Meta släpper Muse Spark Open med 816 miljarder parametrar och öppna vikter, NVIDIA lanserar Nemotron 3.5 Super VL, Cohere ska köpa AISLE

Meta publicerar vikterna för Muse Spark Open, en multimodal mixture-of-experts-modell med 816 miljarder parametrar som företaget presenterar som den bäst presterande öppna amerikanska modellen, med stöd redan samma dag från NVIDIA, Hugging Face och sju API-leverantörer. NVIDIA släpper också öppna Nemotron 3.5 Super VL, en modell med 120 miljarder parametrar för agenter, medan Cohere undertecknar en avsiktsförklaring om att köpa AISLE, specialist på autonom upptäckt av sårbarheter, och bildar Cohere Cyber. Perplexity släpper SPACE, Computers sandlåda, som open source, Black Forest Labs öppnar vikterna för FLUX 3 Image Klein, och Cognition lanserar Devin Oncall, en jouragent som utreder incidenter i produktion.

Muse Spark Open: Meta släpper en öppen multimodal MoE med 816 miljarder parametrar, NVIDIA och Hugging Face följer efter samma dag

15 oktober — Meta publicerar vikterna för Muse Spark Open, en multimodal modell med en blandning av experter (mixture-of-experts, MoE) och 816 miljarder parametrar, varav 42 miljarder aktiva per token, med ett kontextfönster på en miljon tokens. Modellen läser text, bilder, video och ljud och svarar med text; Meta har tränat den för kod och agentbaserat arbete. I Muse-familjen blir den den stora öppna modellen, ovanför Muse Glimmer, den lilla täta modellen med 30 miljarder parametrar som släpptes i augusti, och kommer tre dagar efter Muse Wonder, som förblivit sluten.

Today we’re releasing Muse Spark Open, the most capable US open-weight model to date. Built for coding and agentic work, it excels at long-horizon tasks, complex software engineering, and multi-step reasoning.

🇸🇪 I dag släpper vi Muse Spark Open, den bäst presterande amerikanska modellen med öppna vikter hittills. Den är utformad för kod och agentbaserat arbete och utmärker sig i långvariga uppgifter, komplex programvaruutveckling och resonemang i flera steg. — @AIatMeta på X

Superlativet ska tolkas strikt. I tabellen på modellkortet på Hugging Face, där modellen utvärderas med inställningen xhigh, leder Muse Spark Open på åtta rader i den fullständiga tabellen, däribland användning av MCP-verktyg och JobBench, men de stora öppna kinesiska modellerna ligger fortfarande före på Artificial Analysis index (45 för GLM 5.3, 44 för Kimi K3, mot 39) och inom kod. Av de tre andra amerikanska modellerna i tabellen, Inkling från Thinking Machines, Nemotron 3 Ultra från NVIDIA och Beam från Reflection AI, är det bara Beam som överträffar den i förmåga, på GPQA Diamond (90,5 mot 89,0) och Terminal-Bench 2.1 (80,1 mot 76,4).

Utvärdering (modellkortet på Hugging Face)	Muse Spark Opens poäng (xhigh)	Bästa konkurrent i tabellen
MCP-Atlas	89,2	84,5 (Qwen3.8-2.4T-A95B)
JobBench	61,8	61,4 (GLM 5.3)
HLE-Diamond (utan verktyg)	26,1	22,2 (Kimi K3)
Artificial Analysis-index	39	45 (GLM 5.3)
OSWorld Verified	80,4	84,8 (Kimi K3)
DeepSWE 1.1	60	68 (Kimi K3)
Terminal-Bench 2.1 (Terminus 2)	76,4	85,0 (Kimi K3)
StrongREJECT v2 (lägre = bättre)	0,5	62,9 (GLM 5.3)

Eftersom alla experter ligger kvar i minnet krävs minneskapaciteten för en modell med 816 miljarder parametrar för att få hastigheten hos en modell med 42 miljarder. BF16-vikterna tar cirka 1,5 TB (arkivet Muse-Spark-Open-816B-A42B på Hugging Face, som blir tillgängligt efter att ett formulär fyllts i), och en NVFP4-version ryms på en enda B200-nod. Meta betonar ändå lokal körning: modellen är optimerad för två sammankopplade Mac Studio M5 Ultra med MLX, som var och en erbjuder upp till 512 GB enhetligt minne. Hugging Face har testat en enklare konfiguration, på en enda Mac M3 Ultra med 512 GB: en 2-bitarsversion i llama.cpp tar 304 GB och producerar 18 tokens per sekund.

Vikterna publiceras under Muse Model License, med begränsningar för kommersiell användning, som enligt Meta låter många utvecklare använda modellen gratis. Sju leverantörer tillhandahåller den redan från första dagen: Baseten, Fireworks AI, Groq, Modal, Nebius, OpenRouter och Together AI. Meta uppger att man har lagt till säkerhetsinriktad efterträning särskilt för öppna vikter och uppnått publiceringströsklarna i sitt Meta Superintelligence Scaling Framework, som uppdaterades den 2 oktober. På StrongREJECT v2, där en låg poäng är bättre, får modellen 0,5, mot 62,9 till 86,4 för de andra utvärderade modellerna. På FORTRESS får den bäst poäng för genomsnittlig risk (5,8, mot 21,6 till 28,2) men högst poäng för överdriven vägran i tabellen (17,4, mot 2,7 till 13,3).

