboți humanoizi fizici desfășurați în medii reale.

🔗 Tweet @GoogleDeepMind

Pe scurt

Kimi K2.7 Code vs Claude Fable 5 — pagini de landing la -94 % cost — Together AI publică o comparație: 12 pagini de landing generate, Kimi K2.7 Code costă aproximativ 4 cenți pe pagină față de 1,09 USD pentru Fable 5 (de 16× mai ieftin în medie), pentru scoruri GPT-5.5 cu un ecart de 4 până la 12 puncte, în funcție de pagini. Avantajul lui Kimi este amplificat cu un server MCP de referințe vizuale. 🔗 Together AI Blog

Ce înseamnă asta

Interpretabilitatea trece de la laborator la instrument de supraveghere. Descoperirea J-space de către Anthropic nu este un rezultat academic izolat: este prima dată când un mecanism intern al LLM-urilor poate fi citit, auditat și orientat în timp real, fără a modifica modelul. Dacă instrumentele de supraveghere bazate pe această cercetare devin operaționale, ele ar schimba fundamental modul în care verificăm ce plănuiește un agent autonom — ceea ce interesează atât echipele de securitate, cât și dezvoltatorii care depanează workflow-uri agentice.

Physical AI se instalează în Europa prin Paris. Deschiderea biroului parizian al Runway, combinată cu LeRobot v0.6.0 de la HuggingFace și parteneriatul Google DeepMind × Apptronik, conturează un ecosistem coerent în jurul physical AI: modele care își imaginează acțiunile înainte de a le executa (world model policies), date reale de la roboți humanoizi pentru antrenament și infrastructură cloud pentru democratizarea accesului. Runway alege Parisul pentru densitatea cercetării fundamentale — un semnal despre geografia viitoare a acestui domeniu.

IA agentică intră în producția guvernamentală. Cazul Albertei nu este un pilot: 466 de milioane de linii scanate în 20 de ore de 50 de agenți paralele, 1 280 de aplicații și 27 de ministere acoperite, white paper-uri publicate pentru alte guverne. Combinat cu ghidul Claude Code despre bucle, care documentează primitivele /goal, /loop, /schedule pentru workflow-uri complet autonome, acesta este semnul că IA agentică este acum suficient de fiabilă pentru a fi implementată pe sisteme critice — cu arhitecturi multi-agent supravegheate.

Ecuația cost-calitate se deplasează. Comparația Kimi K2.7 Code vs Fable 5 publicată de Together AI materializează o tensiune structurală: pentru sarcinile cu frecvență mare (generare de pagini, workflow-uri repetitive), modelele open-weight bine optimizate reduc costul de 16 ori pentru un ecart de calitate măsurat la mai puțin de 10 %. Asta nu înseamnă că modelele închise își pierd valoarea, ci că avantajul lor este tot mai concentrat pe sarcini în care calitatea marginală contează cu adevărat.