Sök

OpenAI integrerar Codex harness i sitt Agents SDK i förhandsversion, Shruti stöder 22 indiska språk och HeliosLM riktar sig till Taiwan

JLS42 /
Artikel genererad av artificiell intelligens
openai codex gpt agents coding-tools devin cognition github copilot github-copilot securite google gemini gemini-cli antigravity qwen alibaba huggingface open-source audio recherche cohere robotique nvidia gpu actualites
OpenAI integrerar Codex harness i sitt Agents SDK i förhandsversion, Shruti stöder 22 indiska språk och HeliosLM riktar sig till Taiwan

Företag i den här utgåvan

Avmarkera det som inte intresserar dig. Ditt val gäller alla utgåvor och sparas på den här enheten.

Stora labb
Kina
Kodverktyg
Infrastruktur och öppen källkod
Övriga

ai-powered-markdown-translator

Artikel översatt från franska till svenska med gpt-6.1-sol.

Visa projekt på GitHub ↗

OpenAI släpper två alfaförhandsversioner av sitt Agents SDK, för Python och för JavaScript, med Codex harness som inbyggd motor: samtalslagring, användningsgränser, kommunikation mellan agenter via A2A och, på Python-sidan, en höjd standardnivå för resonemang. Resten av denna söndag sammanfattas i notiser: versionsinformationen för Devin, två förhandsversioner av GitHub Agentic Workflows, korrigeringar för Antigravity och Gemini CLI, skrivbordsapplikationen Qwen Code och sedan en rad inlägg från communityn på Hugging Face, bland annat om öppna talmodeller för Taiwan och Indiens 22 officiella språk samt en mätning av merkostnaden för turkiska.

OpenAI integrerar Codex harness i sitt Agents SDK: två alfaförhandsversioner med A2A, användningsbudgetar och samtalslagring

8 november — OpenAI släpper två alfaförhandsversioner av sitt Agents SDK: v0.24.0-alpha.7 för Python och v0.22.0-alpha.2 för JavaScript. Serien, som inleddes den 3 november, har Codex harness som inbyggd motor; den tidigare motorn finns kvar som ”Classic”. Python-förhandsversionen distribueras via GitHub Releases, inte via PyPI.

Dessa versioner tillför samtalslagring på applikationssidan, de hostade verktygen FileSearch, CodeInterpreter och ImageGeneration, användningsgränser med RunBudget (anrop, tokens eller uppskattad kostnad), som inte garanterar något utgiftstak, A2A-adaptrar mellan agenter och röstbaserade workflows. Ändringar att förbereda sig på: strikt skrivläge som standard i nya miljöer samt, på Python-sidan, omdöpta godkännandelägen för MCP och en höjd standardnivå för resonemang från low till medium för GPT-6 Astra, GPT-6.1 Sol och GPT-5.6 Sol, om inget annat har angetts uttryckligen.

🔗 Förhandsversion för Python · Förhandsversion för JavaScript

Notiser

Agenter och kodverktyg

  • Versionsinformation för Devin från den 6 november — Tillbakablick: administratörer anger standardsynligheten för nya sessioner och kan begränsa delningen till organisationen, Gerrit-anslutningar synkroniserar grupper och projektåtkomst med behörigheterna i Devin (nya anslutningar kräver Gerrit 3.13 eller senare), och en knapp loggar ut alla enheter på en gång, från webbapplikationen till mobilapplikationerna. Inget pris anges. 🔗 källa
  • GitHub Agentic Workflows 1.2.0 och 1.2.1 — Två förhandsversioner publicerade den 4 och 6 november, efter den allmänna lanseringen den 28 oktober. Ett workflow som utlöses av pull_request_target från en fork kräver nu ett uttryckligt godkännande för obegränsad användning, en bakåtinkompatibel ändring; dessutom tillkommer en granskare av pull requests som styrs av projektets specifikation, en experimentell deklarativ motor, Atomic, och säkerhetsgranskningar som stoppar processen (fail closed) om de förblir olösta. 🔗 källa
  • Antigravity 2.29.1 — Tillbakablick från den 6 november: denna version av applikationen rättar fyra fel i röstläget Gemini Live. Röstläget ber nu användaren att logga in igen när kontoanslutningen behöver förnyas, läser upp länkar och @-omnämnanden i meddelanden som skrivs under ett samtal, kopplar inte längre äldre yttranden till den senaste meningen och visar inte längre delar av svar som aldrig hördes efter ett avbrott. 🔗 källa
  • Gemini CLI, PR 30183 — Den slogs samman med main den 6 november men har ännu inte släppts i någon version och gör tidsgränsen på 60 sekunder för de första svarshuvudena konfigurerbar. Denna gräns avbröt tidigare anrop med lång resonemangstid och körde om dem från början, oavsett anslutningsläge (variabeln GEMINI_API_HEADERS_TIMEOUT_MS eller inställningen model.requestTimeoutMs). 🔗 källa
  • Qwen Code Desktop v0.27.0 och TypeScript SDK v0.1.30 — Släppta den 8 november, dagen efter den stabila CLI-versionen v0.27.0, utan några helt nya funktioner: applikationen tar över de 112 ändringarna från CLI-versionerna v0.26.9 och v0.27.0, och SDK:t innehåller CLI 0.27.0. Desktop levereras för macOS, Windows x64 och Linux (AppImage, .deb, RPM för Fedora 44 och RHEL 10). 🔗 källa