NVIDIA kompletterar lanseringen med ett tekniskt blogginlägg: Muse Spark Open tränades på GB300 NVL72-rack, och de NVFP4-checkpoints som Meta tagit fram är optimerade för Blackwell Ultra. Vid agentbaserade arbetsbelastningar uppger NVIDIA upp till 50 000 tokens per sekund per GPU och upp till 600 tokens per sekund per användare, och publicerar driftsättningsrecept för SGLang, vLLM, TensorRT LLM och Dynamo, en NIM samt efterträning med NeMo AutoModel.

Resten av ekosystemet följde efter under dagen: Transformers och TRL integrerar modellen (se nedan), mlx-lm 0.32.0 lägger till NVFP4-versionen, Unsloth presenterar en 2-bitarsversion som ryms i cirka 256 GB, och Meta levererar Helion-kärnor för SGLang med upp till 3,95 gånger högre hastighet på kärnnivå. I sitt blogginlägg finjusterar Hugging Face till och med hela modellen på 64 H100-GPU:er, med en genomsnittlig träffsäkerhet per token som ökar från 72 till 84 %.

🔗 Metas blogginlägg · Modellkortet (Hugging Face) · Hugging Faces blogginlägg · NVIDIAs tekniska blogginlägg

Nemotron 3.5 Super VL: NVIDIA släpper en öppen multimodal modell med 120 miljarder parametrar för agenter, Perplexity integrerar den samma dag

15 oktober — NVIDIA publicerar Nemotron 3.5 Super VL, en öppen mixture-of-experts-modell med 120 miljarder parametrar, varav 12 miljarder aktiva per token. Den förenar resonemang, instruktionsföljning och verktygsanrop med förståelse av text, bilder, dokument och video, för agenter som utför långa uppgifter i följd: en och samma modell läser en webbsida, ett diagram eller en PDF och agerar sedan, utan att kontexten behöver överföras från en textmodell till en bildmodell. Enligt NVIDIA når den på multimodala agentuppgifter en träffsäkerhet jämförbar med företagets största resonemangsmodell, med ungefär en femtedel så många parametrar.

Utvärdering som NVIDIA redovisar	Nemotron 3.5 Super VL:s poäng	Jämförelsepunkt
Hermes Bench	63,44 %	56,33 % (Nemotron 3 Ultra)
LangChain-beteendeutvärderingar	87,05 %	84,3 % (Nemotron 3 Ultra)
CharXiv (diagramläsning)	80,8 % (84 % med Python-kod)	63 % (Nemotron 3 Nano Omni)

NVIDIA lyfter framför allt fram effektiviteten: på en enda GPU upp till 5 gånger högre genomströmning än andra öppna modeller i samma storleksklass på agentuppgifter, över 600 tokens per sekund på agentuppgifterna i Artificial Analysis index via Baseten, och 10 000 koduppgifter slutförda upp till 4 gånger snabbare samtidigt som träffsäkerheten på SWE-Bench Pro förblir hög. Modellen har destillerats från Nemotron 3 Ultra och överträffar denna i de två utvärderingarna med testharness i tabellen. Vid servering accelererar den spekulativa avkodningen LiLiCorr genereringen upp till 2,3 gånger på DGX Spark, och Dynamo betjänar upp till 8 gånger fler användare på 16 B200-GPU:er med 50 tokens per sekund vardera, med 85 % lägre latens till första token.

Publiceringen är komplett: basvikter, eftertränade vikter och vikter kvantiserade i NVFP4, recept, miljöer för förstärkningsinlärning i NeMo Gym och öppna dataset, däribland 40 dataset för bild och språk och en korpus med cirka 2 800 miljarder tokens på 22 indiska språk, framtagen tillsammans med IIT Madras och dess laboratorium AI4Bharat. Modellen har sett cirka 26 000 miljarder tokens under träningen. Den är tillgänglig på Hugging Face, OpenRouter, ModelScope och som NIM-mikrotjänst, utan angivet pris; NVIDIA nämner anpassningar hos Scale AI för Skydance, med en uppgiven inferenskostnad som minskats till en fyrtiondel, samt hos Ramp, AI21 och Alice.

Perplexity lade till den samma dag för sina Pro- och Max-abonnenter och i sitt Agent API. API:ets changelog anger ett pris för perplexity/nemotron-3.5-super-120b-a12b på 0,20 dollar per miljon tokens i indata (0,04 dollar vid cachelagring) och 0,50 dollar i utdata, med 1 048 576 tokens i kontexten och upp till 131 072 genererade tokens, som ersättning för Nemotron 3 Ultra. En liten inkonsekvens: den här posten beskriver en modell som bara tar text som indata, medan Perplexitys tweet presenterar VL-versionen, som även läser bilder.

Samma dag kommer Nemotron 3.5 Bolt 74B-A9B 24GB, som presenterades den 13 oktober, till Hugging Face: den är kvantiserad direkt i 2 bitar för att rymmas i 24 GB, riktar sig till bärbara RTX Spark-datorer som blir tillgängliga den 16 oktober och körs med llama.cpp, Ollama, LM Studio, Unsloth och vLLM. NVIDIA rankar den främst bland öppna modeller i sin kategori på PinchBench; Bolt E4B 4GB följer den 23 oktober.

🔗 NVIDIAs tillkännagivande · NVIDIAs tekniska blogginlägg · Perplexitys tillkännagivande · Changelog för Perplexitys API

Cybersäkerhet: Cohere ska köpa AISLE och bildar Cohere Cyber, GitHub gör AI Scan och agentbaserad autofix allmänt tillgängliga

Samma dag använder två aktörer AI för att söka efter och åtgärda sårbarheter: Cohere köper kompetensen, GitHub inför tekniken brett i sin code scanning.

