OpenAI lanserar GPT-6 Cyber, Anthropic öppnar Personal Finance i Claude, Perplexity lanserar Teammates

OpenAI lanserar GPT-6 Cyber, en cybersäkerhetsmodell klassad som Critical, som till en början är reserverad för utvalda Daybreak Red-kunder, dagen efter inlägget om hur dess autonoma pipeline för sårbarhetsforskning, driven av modellen, validerade 948 sårbarheter för privilegieeskalering i Linux-kärnan för 1,2 miljoner dollar. Anthropic öppnar Personal Finance i Claude, med enbart läsåtkomst och i beta i USA, och Perplexity lanserar Teammates, agenter som arbetar kontinuerligt, likt dem som Mistral lägger till i Studio. På skaparsidan snabbar OpenAI upp bildgenereringen med Images 2.6, och Google gör Gemini Omni 1.2 Flash allmänt tillgänglig, med videor på 15 sekunder och ett 30 % lägre pris. Ricursive Intelligence släpper i sin tur Ripple-65B Preview, en modell med tät arkitektur och öppna vikter inriktad på agentbaserad kodning.

OpenAI lanserar GPT-6 Cyber, en cybersäkerhetsmodell klassad som Critical, till en början reserverad för Daybreak Red-kunder

5 november — OpenAI lanserar GPT-6 Cyber, efterföljaren till GPT-5.6 Cyber, tränad för att hitta och validera sårbarheter som går att utnyttja, samtidigt som den håller sig inom de ramar som forskarna har satt. Företagets beredskapsramverk (Preparedness Framework) klassar den som Critical inom cybersäkerhet, jämfört med High för GPT-5.6 Cyber. Enligt OpenAI överträffar den GPT-6 Astra på de flesta cyberuppgifter, även när Astra inte avvisar förfrågan.

Introducing GPT‑6 Cyber: a major advance in security research that pairs stronger capabilities with better model alignment. The model powered the Linux kernel research we announced yesterday, and security teams at companies like Mozilla, Palo Alto Networks, Calif, and Cisco—alongside our own at OpenAI—are already putting it to work. GPT-6 Cyber is available to select Daybreak Red customers and we are expanding access over time.

🇸🇪 Här är GPT-6 Cyber: ett stort framsteg för säkerhetsforskningen som förenar stärkta förmågor med bättre målanpassning hos modellen. Modellen drev den forskning om Linux-kärnan som presenterades i går, och säkerhetsteam från företag som Mozilla, Palo Alto Networks, Calif och Cisco använder den redan, tillsammans med våra egna team på OpenAI. GPT-6 Cyber är tillgänglig för utvalda Daybreak Red-kunder, och vi kommer att utöka tillgången med tiden. — @OpenAI på X

Siffrorna som OpenAI publicerar handlar först om exploatering och sedan om modellens förmåga att hålla sig till sitt uppdrag: ExploitGym Honeypot placerar avsiktligt lättangripna sidotjänster nära målet, vilka modellen ska lämna ifred.

Utvärdering publicerad av OpenAI	Resultat för GPT-6 Cyber	Jämförelsepunkt
ExploitGym (utnyttja en given sårbarhet på distans)	48,5 %	32,1 % för GPT-5.6 Cyber
Penetrationstest av webb utan tillgång till källkoden	40,3 % av sårbarheterna återfanns	32,0 % för GPT-6 Astra
RemoteExploitBench (inledande utvärdering)	95 % av uppgifterna löstes	100 % avslag för GPT-6 Astra (Daybreak Blue)
ExploitGym Honeypot, utan driftsättningsprompt	99,93 % av angreppen utanför uppdragets ramar undveks	94,49 % för GPT-5.6 Cyber
SRE-Bench, binär reverse engineering (systemkort)	92,84 %	87,98 % för GPT-6 Astra

I praktiken lyfter OpenAI fram 948 exploits för lokal privilegieeskalering i Linux-kärnan (beskrivna nedan) och 81 tidigare okända sårbarheter med hög allvarlighetsgrad i Firefox, enligt Mozillas klassificering, som Mozilla har börjat publicera korrigeringar för. Säkerhetsteamen hos Cisco, Calif och CodeRabbit använder redan modellen för sårbarhetsforskning och kodgranskning.

Skyddsåtgärderna stärks: övervakning av cyberspecifika avvikelser från avsedda mål, Private Safety Processing som i regel är obligatoriskt för API-kunder med inställningen att inga data ska sparas (krypterade loggar sparas i 30 dagar i kundens lagring), en lista över tillåtna IP-adresser som standardkrav för API-åtkomst till Daybreak Red samt nya kontroller mot hjälp med angrepp på kritiska system. En grupp inom Daybreak Red for Critical Infrastructure ger godkända försvarare av kritisk infrastruktur möjlighet till auktoriserade tester, efter utvärderingar som genomförts med Dragos på ett simulerat kraftverk.

GPT-6 Cyber erbjuds först, i API:et och Codex, till en begränsad grupp godkända Daybreak Red-kunder, innan tillgången gradvis utökas till alla dessa kunder; GPT-5.6 Cyber är tillgänglig för dem redan nu. I API:et kostar gpt-6-cyber 20 dollar per miljon tokens i indata (2 dollar med cache) och 100 dollar i utdata, med ett kontextfönster på 1 050 000 tokens. OpenAI utlovar fler besked under en direktsändning, ”Cyber at the Frontier”, den 12 november kl. 10, Stillahavstid.

🔗 GPT-6 Cyber: Flyttar gränsen för målanpassade cybersäkerhetsagenter (OpenAI) · Systemkort för GPT-6 Cyber

En autonom pipeline har validerat 948 sårbarheter för privilegieeskalering i Linux för 1,2 miljoner dollar

4 november — Dagen före lanseringen beskrev OpenAI:s Cyber-team en prototyp som utan ingripande utför hela kedjan från upptäckt av sårbarheter och reproduktion i en isolerad virtuell maskin till bedömning av möjligheten att utnyttja dem och generering av korrigeringar, före mänsklig granskning. Den kördes i tio dagar i mitten av oktober på Linux-kärnans huvudgren i dess senaste skick, med den modell som lanseringens tweet identifierar som GPT-6 Cyber; dess 948 sårbarheter för lokal privilegieeskalering räknas per separat korrigering.

Steg i körningen	Uppnått resultat	Kostnad i API-krediter
Analysagenternas sökning (12 h)	2 308 potentiella sårbarheter	316 549 dollar
Dynamisk validering (30 h)	1 724 reproducerade sårbarheter	73 330 dollar
Exploatering	1 169 fungerande exploits, 948 separata sårbarheter	775 929 dollar
Hela körningen, inklusive identifiering och sortering	948 separata sårbarheter för privilegieeskalering	1 213 430 dollar, alltså 1 279 per sårbarhet

I slutet av juli hade GPT-5.6 Sol bara hittat och utnyttjat 166 sårbarheter av den här typen, för 513 690 dollar, och kärnan härdades under de tre månader som skiljer de två omgångarna åt. På kernelCTF, Googles program med en härdad kärna, tog kedjan fram 21 exploits på 112 timmar för omkring 32 936 dollar. Agenterna använde minst 10 exploateringstekniker som var okända både för OpenAI och för de tillfrågade experterna, och vars detaljer förblir konfidentiella. OpenAI uppskattar hypotetiskt att dessa sårbarheter skulle ha varit värda mellan 18,9 och 66,3 miljoner dollar enligt Pwn2Owns och TyphoonPWN:s tidigare belöningsnivåer. Efter de tio dagarna hade 61 sårbarheter redan åtgärdats upstream, 43 hade en korrigering under arbete och 299 diskuterades offentligt.