Öppna modeller för tal och regionala språk

  • HeliosLM — Chien-Hsin Lin publicerar en första serie öppna modeller avsedda för Taiwan: en samtalsmodell och en säkerhetsklassificerare baserade på Gemma 4 E4B-it samt två taligenkänningsmodeller baserade på Whisper large-v3. Enligt hans mätningar sjunker felfrekvensen per tecken från 231,13 till 32,69 % för taiwanesiska (hokkien) i Common Voice och från 15,25 till 5,10 % för taiwanesisk mandarin. 🔗 källa
  • Shruti — Udgam Labs, som skapat den lilla modellen Laghu, släpper 22 taligenkänningsmodeller under Apache-2.0, en för varje språk i den indiska konstitutionens åttonde bilaga. Var och en är cirka 30 MB, transkriberar även engelska och fungerar offline, till och med på en telefon från 2021; tillsammans tar de 22 modellerna 653 MB, ungefär en fjärdedel av IndicConformer-600M. I verkliga samtal blir fortfarande 22,9 till 56,8 % av orden fel, enligt teamet. 🔗 källa
  • Den turkiska skatten — Serkan Peker uppskattar att det med vLLM på en H200 krävs 1,45 till 1,62 gånger så mycket GPU-tid för att producera samma text på turkiska som på engelska med fyra öppna modeller (Turkish-Gemma-9b-T1, Gemma 4 12B, Ministral 3 14B och Qwen3.8-27B), varav 76 till 82 % förklaras av det större antalet tokens. Av sju tokenizers är det bara den för den turkiska modellen Kumru-2B som förbrukar färre tokens på turkiska än på engelska. 🔗 källa

Forskning och data från communityn

  • Tiny Aya Global på Lexsi Labs hackathon — Tre team från Lexsi Labs hackathon för säkerhet och alignment publicerar sina finjusterade versioner av denna öppna modell från Cohere Labs (3,35 miljarder parametrar). Enligt deras egna mätningar höjer SafeQuery en SQL-agents framgångsgrad från 19,8 till 99,1 % utan att ge efter för de testade injektionsattackerna, TaxOps fyller i 93,3 % av de syntetiska skattedeklarationerna korrekt och SafetyPulse minskar andelen lyckade HarmBench-attacker från 25,2 till 12,3 %. 🔗 SafeQuery · 🔗 TaxOps · 🔗 SafetyPulse
  • Radera en stil genom att ändra vikterna — Javad Taghia publicerar ett experiment där GPT-6 Astra, med verktygsåtkomst till vikterna i en liten diffusionsmodell (segmind/tiny-sd) men utan gradienter, ska radera dess Van Gogh-stil. Enligt hans förregistrerade protokoll tar agenten bort 11,5 fler stilpoäng än UCE-metoden, med lika stor försämring för närliggande målares stilar, och slår en slumpmässig sökning med samma verktyg med 52 poäng. 🔗 källa
  • SEW Multimodal AMR i FiftyOne — Harpreet Sahota publicerar den 7 november en konvertering för FiftyOne av detta dataset med 3 151 annoterade bilder i 55 MCAP-episoder, insamlade av SEW-EURODRIVE:s autonoma mobila robot med sex typer av sensorer (RGB-kameror och värmekameror, djup, 4D-radar, laserskannrar, ultraljud), för att jämföra vad varje sensor uppfattar av samma scen. 🔗 källa

GPU-infrastruktur

  • NVIDIA DSX OS, inlägg från den 5 november — Tillbakablick: NVIDIA beskriver hur de tre open source-komponenterna i DSX OS, under Apache 2.0-licens, stöder ett GPU-kluster i Kubernetes. AICR låser konfigurationen i versionshanterade recept, NVCRE certifierar den med verkliga arbetslaster (NCCL-tester, DCGM-diagnostik på nivå 4, förträning med NeMo) och NVSentinel tar en reparerad nod i drift igen först när testerna har godkänts. 🔗 källa

Vad det innebär

Med dessa förhandsversioner blir den harness som driver Codex den inbyggda motorn i Agents SDK, både i Python och i JavaScript. Flera av funktionerna fanns redan i OpenAI:s hostade Agents API, till exempel budgettaket, i beta på begäran sedan den 6 november, eller komprimeringen av kontexten; SDK:t för dem närmare applikationens kod, som sparar sina samtal i egen lagring och kommunicerar med andra agenter via A2A. Priset är det som hör till en alfafas: gränssnitt som ändras mellan versioner, Python-distribution utanför PyPI och en höjd standardnivå för resonemang på Python-sidan, vilket ändrar beteendet i projekt som inte själva anger nivån.

Standardinställningarna skärps också i agentverktygen. OpenAI:s SDK använder strikt skrivläge för nya miljöer, GitHub Agentic Workflows kräver ett uttryckligt godkännande för obegränsad användning av workflows som utlöses från en fork och stoppar processen vid säkerhetsgranskningar som förblir olösta, och Devin låter administratörer ange sessionernas synlighet och begränsa delningen. Både hos GitHub och hos OpenAI kräver uppdateringen en kontroll: ändringen är bakåtinkompatibel för gh-aw, och Python-SDK:t avvisar de gamla namnen på godkännandelägena för MCP.

Flera inlägg från communityn riktar sig till språk som de stora modellerna hanterar dåligt. HeliosLM minskar felfrekvensen för Whisper large-v3 på taiwanesiska från 231,13 till 32,69 %, Shruti får plats med taligenkänning för 22 indiska språk i filer på cirka 30 MB som fungerar offline, och Serkan Peker sätter siffror på kostnaden för ett språk som delas upp ineffektivt i tokens: 1,45 till 1,62 gånger så mycket GPU-tid för turkiska som för engelska. Udgam Labs sammanfattar hindret: att bygga för dessa språk har hittills inneburit en molnräkning per minut, en modell på flera gigabyte eller tillstånd från ett stort företag. Alla dessa siffror har mätts av upphovspersonerna själva, och Udgam Labs redovisar själva Shrutis begränsningar: i verkliga samtal blir upp till 56,8 % av orden fortfarande fel.

Källor