15 oktober — Cohere ska köpa AISLE, ett ungt bolag som bygger autonoma system som kan upptäcka, validera och hjälpa till att åtgärda tidigare okända sårbarheter i kritisk programvara. De båda företagen har undertecknat en avsiktsförklaring (Letter of Intent): affären är ännu inte slutförd, och varken köpesumman eller tidsplanen har offentliggjorts. När affären slutförs blir AISLE:s huvudkontor i Prag Coheres Pragkontor.

Publicerad uppgift om AISLE	Angivet värde
Grundat	2024
Tidigare okända sårbarheter som fått ett CVE-id	Över 500, i över 100 kodbaser
OpenSSL, säkerhetspubliceringen i januari	Samtliga 12 offentliggjorda sårbarheter
curl, senaste versionen	18 av 24 CVE
CVE med hög eller kritisk allvarlighetsgrad	Över 200 (enligt Aidan Gomez)

Aisle is the state-of-the-art in defensive cyber, having found 200+ High/Critical CVEs in critical software like curl, FFmpeg, FreeBSD, Wireshark.

🇸🇪 Aisle ligger i framkant inom cyberförsvar, med över 200 CVE med hög eller kritisk allvarlighetsgrad som hittats i kritisk programvara som curl, FFmpeg, FreeBSD och Wireshark. — @aidangomez på X

I samma tråd hävdar Aidan Gomez, som leder Cohere, att AISLE har presterat bättre än Glasswing (Mythos) hos Anthropic och Daybreak hos OpenAI, med 29 nya CVE i curl medan Mythos inte ska ha hittat någon; den siffran stämmer inte överens med de ”18 av 24 CVE” som anges i de båda företagens blogginlägg.

AISLE:s grundarteam får ledande befattningar. Ondrej Vlcek, AISLE:s vd, blir Senior Vice President för Cohere Cyber, en ny enhet med uppdrag att leverera cybersäkerhetslösningar till Coheres kunder; Jaya Baloo blir Chief Information Security Officer för Cohere globalt; Stanislav Fort, CTO och Chief Scientist på AISLE, blir Vice President AI Security och ska arbeta med Ivan Zhang, Coheres CTO, för att koppla säkerhetsforskningen till utvecklingen och träningen av modeller.

Cohere ser detta som ytterligare ett steg i sin Europastrategi efter Reliant AI och Aleph Alpha: bolaget planerar en ”betydande” och långsiktig investering i Prag, som ska bli dess globala centrum för AI-cybersäkerhet, en kort resa från det nya huvudkontoret i Berlin enligt Aidan Gomez. Målet är dubbelt: att fortsätta AISLE:s arbete med säkerhet i programvara med öppen källkod och att låta operatörer av kritisk infrastruktur analysera sin programvara helt privat, även i frånkopplade miljöer (air-gapped). Båda blogginläggen lägger också till ett argument på modellsidan: svåra men verifierbara säkerhetsproblem kan användas för att utvärdera och förbättra Coheres framtida modeller.

🔗 Coheres blogginlägg · AISLE:s blogginlägg

GitHub: AI Scan för pull requests och agentbaserad autofix av varningar blir allmänt tillgängliga

15 oktober — GitHub gör två AI-baserade komponenter i sin code scanning allmänt tillgängliga: en som hittar sårbarheter i pull requests och en som åtgärdar varningar.

AI Scan för pull requests kompletterar CodeQL där analysverktyget ännu inte täcker in språken: PHP, Shell/Bash, Terraform-konfiguration (HCL), Dockerfiles, JSP för Java eller Blazor för C#. Den startar automatiskt för varje pull request när code scanning och inställningen AI Scan är aktiverade i kodarkivet. Resultaten visas bredvid resultaten från CodeQL, märkta med ”AI”, ibland med en förklaring av risken och ett föreslaget åtgärdsförslag. De är endast rådgivande: de får inte kontrollen att misslyckas och kan inte blockera en sammanslagning. Analysen körs varken på pull requests från forks eller på sådana från Dependabot.

Agentbaserad autofix (agentic autofix) hanterar i sin tur en varning som tilldelats Copilot: den undersöker berörda filer, föreslår en korrigering, kör CodeQL igen för att kontrollera att varningen verkligen har stängts, upprepar vid behov och öppnar sedan en pull request som utkast. Man kan tilldela den en varning från standardgrenen, upp till 25 varningar att åtgärda i en enda pull request, eller använda REST-API:et genom att tilldela varningen till copilot-swe-agent[bot]. När funktionen är aktiverad ersätter den det kostnadsfria alternativet Generate Fix.

Allmänt tillgänglig GitHub-komponent	Abonnemang och villkor	Debiteringssätt
AI Scan för pull requests	Offentliga kodarkiv; Code Security eller Advanced Security för organisationers privata och interna kodarkiv, utan Copilot-licens	Code Security AI Credits
Agentbaserad autofix av varningar	Code Security eller Advanced Security på GitHub Enterprise Cloud, inklusive datalagring i vald region; policyn Agentic autofix och en betalningsmetod för Copilot krävs	AI Credits från Code Security-budgeten och GitHub Actions-minuter

De två lanseringarna avslutar en serie som har bevakats här sedan september: API:et för att aktivera AI Scan den 10 september, agentbaserad autofix med stöd av Copilot Memory i förhandsversion den 25 september och mätvärden för AI Scan i security overview den 13 oktober.