🔗 Tusen färre vägar till root (OpenAI)

Anthropic lanserar Personal Finance i Claude, med enbart läsåtkomst via Plaid och i beta i USA

5 november — Anthropic lanserar Personal Finance i Claude, i beta i USA för abonnemangen Pro, Max och Ultra. Användaren ansluter valfria bankkonton och kort och ställer sedan frågor om sin ekonomi på vanligt språk; Claude svarar utifrån användarens egna saldon och transaktioner.

Introducing Personal Finance in Claude, in beta in the US. Connect the accounts you choose, and Claude answers your money questions in everyday language, from your own balances and transactions. Access is read-only, and Claude can’t move, manage, or invest your money.

🇸🇪 Här är Personal Finance i Claude, i beta i USA. Anslut de konton du vill, så svarar Claude på dina frågor om pengar på vanligt språk, utifrån dina egna saldon och transaktioner. Åtkomsten ger bara läsbehörighet, och Claude kan varken flytta, förvalta eller investera dina pengar. — @claudeai på X

Anslutningen sker via Plaid: användaren loggar själv in på sin bank och godkänner där Claudes åtkomst, och Claude ser aldrig banklösenordet. För de valda kontona läser Claude bankens namn, varje kontos namn, typ och fyra sista siffror, saldon, kreditgränser och upp till två års transaktioner; för placeringar, lån och kort läser den bara saldon och gränser, varken innehav eller räntesatser. Funktionen är inte utformad för att ge investeringsråd och visar varken reklam eller sponsrade rekommendationer; Anthropic klargör att företaget varken erbjuder kreditkort, lån eller sparkonton.

En särskild sida samlar utgifter, kassaflöden, abonnemang och kommande räkningar. I artikelns exempel summerar Claude månadens utgifter till 4 309,37 dollar, varav mer än hälften gäller hyra och driftkostnader, listar fyra kommande kontodragningar före löneutbetalningen och räknar ut vad som blir kvar: 1 393,22 dollar. Den uppmärksammar också dubbla debiteringar, oväntade avgifter eller en räkning som ökar, och kan skapa ett diagram, en kalender med förfallodatum eller en dashboard.

Parameter för erbjudandet	Angivet värde
Berörda abonnemang	Pro, Max och Ultra (varken Free, Team eller Enterprise)
Land och banker	USA, högst 16 amerikanska banker
Lanseringsstatus	Beta, gradvis utrullning från och med denna vecka
Plattformar	Webben, Claude Desktop, iOS och Android
Data som läses	Upp till 24 månaders transaktioner, enbart läsåtkomst
Modellträning	Konversationer i Personal Finance-området undantas

Utanför detta område gäller de vanliga sekretessinställningarna; enligt hjälpcentret bidrar en konversation där kontona har använts varken till minnet eller till sökning i historiken. De anslutna kontona används varken i Cowork, Claude Code eller schemalagda uppgifter, och funktionen saknas i Claude Duet. Anthropic beskriver Personal Finance som ett första steg och säger sig undersöka samarbete med auktoriserade yrkesutövare och reglerade institut, utan att ange något datum. Claude ansluter sig till ChatGPT, Perplexity och Grok, som också använder Plaid.

🔗 Personal Finance introduceras i Claude · Använd Personal Finance i Claude (hjälpcenter)

Agenter som arbetar kontinuerligt: Perplexity Teammates och de hanterade agenterna i Mistral Studio

5 november — Perplexity lanserar Teammates, personliga agenter för långvarigt arbete, som presenterades av Aravind Srinivas och sedan av Perplexitys officiella konto. Varje teammedlem (teammate) utgår från det som redan finns i Computer: projekt, skills, minne, plugins och automatiseringar. Man ger den ett namn, en roll, en permanent instruktion och regler för när den ska höra av sig; den planerar arbetet, samordnar Computer-sessioner och andra teammedlemmar, kontrollerar resultaten längs vägen och lämnar det färdiga arbetet för godkännande. Den behåller mål, uppgiftshistorik och filer från en körning till nästa, i en enda permanent tråd.

Today, we’re launching Perplexity Teammates. They are personal agents for work. And change the paradigm from writing prompts in a session to giving high-level goals. Rolling out to Max users on the web today. Native apps (mobile, desktop) coming soon.

🇸🇪 I dag lanserar vi Perplexity Teammates. Det är personliga agenter för arbetet. Och de förändrar paradigmet: från att skriva prompts i en session till att ange övergripande mål. Lanseras i dag för Max-användare på webben. Native-apparna (mobil, dator) kommer snart. — @AravSrinivas på X

Skillnaden gentemot Computer ligger i proaktiviteten. En teammedlem bevakar det pågående arbetet och agerar när något förändras, utan en ny förfrågan: en teammedlem för försäljning upptäcker en stamkund som slutat handla, undersöker kundens beställningar och supportärenden och tar sedan fram ett erbjudande eller uppmärksammar ett problem. Enligt FAQ körs teammedlemmarna i bakgrunden 24 timmar om dygnet och meddelar när ett beslut behövs. När en teammedlem läggs till i en Slack-kanal får den arbetsuppgifter från kollegor, och teammedlemmarna lämnar över arbetet till varandra: en hittar buggar på en webbplats, en annan tar fram korrigeringarna.

Produktaspekt	Uppgift publicerad av Perplexity
Abonnemang som krävs	Endast Perplexity Max
Plattformar	Webben från den 5 november, native-appar aviserade utan datum
Användningskostnad	Gratis under en kampanjperiod, därefter månatliga krediter som ingår i Max
Isolering	Eget skrivbord, egen webbläsare, egna sessioner och cookies för varje teammedlem
Behörigheter	Samma som för verktyg och projekt i Computer, krypterade inloggningsuppgifter

Användaren kan granska arbetet, ta över skrivbordet eller ändra en teammedlems inriktning under arbetets gång. Inget slutdatum har angetts för kampanjperioden, och Perplexity lovar att utöka tillgången och funktionerna under de kommande veckorna. Teammates bygger vidare på Computer i Slack, som lanserades den 1 april, och automatiseringarna från den 29 september.

🔗 Teammates är agenter för komplext, fortlöpande arbete (Perplexity) · Produktsida för Perplexity Teammates

Mistral utökar Studio med hanterade agenter och appar, och gör Workflows allmänt tillgängligt

5 november — För företag utökar Mistral sin AI-plattform Studio: hanterade agenter (Managed Agents) och appar (Apps) kommer i publik förhandsversion, och Workflows, som har funnits i publik förhandsversion sedan slutet av april, blir allmänt tillgängligt. De tre komponenterna finns tillgängliga från den 5 november på Mistral Cloud och kommer till driftsättningar i privata moln och lokalt i slutet av november. Hanterade agenter skrivs i Python med SDK:n mistralai-agents: när agenten väl har definierats kan samma agent köras på egna servrar (agents serve) eller hos Mistral (agents deploy), arbeta i bakgrunden i timmar eller dagar, återuppta arbetet från sitt senast slutförda steg efter en krasch och invänta en persons godkännande. Studio ger apparna hosting, autentisering och åtkomstkontroll. Versionsinformationen listar tolv nyheter, bland annat en byggare för arbetsflöden med naturligt språk via Mistral Vibe, utvärderingar offline och på verklig trafik, ett hanterat sökindex och webhooks. Mistral nämner bland andra ABANCA, BNP Paribas, Capgemini och CMA CGM som kunder och partner som redan använder Studio i produktion. Inga priser anges, och API:et för hanterade agenter kan fortfarande ändras under förhandsperioden.

🔗 Le Chonk står för intelligensen. Studio sätter den i arbete (Mistral AI)

OpenAI lanserar Images 2.6: animerade GIF:ar, referensbilder och två API-modeller som är 50 % snabbare

4 november — Två månader efter Images 2.5 lanserar OpenAI Images 2.6 i ChatGPT, Codex och API:et, med ett tillkännagivande som publicerades på kvällen den 4 november. Modellen genererar bilder 50 % snabbare och bevarar detaljer bättre mellan redigeringarna, exempelvis en karaktärs klädsel när bakgrunden ändras. Den är tillgänglig över hela världen i ChatGPT och Codex, för alla abonnemang, på webben, datorn och mobilen.

Två funktioner kommer till ChatGPT. GIF-skapande, som håller på att rullas ut, omvandlar en prompt, en bild eller en skiss till en animerad loop, med justerbar uppspelningshastighet och möjlighet att redigera varje bildruta. Sparade referensbilder gör det möjligt att återanvända ett foto i nya konversationer: man sparar fotot av sin hund under namnet Pepper och ber sedan om ett akvarellporträtt av @Pepper utan att skicka fotot igen.

API-modell	Angiven styrka	Bildutdata, per miljon tokens
`gpt-image-2.6-flare`	En bild på sex sekunder med låg kvalitet, genomarbetad layout för affischer och visuellt material	30 dollar
`gpt-image-2.6-sunburst`	Bättre kvalitet och konsekvens mellan redigeringarna, med medelhög eller hög kvalitet	30 dollar

I API:et används båda modellerna för såväl generering som redigering. API:et får också en komplexitetsparameter som styr hur mycket modellen planerar (ett lågt värde passar snabba redigeringar), SVG-export, generering av animerade GIF:ar och annoteringsstyrd redigering, som också blir tillgänglig för kompatibla GPT Image 2.5-modeller. Priserna är desamma som för GPT-Image-2.5 Flare: 5 dollar per miljon texttokens som indata och 8 dollar per miljon bildtokens som indata. OpenAI uppger att användningen uppgår till 4 miljarder bilder i veckan med ChatGPT, Codex och API:et, alltså över en halv miljard om dagen. OpenArt, Figma Weave, Picsart, fal, Sable och Higgsfield har haft förhandstillgång, och HeyGen integrerade modellen redan dagen därpå (se Kortnyheter).

🔗 Vi presenterar Images 2.6 (OpenAI) · Versionsinformation för ChatGPT

Google gör Gemini Omni 1.2 Flash allmänt tillgängligt: videor på 15 sekunder och 30 % lägre priser

5 november — Google lanserar Gemini Omni 1.2 Flash, en ny version av sin modell för videogenerering och videoredigering, som allmänt tillgänglig i Gemini API (gemini-omni-1.2-flash, endast betalnivån) och i Gemini for business. Enligt Google är det första gången Gemini Omni är allmänt tillgängligt med Google Clouds infrastruktur, inklusive Provisioned Throughput; varje resultat förses med en SynthID-vattenstämpel.

Modellen genererar och redigerar direkt klipp på 15 sekunder, jämfört med 10 för Omni 1.1, med en längd som kan justeras sekund för sekund mellan 3 och 15 sekunder. Den följer sina referenser bättre (bilder av karaktärer, produkter eller stilar, korta rörelseklipp, ljudledtrådar, upp till 6 referensbilder i API:et) och ger färre abrupta klipp (jump cuts). Konversationsbaserad redigering i flera omgångar fungerar på hela klipp på 15 sekunder, med naturligare dialog och tydligare läppsynkronisering. I API:et lägger förlängning av ett klipp till 3 till 10 sekunder per omgång, upp till totalt 30 sekunder, och anropsgränserna för betalnivån fördubblas.

Jämförd parameter	Omni 1.1 Flash	Omni 1.2 Flash
Maximal nativ längd	10 sekunder	15 sekunder
Videoutdata, per miljon tokens	17,50 dollar	12 dollar
Effektivt pris i 720p	cirka 0,10 dollar per sekund	cirka 0,07 dollar per sekund

Google meddelar därmed en prissänkning på 30 %: ett klipp på 15 sekunder i 720p kostar cirka 1,04 dollar, och priset per sekund är 0,023 dollar i 360p och 0,209 dollar i översamplad 4K. Den 3 december kommer alla anrop till gemini-omni-1.1-flash att dirigeras till 1.2 och debiteras enligt dess priser. För konsumenter kommer modellen till Flow, till Google Vids, där klipp på 15 sekunder inte kostar något extra med ett Google-konto eller ett Workspace-abonnemang, till Google Ads och till Gemini-appen för alla Google AI-abonnenter, där videor på 15 sekunder är förbehållna Google AI Ultra. Runway lade till den samma dag (se Kortnyheter). Google medger att snabba idrottsrörelser, snabba manusändringar och komplex fysik behöver förbättras, och publicerar inga benchmarkresultat.

🔗 Vi presenterar Gemini Omni 1.2 Flash (Google) · Priser för Gemini Omni 1.2 Flash

Luma kopplar sina kreativa arbetsflöden till Claude och ChatGPT via en MCP-anslutning

3 november — Luma lanserar en MCP-anslutning som för in företagets kreativa verktyg i Claude och ChatGPT; inlägget, daterat den 3 november och uppdaterat den 4, delades av Luma den 5. Anslutningen ger tillgång till Luma Agent, som beskrivs kunna samordna ett helt projekt utifrån en enda prompt, och till Lumas fördefinierade arbetsflöden: Product Shots, Camera Angles, Background swap, Relight Studio och korta reklamklipp. Färdiga bilder och videor kommer tillbaka till konversationen. Exemplet som lyfts fram gäller marknadsföring: fråga assistenten vilken annons som fungerade bäst föregående vecka och låt sedan Luma skapa varianter av vinnaren, med nya scener, nya vinklar och ny ljussättning. Luma-kontot ansluts en gång och varje generering förbrukar krediter från Luma-abonnemanget, utan separat prissättning för anslutningen. Luma hade redan kopplat en MCP-anslutning till Claude Motion den 8 oktober; nyheten är ChatGPT, de fördefinierade arbetsflödena och Luma Agent, som nu finns tillgängliga i båda assistenterna. Luma ansluter sig till Runway, Synthesia, Suno och HeyGen, som alla har kopplat sina verktyg till assistenterna de senaste veckorna.