🔗 AI Scan för pull requests (GitHubs ändringslogg) · Agentbaserad autofix för code scanning-varningar (GitHubs ändringslogg)

SPACE: Perplexity släpper Computers sandlåda som öppen källkod under Apache 2.0-licensen

15 oktober — Perplexity släpper SPACE (Sandboxed Platform for Agentic Code Execution) som öppen källkod, plattformen för sandlådor (sandboxes) som kör varje uppgift i Perplexity Computer. Dagen före beskrev Perplexity hur SPACE styr varje begäran till rätt sandlådekörning. Nu finns själva koden tillgänglig på GitHub under Apache 2.0-licensen. Varje agentuppgift körs i en egen Firecracker-microVM, och både autentiseringsuppgifter och utgående trafik kontrolleras utanför den virtuella maskinen.

Säkerhetsprincipen bygger på en idé: sandlådan betraktas som opålitlig. Computers agenter kör kommandon, installerar paket och anropar externa tjänster med root-behörighet, men värdsystemet förblir utom räckhåll. En separat gateway för varje sandlåda tillämpar policyn för utgående trafik på varje anslutning. Agenterna får tillgång till tillåtna tjänster utan att autentiseringsuppgifterna lagras i deras arbetsmiljö. En sandlåda lever också vidare efter den begäran som skapade den: den kan pausas, dupliceras (fork) eller sparas i viloläge som en ögonblicksbild av minne och disk och sedan återupptas.

Del av SPACE	Värde enligt Perplexity
Kodarkivets språk och licens	Rust, Apache 2.0
Isolering	En Firecracker-microVM per agentuppgift
Volym i produktion	Miljontals sandlådor skapade per dag, för alla Computer-sessioner sedan juli
Skapande jämfört med den tidigare leverantören	Tre till fem gånger snabbare, med samma produktionstrafik
Escaping SPACE, Part I	Ingen utbrytning till värdsystemet på 108 försök
Versionsplan	0.8.0 som offentlig basversion, därefter 0.9.0 och 1.0.0

Utvärderingen Escaping SPACE i september hittade ingen utbrytning från den virtuella maskinen till värdsystemet, men däremot sätt att kringgå nätverksbegränsningarna. De har åtgärdats, och de identifierade metoderna fungerade inte längre i efterföljande tester, enligt inlägget. Kodarkivet, skrivet i Rust, kan installeras lokalt på ett Kubernetes-kluster för testning (Kind), erbjuder pooler med förvärmda sandlådor (warm pools) och ett kompatibilitetslager för E2B:s API, testat med dess Python-SDK. 0.9.0 blir den sista versionen med bakåtinkompatibla ändringar före en 1.0 med stabila kontrakt.

CoreWeave och Akamai har testat och driftsatt SPACE på sina plattformar och arbetar med att erbjuda det till sina kunder. Crusoe kommer att lägga till det i sitt utbud av Managed AI Services. Perplexity presenterar SPACE som den första komponenten i sin plattform för agentkörning (Agentic Runtime Platform), som öppnas för att höja säkerhetsnivån i agentbaserade produkter.

🔗 Perplexitys inlägg · Tråden från @perplexity_ai · SPACE-kodarkivet (GitHub)

Generativa medier: FLUX 3 Image Klein med öppna vikter på en konsument-GPU, Kling 4.0 för alla och Instant Soundtracks från ElevenLabs

15 oktober — Black Forest Labs släpper FLUX 3 Image Klein, en bildmodell med öppna vikter och 5,6 miljarder parametrar, som enbart består av en generator och körs på en enda konsument-GPU. Samma modell genererar bilder från text och redigerar utifrån en eller flera referenser, upp till 10 bilder. Den tar över de viktigaste funktionerna från FLUX 3 Image, som lanserades den 1 oktober: inbyggd 4K-generering, redigering med pixelprecision och begränsningsrutor (bounding boxes), som anger ett elements placering i prompten eller begränsar en redigering till ett område.

Enligt BFL:s interna utvärderingar kommer Klein först inom text till bild, användning av flera referenser och redigering jämfört med större öppna modeller, Qwen-Image 2.1 (7B) och Krea 2 (12,9B). Den placerar sig också över de två slutna modellerna i jämförelsen, Ideogram V4.5 och FLUX.2 [pro]. Jämfört med föregångaren FLUX.2 [klein] 9B vinner den 91 Elo-poäng inom text till bild och 70 inom redigering, med 38 % färre parametrar.

Testad konfiguration	Uppgivet resultat
Vikter i BF16 / i FP8	11,2 Go / 5,6 Go
INT8-version på GeForce RTX (ComfyUI eller Diffusers)	Körs med 8 Go VRAM
RTX 5090, destillerad version i INT8 (NVIDIA-mätning)	Cirka 4 s per bild på 1 megapixel
RTX 4070, destillerad version i INT8 (NVIDIA-mätning)	Under 9 s per bild på 1 megapixel
H100, destillerad version i Diffusers	Cirka 2 s per bild på 1024 × 1024 pixlar
GB300, destillerad version i NVFP4	Under 0,6 s per bild på 1 megapixel

Hugging Face integrerade den i Diffusers samma dag, med två checkpoints: den destillerade versionen, med 16 steg och utan CFG, och basversionen, med 50 steg, avsedd för finjustering. Dessutom finns vikter i NVFP4 och FP8, textkodaren Qwen3-VL och skript för LoRA-finjustering. I NVFP4 når den högsta minnesanvändningen efter inferens 15,3 Gio på en RTX 6000. ComfyUI, TensorRT-LLM, SGLang Diffusion och vLLM-Omni stöder den också från lanseringen, och versionerna i FP8, INT8 och NVFP4 har utvecklats tillsammans med NVIDIA.