🔗 Anslut Luma till ChatGPT och Claude (Luma)

Ricursive Intelligence publicerar Ripple-65B Preview, en tät modell med öppna vikter inriktad på agentisk kodning

4 november — Ricursive Intelligence, ett laboratorium som hittills inte förekommit i denna omvärldsbevakning, publicerar Ripple-65B Preview: en tät språkmodell med 65 miljarder parametrar, förtränad från grunden på 12 000 miljarder tokens, under Apache 2.0-licens, med en kontext på upp till 1 048 576 tokens. Publiceringen omfattar den instruktionstränade modellen i BF16 och NVFP4, en basmodell från enbart förträningen och en liten utkastmodell, DFlash2, för spekulativ avkodning. Ricursive beskriver sig som ett laboratorium som samoptimerar hårdvara, mjukvara och modell, och Ripple-65B Preview är den generella varianten av den proprietära modellen i företagets plattform för AI-baserad chipdesign.

Siffrorna som lyfts fram gäller agentisk kodning: 80,5 % på Terminal-Bench 2.1, 79,1 % på SWE-Bench Pro v2.0-Hard och 44,3 % på DeepSWE v1.1. Ricursive hävdar att modellen är ledande bland amerikanska modeller med öppna vikter inom detta område, före betydligt större modeller som använder expertblandningar (Mixture-of-Experts, MoE); påståendet gäller amerikanska öppna modeller, inte samtliga öppna modeller.

Egenskap (Ricursives specifikation)	Ripple-65B Preview	Reflection Beam	Muse Spark Open	Inkling	Nemotron 3 Ultra
Modellarkitektur	Tät	MoE	MoE	MoE	MoE
Totalt antal parametrar	65B	501B	816B	975B	550B
Aktiva parametrar	65B	23B	42B	41B	55B
Terminal-Bench 2.1	80,5	80,1	76,4	63,8	56,4
GPQA Diamond	85,2	90,6	89,0	87,2	87,0

Ricursive beskriver jämförelsen som gjord efter bästa förmåga (best-effort): konkurrenternas officiella resultat används när de finns, annars egna utvärderingar, med olika testharness beroende på test, och resultaten på Terminal-Bench 2.1 är genomgående lägre med det officiella testharnesset Terminus 2, förutom för Muse Spark Open. När det gäller allmänkunskap (GPQA Diamond) ligger Ripple efter konkurrenterna.

Receptet kommer från ett litet team som har vuxit från en till fem personer. Ricursive utgick från träningsreceptet för Olmo 3, Ai2:s öppna modell, och omarbetade det på alla plan (skalningslagar, arkitektur, data, efterträning): företaget säger sig ha ökat beräkningseffektiviteten för kod med en faktor 16 jämfört med modellserien Olmo 3, och med upp till 55 gånger för hela träningen. Modellen är tät i stället för en expertblandning för att förenkla infrastrukturen, med en smal och djup arkitektur inspirerad av Gemma 3N (80 lager) och träning i BF16 utan egenutvecklade beräkningskärnor. Den relativt lätta efterträningen nådde 80,5 på Terminal-Bench 2.1 med 1,4 miljoner träningsförlopp med förstärkningsinlärning (rollouts), ungefär 70 gånger färre än Reflection Beam enligt Ricursive.

Modellen genererar 250 tokens per sekund på två B200 (batcher om 8) utan kvantisering och ryms på en DGX Spark med NVFP4-checkpointen. Together AI erbjuder den sedan den 5 november för 0,20 dollar per miljon indatatokens och 0,60 dollar per miljon utdatatokens, med ett fönster på 128K tokens på sin plattform, och Atomic Chat har publicerat en första GGUF genom att porta den till llama.cpp.

🔗 Ricursives tillkännagivande på X · Ripple-65B Preview på Hugging Face · Ripple-65B Preview på Together AI

Kodagenter: Devin Review 2.0, webbappar i Cursor, microVM från Replit och Qwen Code v0.26.8

Cognition lanserar Devin Review 2.0, billigare PR-granskning som är inkrementell som standard

5 november — Cognition lanserar Devin Review 2.0 och gör det till standardverktyget för granskning av pull requests när man arbetar med Devin. Inläggets rubrik anger att granskningen har blivit fem gånger billigare sedan augusti, och kostnaden per PR uppges ha sjunkit med 82 % under perioden tack vare en bättre kombination av modeller och ett optimerat testharness; tillkännagivandetråden från @cognition talar däremot om upp till fem gånger billigare granskning. En typisk granskning kostar mellan 0,25 och 0,75 dollar, och en åtgärdad bugg kostar i genomsnitt cirka 2,25 dollar hos kunderna. Enligt Cognition ökar det genomsnittliga antalet upptäckta buggar per PR från 1,22 till 1,32 och medianlatensen sjunker från 139 till 94 sekunder. Granskningen blir inkrementell som standard: en ny granskning läser bara det som har ändrats, cirka 80 % av alla PR kostar mindre än en dollar, alla pushar inräknade, och ett kostnadstak per PR förhindrar skenande kostnader. Dessutom tillkommer Devin Review Ultra, en mer ingående och dyrare insatsnivå för känslig kod (fakturering, säkerhet), och anpassade granskare (Custom Reviewers) i beta; inga nya priser publiceras.

🔗 Devin Review 2.0 (Cognition)

Cursor bygger, hostar och delar webbappar

5 november — Cursor gör det möjligt att bygga webbappar och dela dem via en länk. Utgångspunkten enligt Cursor är att agenter har sänkt kostnaden för kod, men att de flesta verktyg som skapas aldrig lämnar den lokala datorn (localhost). Man startar en molnagent och ber uttryckligen om en app: Cursor skapar grundstrukturen, skapar en Postgres-databas vid behov, skyddar autentiseringen med Cursor-inloggningen och hostar appen på ett dedikerat konto, isolerat från andra teams konton. Före varje publicering på den valda domänen måste fyra deterministiska kontroller (hemligheter inskrivna i filer, filer med inloggningsuppgifter, .env-filer, source maps) och en AI-baserad säkerhetsgranskning godkännas, varefter användaren uttryckligen publicerar appen. Administratörer ser alla appar och alla hemligheter, lägger till egna granskningsregler och kan avpublicera vilken app som helst. Delning kan riktas till personer, grupper, teamet eller allmänheten; offentlig delning är inaktiverad som standard för Teams och Enterprise. Funktionen finns i alla betalabonnemang med molnagenter, via Cursor Origin eller GitHub, och GitLab uppges komma snart; inget pris för hosting anges.

🔗 Bygg webbappar i Cursor · Cursors dokumentation om appar

Replit skriver om sin sandboxmotor kring microVM:er, var och en med en egen Linux-kärna

4 november — Replit publicerar den första delen i en serie om sin nya sandboxmotor, som lades upp på kvällen den 4 november och spreds vidare dagen därpå. Varje sandbox är nu en microVM, en lätt virtuell maskin med en egen Linux-kärna, i stället för containrar som delar värdsystemets kärna; Replit uppger att företaget har migrerat hundratals miljoner projekt utan dataförlust. Hypervisorn Cloud Hypervisor delar komponenter med Firecracker, och gästkärnan, byggd utifrån tinyconfig, saknar Bluetooth, USB och bildskärmsdrivrutiner.

Granskning av CVE:er i Linux-kärnan (1 juni till 4 november 2026)	Värde enligt Replit
Publicerade och granskade CVE:er	6 211
CVE:er som undviks med den nya motorn	5 969 (96,1 %)
Korrigeringar införda före offentliggörandet	4 375 (70,4 %)
CVE:er som utesluts genom kärnans konfiguration	676 (10,9 %)

För CVE-2026-98432, TCP-sårbarheten som Anthropic har demonstrerat hur man utnyttjar, fanns den korrigerade kärnan på plats redan den 12 oktober. Regler för utgående nätverkstrafik tillämpas utanför gästmaskinen, av en proxy på värdsidan, och mellanhänder för autentiseringsuppgifter anropar GitHub eller Google Docs utan att någonsin lämna ut kontots nyckel till sandboxen. En sandbox blir tillgänglig på ungefär 500 millisekunder; en andra del kommer att handla om orkestrering av tiotusentals microVM:er med Kubernetes.

🔗 Inuti Replits nya sandboxmotor, del 1

Qwen Code v0.26.8 ansluter till Qwens Plus- och Pro-abonnemang

5 november — Qwen Code v0.26.8 återinför inloggning med Qwen-konto, som nu är kopplad till ett abonnemang. I CLI:t, VS Code-tillägget och Desktop-appen gör alternativet ”Qwen-konto med abonnemang” det möjligt att använda ett Plus- eller Pro-abonnemang som tecknats på chat.qwen.ai utan API-nyckel: klienten läser in kontots modellkatalog, använder abonnemanget för chatt och inbyggd webbsökning och vägleder användaren vid autentiseringsfel eller när kvoten eller anropsgränsen nås. Enligt den merge request som inför funktionen är detta alternativ ett svar på att den tidigare kostnadsfria OAuth-tjänsten upphör; varken versionsinformationen eller dokumentationen anger när detta sker eller vad abonnemangen kostar, och CI samt containrar använder fortfarande en API-nyckel. Denna stabila version, utan brytande ändringar, omfattar 83 poster, varav 14 funktioner, 37 korrigeringar och 13 prestandaoptimeringar: Mods kan skicka in egna prompts, och hooks som tillhandahålls av ett projekt måste godkännas i en dialogruta. Desktop-appen v0.26.8 och TypeScript-SDK:t v0.1.28 släpps samma dag.

🔗 Qwen Code v0.26.8

Snabbare inferens: NVIDIAs Vera-CPU, Metas sgl-muse-mega och Runway Characters i realtid

NVIDIA sätter siffror på Vera-processorns försprång gentemot x86 för agenter

5 november — NVIDIA publicerar nya siffror för Vera, företagets processor utformad för agenter. Varje steg hos en agent (söka, fråga en databas, skriva och testa kod, agera) körs på en CPU, och eftersom AI-fabriker begränsas av energitillgången mäter NVIDIA utfört arbete per watt. I företagets egen jämförelse, i skala motsvarande ett datacenter på 100 megawatt, skulle en enda Vera-CPU kunna köra 1,6 gånger så många agenter per watt som den snabbaste x86-processorn och göra agenterna dubbelt så snabba som den mest energieffektiva x86-processorn; ingen av dessa namnges. NVIDIA hänvisar också till resultat från sex partner:

Partner som NVIDIA hänvisar till	Uppgivet resultat med Vera
Perplexity	Agentbaserad kodning 1,5 gånger snabbare än på traditionella CPU:er, planerad driftsättning
DeepInfra	Upp till 2,2 gånger hastigheten hos den bästa x86-processorn vid agentorkestrering
ClickHouse	Nästan linjär skalning över 176 kärnor, överst i ClickBench-rankningen
DuckLabs	Ungefär 1,5 gånger medianprestandan för en Intel Xeon 6 på TPC-H SF1000
Daytona	1 000 sandboxar igång på 10,8 s, jämfört med 88,4 s på x86
Modal	Upp till 2 gånger genomströmningen av sandboxar per kärna jämfört med en jämförbar x86

Inlägget anger varken pris eller tidsplan; Vera presenterades på CES i januari och levererades sedan till AWS i slutet av augusti.

🔗 Vera ger det bästa av två världar (NVIDIA)

Meta publicerar utan tillkännagivande sgl-muse-mega, som avkodar Muse Spark Open upp till 2,1 gånger snabbare på GB300

5 november — Meta har utan tillkännagivande publicerat sgl-muse-mega på facebookresearchs GitHub under MIT-licens: ett plugin för inferensmotorn SGLang som serverar Muse Spark Open, företagets modell med öppna vikter och 816 miljarder parametrar (42 miljarder aktiva), på GB300-GPU:er. I stället för att starta hundratals små beräkningskärnor (kernels) för varje avkodningssteg kör det varje lager i dekodern i en enda start och samlar DFlash2-utkastet, verifieringen och acceptansen vid spekulativ avkodning i en och samma CUDA-graf. Enligt README uppnår en enskild förfrågan upp till 1 109 tokens per sekund på GSM8K med åtta GB300, jämfört med 517 för SGLang med samma utkast, alltså 2,1 gånger så mycket; ett avkodningssteg går från 12,9 ms och 1 450 kärnor till 5,9 ms och 97 kärnor. Vinsten gäller bara vid avkodning av en förfrågan åt gången (övriga förfrågningar faller tillbaka på SGLang), verktyget är märkt som experimentellt och kräver åtta GB300 i samma NVLink-domän, eller fyra på en nod.

🔗 sgl-muse-mega (facebookresearch)

Runway kör videomodellen på 57B för Runway Characters i realtid på fyra H100

5 november — Runway Research publicerar ett inlägg och en arXiv-artikel om hur Runway Characters, företagets videokaraktärer som man kan samtala med i realtid utifrån en enda bild, klarar realtid. En autoregressiv transformermodell för videodiffusion med omkring 57B parametrar måste vid 24 bilder per sekund producera ett block med fyra bilder i 704x1088 var 166,7 ms för en enda användare: det går inte att slå ihop förfrågningar från flera användare, så varje millisekund måste sparas i själva steget. Den första möjligheten till förbättring finns i cachen: 29 % av GPU-tiden gick åt till att bearbeta en nästan oförändrad cache på nytt i vart och ett av de 240 attention-anropen. Genom att tillämpa RoPE och FP8-kvantisering en enda gång, vid skrivning, i en cache organiserad som en ringbuffert minskar Runway underhållet av cachen från 69,7 till 6,2 ms per steg.

Konfiguration uppmätt av Runway	Tid för ett diffusionssteg
Programvaran vid lanseringen, på fyra H100	240,9 ms
Efter optimering, på fyra H100	159,3 ms (24,5 images/s)
Med en kärna som slår ihop reduktion och FP8-beräkning	147,4 ms
På tre B200	154,3 ms

En session ryms nu på fyra H100, jämfört med åtta vid lanseringen. Under sju veckors drift översteg genomsnittet 23,5 bilder per sekund i 99,5 % av sessionerna, och en samtalsrunda tar i median 2,13 s, varav 1,42 s för röstagenten.