Vikterna publiceras under FLUX Kommunity-licensen, som är kostnadsfri för kommersiell användning av privatpersoner och företag med en årsomsättning under 5 miljoner dollar samt för forskning. Över den gränsen krävs en licens för egen drift eller användning av API:et. BFL:s API erbjuder flux-3-image-klein från 0,009 dollar per 1K-bild. Det är den andra öppna modellen i FLUX 3-familjen, efter FLUX 3 Action, och BFL meddelar att fler kommer.

🔗 Black Forest Labs inlägg · Tillkännagivandet från @bfl_ai · FLUX 3 Image Klein i Diffusers (Hugging Face)

Kling 4.0 blir fullt tillgängligt, med åtkomst via MCP och kommandoraden

15 oktober — Kling AI gör Kling 4.0 tillgängligt för alla, efter att tidig åtkomst öppnades den 30 september. Videomodellen kan användas i ett omarbetat skapargränssnitt på kling.ai och, som en nyhet, via MCP och kommandoraden (CLI), vilket gör att den kan integreras i produktionsflöden med verktygsstöd. Två funktioner aviseras som kommande, utan datum: videoutmatning i 10-bitars HDR i 4K och 1080p samt API-åtkomst för företag och utvecklare. Specifikationerna som presenterades den 28 september gäller fortfarande: klipp på 3 till 30 sekunder, upp till 4K, stereoljud, 10 nyckelbilder, 15 referenser och prompter på 8 000 tokens. Tillkännagivandet anger varken pris eller benchmark.

🔗 Kling AI:s tillkännagivande · Klings versionsinformation

Instant Soundtracks: ElevenLabs komponerar synkroniserad musik och ljudeffekter utifrån en video

15 oktober — ElevenLabs lanserar Instant Soundtracks i ElevenCreative: man laddar upp en video och modellen komponerar originalmusik, identifierar tillfällen som behöver en ljudeffekt och placerar varje effekt vid rätt tidsstämpel, till exempel ett ”whoosh” synkroniserat med slutlogotypen i en reklamfilm. Verktyget riktar sig till korta format, med snävare synkronisering mot klipp och övergångar, växlar musikalisk stämning mellan scener och kan använda originalljudet som referens (genre, tempo, instrumentering). Effekterna levereras på separata spår som kan redigeras före export.

Parameter i ElevenCreative Studio-API:et	Parameterns funktion
`add_sfx`	Lägger till synkroniserade ljudeffekter
`separate_tracks`	Returnerar musik och effekter i separata filer (.ZIP)
`use_audio_as_reference`	Använder originalljudet som musikalisk referens

Instant Soundtracks finns tillgängligt i ElevenCreative, ElevenMusic och API:et, som accepterar upp till 10 videor, 200 Mo och sammanlagt 10 minuter video per begäran. ElevenLabs anger inget pris.

🔗 ElevenLabs tillkännagivande

Kodagenter: Cognition lanserar Devin Oncall, Claude Code 2.1.301 och Code Review, Delta 0.20, Antigravity CLI 1.3.6, Codex hos OpenAI, MX Keypad

15 oktober — Cognition lanserar Devin Oncall, som nu är allmänt tillgängligt: Devin undersöker automatiskt varningar och buggrapporter och hjälper sedan teamet att diagnostisera och lösa produktionsincidenter. Det kan direkt anslutas till bland annat Datadog, Dynatrace och Sentry och hanterar enligt Cognition redan tusentals produktionsvarningar varje dag hos några av världens största företag. Arkitekturen är oberoende av modell: Cognition väljer den mest effektiva för varje jouruppgift.

Utvärderad agent och modell	Framgång från början till slut (SREGym-Lite)	Poängens källa
Devin Oncall + Claude Opus 5.5	100 % (på 2 min 21 s)	Cognitions interna utvärdering
Devin Oncall + GPT-6 Astra	100 %	Cognitions interna utvärdering
Devin Oncall + GPT-6.1 Sol	94,1 %	Cognitions interna utvärdering
Devin Oncall + Claude Fable 5.1	85,3 %	Cognitions interna utvärdering
CloudThinker + Claude Opus 5	76,5 %	SREGyms offentliga ranking
Codex + GPT-5.6 Sol	76,5 %	SREGyms offentliga ranking
Claude Code + Claude Sonnet 5	45,1 %	SREGyms offentliga ranking

SREGym-Lite omfattar 17 driftfel hämtade från verkliga incidenter: agenten måste hitta grundorsaken och sedan åtgärda systemet medan det körs, under samma körning. Devin Oncalls poäng kommer från Cognitions interna utvärdering och de övriga agenternas från SREGyms offentliga ranking den 15 oktober, där även CloudThinker når 100 % med GPT-6 Astra. Testsviten har alltså nått sitt tak: enligt Cognition får modeller i mellanklassen redan högsta poäng där, medan den föregående generationen stannade på mellan 50 och 60 %.

Inlägget beskriver framför allt verktygen runt modellen. En granskningsagent arbetar parallellt med undersökningen för att undvika förhastade slutsatser: en korrelation som tas för en orsak, motstridig telemetri som avfärdas eller en utlösande faktor som förväxlas med orsaken. Tre minnesnivåer samlar kunskap om företaget: ett eget minne för varje responder, skills som genereras genom regelbunden indexering av miljön och ett organisationsminne som fylls på av varje undersökning. Responders, som presenteras som den nya generationen av Auto-Triage, övervakar ett flöde av varningar och undviker cirka 60 % av undersökningarna genom att känna igen tidigare problem. Det sparar mer än hälften av kostnaden för traditionell automatisering. Läget Incidents placerar Devin i kriskanalen, med ett löpande uppdaterat incidentdokument och underordnade Devin-agenter som hanterar ingenjörernas direkta frågor.

Tre kunder illustrerar lanseringen. Hos Reducto öppnade Devin en incident på eget initiativ, långt innan produktionsvarningarna utlöstes. Hos RV Tech, Rivians och Volkswagens gemensamma företag, hämtar det fordonsidentifierare och tidsstämplar ur kundrapporter, hämtar loggar och gör en första sortering. Hos AngelList identifierar det rätt grundorsak 3,5 gånger oftare än det egenutvecklade verktyget Sky och har hanterat hälften av incidenterna på egen hand, vilket har lett till att Sky har avvecklats. Inget pris anges: Devin Oncalls sida erbjuder möjligheten att komma igång eller boka en demonstration. Lanseringen bygger vidare på att grundarna av TierZero, en specialist på AI-stödd SRE, anslöt sig till Cognition i juli.

🔗 Cognitions inlägg · Tråden från @cognition · Devin Oncalls sida

Claude Code 2.1.301: begränsad väntetid vid användningsgränser i obevakat läge, 37 felrättningar

15 oktober — Claude Code 2.1.301 släpptes klockan 19.22 UTC och innehåller 51 poster, varav 8 tillägg, 37 felrättningar, 4 förbättringar och 2 ändringar, med särskilt fokus på obevakad användning. Den nya variabeln CLAUDE_CODE_RETRY_WATCHDOG_MAX_USAGE_LIMIT_WAIT_MS låter läget för automatiska återförsök (CLAUDE_CODE_RETRY_WATCHDOG) avbryta en begäran när den uppnådda användningsgränsen återställs först alltför sent, i stället för att vänta. När det gäller observerbarhet innehåller OpenTelemetry-händelserna tool_decision nu classifier_verdict och permission_mode, för att skilja ett beslut från autolägets klassificerare från en behörighetsregel, samt classifier_category, den inbyggda regel som orsakade en blockering (med OTEL_LOG_TOOL_DETAILS=1).

Flera felrättningar gäller tillförlitligheten: aliaset fable (och best) ger inte längre ett fel när organisationen saknar tillgång till den senaste Fable-modellen, eftersom Claude Code då försöker en gång till med föregående Fable; när en session avslutas raderas inte längre en worktree som skapats av en WorktreeCreate-hook utan att användaren tillfrågas, eftersom den kan innehålla commits som inte har pushats; Grep och Glob rapporterar ett fel i stället för att ange ”inga träffar” när sökningen misslyckas. Vid byte till en modell med ett mindre kontextfönster sammanfattas en alltför lång konversation först av den föregående modellen. I VS Code visar svaren LaTeX-formler, och bannern för användningsgränsen erbjuder länken ”Få mer användning” för Pro- och Max-abonnenter.

🔗 Versionsinformation för Claude Code 2.1.301

Code Review i Claude Code lämnar forskningsförhandsversionen för Team och Enterprise

15 oktober — Sju månader efter lanseringen som forskningsförhandsversion den 9 mars blir Code Review, Claude Codes tjänst för automatisk granskning av GitHub-pull requests, tillgänglig för Claude Team- och Enterprise-organisationer. Enligt Anthropic slutförs de flesta granskningar ungefär tre gånger snabbare än under förhandsversionen, med korta anmärkningar som beskriver problemet, vad som utlöser det och hur det åtgärdas. En administratör väljer en nivå per repo: Quick, Standard (standardvalet) eller Deep.

Viktig punkt om Code Review	Uppgift publicerad av Anthropic
Granskningstid	Ungefär 6 till 10 minuter, jämfört med ett tjugotal under förhandsversionen
Debitering av granskningar	Förbrukade tokens, som dras från användningskrediter utöver abonnemangets inkluderade användning, med ett månatligt tak
Lanseringskrediter	Minst 10 000 dollar för berättigade Enterprise-organisationer, måste begäras före den 15 januari 2027 och gäller i 30 dagar
Nuvarande undantag	Zero Data Retention, HIPAA-konfiguration och, tills vidare, kundhanterade nycklar (CMEK)

Principen är densamma: anmärkningarna visas som kommentarer direkt i koden, ordnade efter allvarlighetsgrad, med en check run som aldrig misslyckas. En granskning varken godkänner eller blockerar en pull request, och beslutet att slå ihop den ligger kvar hos teamet.

🔗 Code Review är nu allmänt tillgängligt (Claude) · Dokumentation för Code Review

Delta 0.20: underagenter blir styrbara undertrådar, agenter får tillgång till MCP-servrar

14 oktober — Delta, kodmiljön för flera samtidiga användare från skaparna av Zed, släpps i version 0.20 (18 nyheter, 14 förbättringar och 29 felrättningar, följt av en felrättning i 0.20.1 samma dag). Underagenter blir vanliga undertrådar som man kan läsa, styra om och själv fortsätta i, och undertrådar kan nu nästlas; inställningen Enable Sub-agents blir Delegation, med tre lägen (Off, Only When Asked, Max). Agenter får tillgång till MCP-servrar, som ansluts i Settings → MCP, och en granskning eller en Land som startas från en undertråd omfattar även ändringar som ärvts från överordnade trådar. Versionen lägger till Gemini 4 Argon med egen Google-nyckel, kommandot /create-skill och delta org-kommandon för att hantera en organisation från terminalen.