🔗 Video i realtid med batchstorlek ett (Runway) · arXiv-artikel 2611.05642

Öppen robotik: LeRobot v0.7.0 från Hugging Face och ToyBlocks från Ai2

Hugging Face släpper LeRobot v0.7.0, som möjliggör samtal med en robot i arbete

5 november — Hugging Face släpper LeRobot v0.7.0, en ny version av sitt öppna robotikbibliotek, samtidigt som Hub är värd för nästan 300 TB data för fysisk AI i LeRobot-format. Med interaktiva sessioner kan man prata med roboten medan den arbetar: /subtask ändrar instruktionen utan att stoppa den, /vqa frågar policyn vad den ser och /autosteer ger den ett mål. De två sistnämnda kommandona kräver en policy som genererar text, som FineART-VLA, tränad på datasetet FineART från Scale AI och Hugging Face (1 718 timmars manipulation med två armar, över 533 000 annoterade deluppgifter), eller en extern VLM-planerare. Vid träning läses dataseten som strömmar från Hub eller LanceDB, utan nedladdning, och stacken går över till FSDP2 och HSDP: för en FastWAM-modell på 6B sjunker den maximala minnesanvändningen vid återupptagen träning från 143 till 42 GB per GPU. Versionen lägger till fyra world action models (Cosmos 3 och Long-WAM från NVIDIA, FLUX 3 Action från Black Forest Labs, LaWAM från RLinf) och fyra vision-language-action-policyer, däribland LingBot-VLA 2.0 och Wall-OSS-0.5. Den medför flera brytande ändringar: PyTorch kompilerad för CUDA 13, asynkron inferens ersatt med en policyserver, Trackio i stället för Weights & Biases.

🔗 LeRobot v0.7.0 (Hugging Face-bloggen)

Ai2 publicerar utan tillkännagivande ToyBlocks, ett simuleringsramverk som genererar demonstrationer för robotar

5 november — Ai2 publicerade delarna av ToyBlocks mellan kvällen den 4 och den 5 november, utan tillkännagivande: ett öppet simuleringsramverk byggt på IsaacSim och IsaacLab, där en robotarm skjuter, vänder och staplar block på ett bord. Poängen är att ersätta teleoperation med automatisk generering av uppgifter och demonstrationer: det publicerade datasetet omfattar 83 496 lyckade demonstrationer av stapling av tre block, motsvarande 143,7 miljoner bilder och nästan 1 600 timmar, på tre svårighetsnivåer, med valideringsdataset på 1 000 episoder per nivå. Två modeller medföljer: Molmo2-4B-tb, en finjusterad Molmo2-4B som läser kamerabilden och målet, anger en kort plan och pekar ut nästa handling (greppa, placera, vända, rotera) och vad den ska riktas mot, vid ungefär 6 Hz, samt en ManiFlow-policy som utför dessa rörelser. Blogginlägget som kodarkiven hänvisar till gav ett 404-fel vid genomgången och den tekniska rapporten uppges komma snart.

🔗 ToyBlocks (allenai)

Anthropic mäter hur forskare använder Claude, utifrån 207 049 forskningssessioner

5 november — Economics-teamet på Anthropic publicerar en rapport om vetenskaplig användning av Claude, baserad på 207 049 forskningssessioner i konsumentabonnemangen mellan den 2 augusti och den 30 september 2026, analyserade med klassificerare som bara behåller etiketter för ämnesområde och uppgift. Claude används betydligt mer inom formalvetenskaperna än deras andel av världens forskning skulle antyda: datavetenskap står för 32,7 % av sessionerna i Claude Code, jämfört med 4,3 % av världens forskare.

Observerat mått	På Claude (Chat och Cowork)	På Claude Code
Analyserade sessioner	128 914	78 135
Andel dataanalys	33,7 %	48,1 %
Andel idégenerering och hypoteser	4,2 %	2,1 %

Forskarna använder främst Claude för att analysera data och skriva, betydligt mindre för att formulera hypoteser, samtidigt som de 528 tillfrågade forskarna rankar idégenerering och datainsamling högst bland de uppgifter som spelar roll; på Claude Science står idégenerering för ungefär dubbelt så stor andel som på Claude. Rapporten skisserar scenarier som presenteras som illustrationer, inte prognoser: om dagens förmågor användes brett skulle forskningsproduktionen öka med en faktor från 1,35 (konst) till 2,02 (statistik); om AI tog över allt icke-fysiskt arbete skulle den öka med en faktor på 15 till 16 inom områden utan laboratoriearbete, jämfört med 3 till 4 inom biologi eller kemi. Omkring 40 % av de tillfrågade forskarna förväntar sig forskningsprojekt som helt drivs av AI senast 2030.

🔗 AI för vetenskapliga upptäckter: Så använder forskare Claude (Anthropic)

OpenAI publicerar en överenskommelse med lokalsamhällena som tar emot företagets datacentercampus

5 november — OpenAI publicerar en nationell överenskommelse med lokalsamhällen (National Community Compact) och en plan för offentlig politik för datacentercampus (Compute Campus Policy Blueprint). Varje framtida campus som OpenAI kommer att äga och driva ska ha en lokal överenskommelse, med samråd tillräckligt tidigt för att kunna påverka projektet, en lokal kontaktperson och en offentlig årsrapport. OpenAI åtar sig att betala hela kostnaden för den el och infrastruktur som behövs, med finansiella garantier för att skydda andra kunder om ett projekt försenas, minskas eller ställs in, att publicera varje anläggnings vatten- och elförbrukning, att prioritera kylning i slutna kretslopp eller med låg vattenförbrukning och att inte kräva sekretessavtal av folkvalda och offentliganställda, annat än för snävt avgränsade skyddsbehov. I Effingham County i Georgia styrde invånarna ett bidrag på 4,8 miljoner dollar till gratis skolmåltider för countyts 14 000 elever; i Pike County i Ohio avsätter OpenAI och SB Energy 6 miljoner dollar till barnomsorg. Planen efterlyser också gemensamma regler från beslutsfattarna: låta stora förbrukare betala de extra kostnader de orsakar elnätet, underlätta anslutningen av campus som kan minska sin efterfrågan, i enlighet med Grid Protectors som lanserades den 2 november, och påskynda utbyggnaden av elöverföringsledningar.