Den 15 oktober beskriver ett inlägg baserat på ett föredrag av Conrad Irwin DeltaDB, samarbetslagret som skickar varje tangenttryckning till servern och medarbetarna: CRDT:er inspirerade av diamond-types, där varje ändring förankras i en Git-version eller i tidigare ändringar. Eftersom varje tecken vet vilken ändring som skapade det kan Delta koppla det till dess upphovsperson, agenten eller till och med prompten.

🔗 Versionsinformation för Delta · DeltaDB: framtidens versionshantering

Antigravity CLI 1.3.6: Claude 5.5 via Google Cloud-inloggningsuppgifter, efter Auto-läget och /compact i 1.3.5

14 oktober — Antigravity CLI, agentverktyget för kommandoraden som Google presenterar som efterföljaren till Gemini CLI, släpper versioner i snabb takt: sedan 1.3.1, som behandlades här den 8 oktober, har fem versioner följt. Version 1.3.6 lägger till Claude Opus 5.5 och Claude Sonnet 5.5 för användare som är inloggade med Google Clouds standardinloggningsuppgifter (Application Default Credentials, AGY_ADC_AUTH): Claude-modellerna visas i /model endast om Google Cloud-projektet har tillgång till dem. Den sätter också stopp för ett ändlöst stopp: efter 5 minuter utan data från modellen avbryts begäran och startas om automatiskt.

Den mest synliga nyheten kommer från 1.3.5: ett Auto-läge som själv godkänner filändringar och kommandon som bedöms som säkra, men alltid frågar före en oåterkallelig åtgärd. Kommandon som skulle lämna terminalens sandbox granskas först av en separat agent; 1.3.6 gör denna granskning snabbare, släpper igenom projektets formaterings- och lint-kommandon och blockerar sådana som skulle skicka känsliga data. Läget aktiveras med --mode auto, via /config eller med Skift+Tab, på Linux och macOS (Windows kommer senare). Version 1.3.5 lägger också till /compact, som på begäran sammanfattar konversationen för att frigöra utrymme i kontextfönstret.

Version av Antigravity CLI	Datum i ändringsloggen	Förbättringar och felrättningar	Versionens huvudnyhet
1.3.6	14 oktober	3 + 10	Claude Opus 5.5 och Sonnet 5.5 via ADC, omstart efter 5 minuters stopp
1.3.5	13 oktober	5 + 1	Auto-läge, `/compact`, färgmarkering och kodvikning i `/diff`
1.3.4	12 oktober	4 + 10	`agy plugin list --json`, modellval utan `--effort`
1.3.3	9 oktober	6 + 15	MCP-verktyg alltid laddade, förstärkt sandbox
1.3.2	7 oktober	6 + 4	`/plugin` och officiell marknadsplats för plugins

🔗 Ändringslogg för Antigravity

Codex hos OpenAI: Core Experimentation-teamet slår ihop fler än 1 400 underhålls-PR:er med GPT-6 Astra och GPT-6.1 Sol

14 oktober — På bloggen OpenAI Developers berättar en ingenjör i Core Experimentation-teamet, som underhåller experimentprogramvaran som används i hela företaget, hur GPT-6-modellerna tog hand om underhållet av teamets repon i Codex. Utgångspunkten var en kort och avsiktligt vag prompt som ber modellen hitta och rensa bort död kod. GPT-5.6 Sol slutförde inte uppgiften; GPT-6 Astra gick igenom gamla PR:er, Slack-trådar, interna uppföljningsverktyg och profileringstabeller från produktionen och motiverade sedan varje borttagning. Fem ingenjörer tog därefter fram varianter av prompten, på deltid under två veckor: fler än 1 400 sammanslagna pull requests, över 800 000 borttagna rader och en tjänsts containeravbildning som krympte från 3,31 till 1,72 Go (-48 %).

Modell och resonemangsnivå	Uppgiftens API-kostnad	Godtagna fynd	Kostnad per fynd
GPT-6 Astra Ultra	109,06 dollar	142	0,77 dollar
GPT-6.1 Sol Ultra	15,12 dollar	131	0,12 dollar
GPT-6.1 Sol Medium	5,27 dollar	86	0,06 dollar

På samma rensningsuppgift, i fler än 6 000 filer och 1 miljon rader Python, TypeScript, Go och Rust, hittar GPT-6.1 Sol med resonemangsnivån Ultra alltså 92 % av fynden från GPT-6 Astra Ultra till 14 % av API-kostnaden. Skillnaden gäller främst konstanta funktionsflaggor (feature flags) som används som beroenden för andra flaggor och som Astra upptäcker men Sol missar. Ett trettiotal optimerings-PR:er sänkte också mediantiden för CI från ungefär 10 till 4,5 minuter. Författaren medger att vissa förslag tillförde mer komplexitet än nytta och rekommenderar att börja i liten skala.