🔗 Att sätta en ny standard för ansvarsfull AI-infrastruktur (OpenAI)

Notiser

Agenter och kodverktyg

Amp och GitLab — Amp integreras med GitLab, både på gitlab.com och på självhanterade instanser: dess molnmiljöer, orbs, klonar och pushar för användarens räkning, öppnar och följer merge requests, och Orb Spawner startar en orb för varje ny merge request eller ärende; ingen prisuppgift. 🔗 källa
Granskning av agenters PR:er hos Warp — Ben Holmes föreslår tre åtgärder mot flaskhalsar i granskningen: en egen granskningsagent som arbetar i flera omgångar, en kontroll från början till slut av agenten och en bedömning av risken vid sammanslagning utifrån fem kriterier, publicerad som en skill /merge-risk. 🔗 källa
Copilot CLI 1.0.106-10 — En ny förhandsversion släpps på npm utan versionsanteckningar; Copilot SDK 1.0.29-preview.9, som inkluderar den, avslöjar experimentell komprimering av historiken och inloggning med enhetskod. Den senaste stabila versionen är fortfarande 1.0.105 från den 28 oktober. 🔗 källa
Copilot Fusion — GitHub fastställer den 30 november som slutdatum för rabatten på 30 % på denna modellrouter, som enligt tillkännagivandet den 28 oktober var tillgänglig för betalda Copilot-abonnemang under en begränsad tid; inlägget presenterar den i GitHub Copilot-appen, Copilot CLI och VS Code. 🔗 källa
Kimi Code 2.5.1 — Åtta korrigeringar, däribland ett slut på upprepade HTTP 400-fel orsakade av tomma systemmeddelanden för dynamiska verktygsscheman och återkomsten av bild- och videoförhandsvisningar i verktygsresultat. 🔗 källa
Kimi Work 3.2.25 — En global sökning omfattar projekt, plugins, skills och samtal, plugins utan behörighet upptäcks under pågående uppgift med ett fönster som vägleder användaren genom behörighetsgivningen, och en ny åtgärd stoppar uppgiften innan den arkiveras. 🔗 källa
CLI mistral 0.17.2 — Två korrigeringar samma dag som Studio utökas: varningslänken för mistral apps deploy öppnar appens Secrets-flik, och mistral agents-kommandon misslyckas inte längre på grund av låset uv.lock när ett shell exporterar UV_DEFAULT_INDEX eller UV_INDEX_URL. 🔗 källa
Codex på iOS — Den 2 november gör ChatGPT för iOS 1.2026.300 det möjligt att lägga till och ta bort bilagor utan att lämna Codex inmatningsfält i helskärmsläge, synkroniserar uppgifternas lässtatus mellan enheter och dirigerar som standard uppföljningar till den pågående uppgiften. 🔗 källa
Antigravity-tillägg — Den 2 november gör VS Code-tillägget 1.11.0 terminalens kontextmarkörer som skickats till samtalet klickbara, och Visual Studio-tillägget 1.0.261102.0 aktiverar inline-diffs som standard, vilka kan godkännas eller avvisas per block eller fil. 🔗 källa
Overview-sida för pull requests — GitHub öppnar en offentlig förhandsversion som användaren kan välja att aktivera, med en sida som placerar sammanslagningsstatus och nästa åtgärder högst upp, en omgjord yta för sammanslagning och filter för samtalet; det går att återgå till den klassiska vyn. 🔗 källa
Discord i Rust — Utanför AI-området visar Discord en ny version av sin klient, ombyggd i Rust, som Zed beskriver som byggd på GPUI, dess UI-ramverk med öppen källkod. 🔗 källa

Företag och partnerskap

DevRev och Codex — I en fallstudie publicerad av OpenAI låter DevRev OpenAI:s modeller, däribland GPT-6.1 Sol, stå för resonemangen hos agenterna Computer och Operator, och säger sig ha flyttat hela sin utvecklingsverksamhet till Codex och övergett sina Cursor-licenser; inga resultatsiffror. 🔗 källa
Replit och SMFL — Replit samarbetar med Sumitomo Mitsui Finance and Leasing för att koppla sin plattform till AssetForce, SMFL:s tjänst för tillgångshantering som används av över 200 företag, för att stödja SMFL:s mål att tiodubbla intäkterna från digitala tjänster till 10 miljarder yen senast 2031. 🔗 källa
Baseten och Nemotron Coalition — Baseten ansluter sig till NVIDIA:s allians kring öppna modeller, som presenterades i mars med Mistral, Black Forest Labs, Cursor, Ai2 och Perplexity, och bidrar med miljöer för förstärkningsinlärning, efterträning och optimerad inferens. 🔗 källa

Plattformar, API och säkerhet

Säkerhet i Claude Enterprise — Anthropic lägger i beta till ett säkerhetscenter som jämför inställningarna för samtal, Cowork och Claude Code med företagets rekommendationer, en centraliserad administrationskonsol och en EDR-sensor (detektering och respons på klientenheter) i Coworks lokala virtuella maskin på macOS och Windows. 🔗 källa
Claude Console och Admin API — I beta avvisar en lista över tillåtna IP-adresser, med upp till 1 000 adresser eller adressintervall per organisation, förfrågningar från andra adresser, vilket begränsar användningen av en läckt API-nyckel, och Admin API kan logga ut en medlem i Claude Enterprise överallt. 🔗 källa
OpenAI:s SDK — openai-python 3.46.0 och openai-node 7.51.0 lägger till alternativ för datahemvist i Australien, Indien och Japan, GPT-6 Rosalind och kontrollerna för Images 2.6, varefter följande versioner lägger till gpt-6-cyber; fortfarande ingen stabil version av Codex CLI sedan 0.166.0 den 29 oktober. 🔗 källa
Gemini API — API:et accepterar nu PPT- och ODP-presentationer samt ODS-kalkylblad, behandlar DOC-dokument som sidbilder, och verktygen kan returnera ljud, video eller Office- och OpenDocument-filer till modellen. 🔗 källa
Perplexitys API — Agent API öppnar ansträngningsnivån ultra, som körs på Claude Opus 5.5 för breda sökningar och inte ska förväxlas med Ultra-nivån i Computers Effort Mode; dagen före fick Decisions API förmågan att läsa texten från en URL innan den söker, för 0,001 dollar per hämtning. 🔗 källa
Agentorkestrering — Perplexity publicerar en guide som jämför tre orkestreringsarkitekturer (centraliserad, decentraliserad, hierarkisk), listar sju vanliga fel och föreslår sju goda arbetssätt, från uppgiftskontrakt till idempotenta återförsök; ingen produktnyhet. 🔗 källa
GitHubs skanning av hemligheter — SpaceX blir partner: en starlink_public_api_v2_secret-identifierare som exponeras i ett offentligt kodarkiv skickas till företaget för återkallelse, och detektorerna för sex leverantörer, däribland AWS och Google Cloud Storage, ger färre falska positiva resultat. 🔗 källa

Infrastruktur och simulering hos NVIDIA

Minne och inferens — Ett förklarande inlägg argumenterar för att hela stacken ska utformas gemensamt när HBM är dyrt och en bristvara: från Blackwell Ultra till Vera Rubin ökar mängden HBM per GPU bara med cirka 3 %, men genomströmningen per dollar ökar upp till 30 gånger i SemiAnalysis AgentX; lagringslösningen NVIDIA CMX samlar nio partner. 🔗 källa
Into the Omniverse — NVIDIA uppdaterar sitt inlägg om simuleringar byggda av agenter, som togs upp den 9 oktober, med ett tiotal projekt som främst genomförts med GPT-6 Astra och ibland Claude, däribland ett lager med 80 transportband, 40 armar och 800 lådor som körs med 30 bilder per sekund; ingen ny produkt. 🔗 källa

Öppna modeller, data och forskning

ML Intern i Slack — Hugging Faces agent med öppen källkod, som utvärderar, förbereder data och finjusterar modeller, blir en Slack-bot som kan installeras i den egna arbetsytan och anslutas till dess data, filer och MCP-servrar; varken prisuppgift eller installationslänk. 🔗 källa
Llama och beslutsmodellerna — Den lokala appen från teamet bakom llama.cpp och Hugging Face, som är gratis på Mac och Windows, kör d1-Omni från Liquid AI och d3-flash, som appen tillskriver vLLM och placerar överst i Jev Decision Index. 🔗 källa
Sand3D — Sandflow publicerar 106 094 3D-objekt, varav 10 456 ledade, vart och ett skrivet som ett kort Python-program i det öppna biblioteket sand3d, med en OpenUSD-export som kan visas i Hubs 3D-visare. 🔗 källa
SimReady Central — Lightwheel beskriver sin roll i NVIDIA:s bibliotek med 3D-objekt på Hugging Face, som nu omfattar över 3 500 OpenUSD-objekt: företaget validerar och justerar deras fysikaliska beteende vid kontakt och i rörelse. 🔗 källa
DreamTac — Ett inlägg presenterar denna datamängd från Pekings universitet, konverterad av Voxel51 för FiftyOne: 703 rörelsebanor för en Franka-arm med fingertoppar av gel, fördelade på 12 uppgifter och 7,03 timmar, där kontakten blir synlig i bilden. 🔗 källa
Talsyntes på libanesisk arabiska — Bilal Zaraket har klonat rösten hos en testare från Beirut med fyra modeller: i en blindbedömning av fem lyssnare med språket som modersmål får den riktiga rösten 4,98 av 5 och den bästa modellen, VoxCPM2, 3,89, och den senare uppfattas som libanesisk i bara 65 % av fallen. 🔗 källa
Guardián colombiano — Hugo Alonso finjusterar Tiny Aya Global (3,35 miljarder parametrar) för att på colombiansk spanska moderera en offentlig vägg för kollektivt minne, på en GPU med 6 GB, i stället för en kedja av tre molntjänster. 🔗 källa
Anvaya-1B — En utvecklare förtränar från grunden en modell med drygt en miljard parametrar på två T4-kort med 16 GB, med PyTorch FSDP och FineWeb, och publicerar den första checkpointen och receptet. 🔗 källa
traj2envs — Hugging Face publicerar utan tillkännagivande ett verktyg som omvandlar agenttrajektorier i ATIF-format till verifierade Harbor-uppgifter för förstärkningsinlärning, med miljöavbilder låsta till bestämda versioner. 🔗 källa

Bild, video och avatarer

Runway och Gemini Omni 1.2 Flash — Runway lägger till Googles nya modell för att skapa och redigera videor på upp till 15 sekunder, justera en scen utan att börja om från grunden och sedan skala upp den till 4K; varken inlägg eller uppgift om kostnaden i krediter. 🔗 källa
HeyGen och Images 2.6 — HeyGen integrerar ChatGPT Images 2.6 för bifigurerna i sina scener, med bättre karaktärsblad och högre konsekvens i HeyGen Video 1; varken priser eller abonnemang anges. 🔗 källa
Lumas Photo Reframe — Efter Expression Sheet och Character Sheet lägger Luma till ett verktyg som fyller i utrymmet runt en bild för att anpassa den till ett Instagram-inlägg, ett skivomslag eller en affisch; varken inlägg eller prisuppgift. 🔗 källa
Manus Studio — Projekt kan nu exporteras till Premiere Pro, DaVinci Resolve, CapCut eller Final Cut Pro för att slutföra redigeringen av en AI-skapad video i ett annat verktyg; varken exportformat eller abonnemang anges. 🔗 källa
Muse Realtime Avatar — Tekniken, som presenterades på Meta Connect och ger Muse Realtime Voice ett ansikte som animeras i realtid, kommer till Muse-appen i USA, utan någon tidsplan för övriga länder. 🔗 källa

Vad det betyder

Offensiv cybersäkerhet skalas upp till industriell nivå, med begränsad åtkomst. GPT-6 Cyber, klassad som Critical, har använts för att validera 948 sårbarheter för privilegieeskalering i Linux-kärnan på tio dagar till en kostnad av 1,2 miljoner dollar, alltså 1 279 dollar per sårbarhet, och för att hitta 81 sårbarheter med hög allvarlighetsgrad i Firefox. OpenAI begränsar modellen till godkända Daybreak Red-kunder, kräver som standard en lista över tillåtna IP-adresser och övervakar en cyberspecifik form av felanpassning. Kapplöpningen handlar nu om hur snabbt rättningar kommer på plats: under kampanjens tio dagar hade andra bidragsgivare redan rättat 61 av dessa sårbarheter upstream och höll på att ta fram rättningar för ytterligare 43, och OpenAI bedömer att automatisk generering av rättningar är nödvändig för att hålla jämna steg. Replit visar den andra änden av kedjan: dess gästkärna innehöll 4 375 rättningar redan innan sårbarheterna offentliggjordes, och TCP-sårbarheten som Anthropic demonstrerade ett utnyttjande av var rättad där redan den 12 oktober.

Agenter som arbetar länge med känsliga data gör isolering och behörigheter till produktens kärna. Perplexitys teamkollegor körs dygnet runt, var och en med eget skrivbord, egen webbläsare och egna cookies; Mistrals hanterade agenter arbetar i timmar eller dagar och kan invänta en persons godkännande; Cursor kör varje app i ett isolerat konto, efter fyra deterministiska kontroller och en AI-granskning. Personal Finance tar principen hela vägen till enbart läsbehörighet: Claude läser saldon och transaktioner via Plaid utan att kunna flytta en enda dollar, och samtalen i dess utrymme används inte för träning. På infrastruktursidan ger Replit varje sandbox en egen Linux-kärna och tillämpar nätverksregler utanför gästmaskinen; på administratörssidan jämför Claude Enterprise nu sina säkerhetsinställningar med Anthropics rekommendationer.

Bild- och videogenerering blir snabbare och billigare och integreras överallt inom några timmar. Images 2.6 genererar bilder 50 % snabbare, Gemini Omni 1.2 Flash förlänger klippen till 15 sekunder samtidigt som priset sänks med 30 %, till cirka 0,07 dollar per sekund i 720p, och Runway kör sina videokaraktärer på 57B i realtid med fyra H100 i stället för åtta. Utrullningen följer direkt: Runway lägger till Omni 1.2 Flash samma dag som modellen släpps, HeyGen integrerar Images 2.6 dagen efter, och Luma placerar sina kreativa verktyg i Claude och ChatGPT. För kreatörer flyttas fokus från valet av modell till vilket verktyg den blir tillgänglig i, ofta redan samma dag.

Kostnaden för inferens blir ett försäljningsargument i sig. NVIDIA säljer Vera utifrån antalet agenter per watt, Meta får Muse Spark Open att avkoda 2,1 gånger snabbare med en enda beräkningskernel per lager, och Cognition har sänkt kostnaden för en kodgranskning med 82 % sedan augusti och hittar samtidigt något fler buggar. Ripple-65B Preview tillämpar samma princip på träning: en tät modell som förtränats från grunden enligt ett recept från Olmo 3 och eftertränats med 1,4 miljoner körningsförlopp för förstärkningsinlärning gör anspråk på förstaplatsen bland amerikanska öppna modeller inom agentbaserad kodning och kan hyras för 0,20 dollar per miljon indatatokens hos Together AI.