🔗 Programvaruunderhåll med GPT-6-familjen (OpenAI Developers)

MX Keypad: GitHub och Logitech styr GitHub Copilot-appen från en knappsats med programmerbara tangenter

15 oktober — I ett inlägg om ”omgivande intelligens” presenterar Martin Woodward, VP för utvecklarrelationer på GitHub, resultatet av 18 månaders arbete med Logitech: MX Keypad, en knappsats med programmerbara tangenter, integreras med GitHub Copilot-appen. En tangent kan skicka en parametriserad prompt, öppna eller återuppta en Copilot-session, anropa ett IDE-kommando eller starta en sekvens i flera steg. Inlägget sätter in enheten i en vision med tre lager: modaliteten (text, röst, fysiska reglage) fångar avsikten, agentramverket planerar och agerar, och kontrollplanet låter utvecklaren inspektera, styra om och godkänna. Författaren är försiktig: upplevelsen är ”fortfarande i ett tidigt skede” (ännu i sin linda), och alla utvecklare behöver inte ytterligare en enhet. En länk ger möjlighet att prova MX Keypad med tre månaders GitHub Copilot Pro+ utan kostnad, men inlägget anger varken pris eller tillgänglighetsdatum.

🔗 Nästa utvecklargränssnitt är omgivande intelligens (GitHub Blog)

Modellsäkerhet: METR får åtkomst som en anställd hos Anthropic, IPI Black sätter 300 000 dollar på spel mot promptinjektion

Två initiativ samma dag för att låta utomstående pröva modellernas säkerhet: ett team av oberoende utvärderare på plats hos Anthropic och en offentlig tävling med attacker mot agenter.

METR får åtkomst hos Anthropic jämförbar med en anställds

15 oktober — Anthropic har börjat ta in ett team från METR, den ideella organisation som utvärderar de mest avancerade AI-modellerna, med åtkomst ”jämförbar med en anställds” (åtkomst liknande den för anställda). Sex personer från METR har tillgång till företagets utrustning, kontorsplatser samt interna verktyg och system i ungefär samma omfattning som Anthropics riskutvärderingsteam; endast kunddata, information som omfattas av advokatsekretess och modellarkitekturer förblir otillgängliga. METR kommer att publicera sina riskanalyser, och Anthropic kan inte motsätta sig det: företaget kan endast kräva maskering av information inom snäva, på förhand definierade kategorier, och METR får fritt uttala sig offentligt om huruvida dessa maskeringar verkar motiverade.

Utvärderarnas åtkomstnivå	Tillgång till information	Publiceringsrätt	Utvärderare som Anthropic nämner
Nivå 1	Riktade undersökningar, Anthropic beslutar om åtkomsten	Med Anthropics godkännande	SecureBio
Nivå 2	Mer information	Utan godkännande, maskering möjlig inom specifika kategorier	Ingen nämnd
Nivå 3	Jämförbar med en anställds	Som på nivå 2	METR

Anthropic förbereder också ett partnerskap med Accenture och Faculty (modellutvärdering och red-teaming, utvärderingar av alignment och tester av skyddsmekanismer) och för inledande diskussioner med andra organisationer, däribland Hugging Face. Företaget jämför upplägget med banktillsyn, där stationerade granskare arbetar på plats hos de största bankerna, och ser det som en fortsättning på undertecknandet av White House Accord on Super Intelligence, där företag åtar sig att samarbeta med oberoende externa utvärderare.

🔗 En uppdatering om oberoende utvärderare (Anthropic)

IPI Black: Gray Swan lanserar en tävling i indirekt promptinjektion med 300 000 dollar i prispengar

15 oktober — Gray Swan lanserar IPI Black (Indirect Prompt Injection: Black), en offentlig tävling i indirekt promptinjektion med 300 000 dollar i prispengar, med stöd av Anthropic, Meta, Google DeepMind, Reflection AI, OpenAI, Amazon, Thinking Machines och AI Security Institute. Deltagarna behöver ingen tidigare erfarenhet och attackerar agenter i simulerade miljöer med realistiska verktyg (Gmail, Slack, GitHub, X): exempelvis genom att få skrivagenten åt en ansvarig för sociala medier att publicera skadligt innehåll på företagets officiella konton. I white box-läget ser man agentens svar och finslipar sin attack; i black box-läget skickar man sin payload utan någon insyn.

Tävlingen genomförs i tre veckolånga omgångar som öppnar den 15, 22 och 29 oktober, var och en med egna topplistor som delar på 100 000 dollar mellan white box och black box. Den första omgången erbjuder tio scenarier, sex i white box och fyra i black box, från läckta inloggningsuppgifter i en kommentar till en GitHub-issue till en falsk visselblåsarrapport. De insamlade attackerna kommer att användas i det benchmark som partnerlaboratorierna använder för att mäta modellernas robusthet. Boris Cherny, skaparen av Claude Code, har delat tävlingen: enligt honom har Claude-modellerna gjort stora framsteg mot promptinjektion under de senaste åren, men det blir alltmer brådskande att lösa problemet i hela branschen i takt med att agenterna gör mer.

🔗 Gray Swans tråd · Tävlingssidan · Boris Chernys inlägg

Nya modeller: Timestral för tidsserier, Step 5 Preview från StepFun, Apertus 1.5 och Jev 1.14

Fyra lanseringar av olika slag: en familj av prognosmodeller från Mistral, en stor öppen MoE-modell från StepFun, helt öppna modeller i Schweiz och en beslutsmodell från TypeSafe.

Timestral: Mistral släpper sin första familj av grundmodeller för tidsserier

15 oktober — Mistral släpper Timestral, sin första familj av grundmodeller för tidsserier (time-series foundation models), i fyra storlekar som delar samma arkitektur och samma träningsupplägg: 5M, 28M, 123M och 209M parametrar. Modellerna ger probabilistiska (21 kvantiler) och multivariata prognoser, tar hänsyn till kovariater som bara är kända för det förflutna eller är kända i förväg (produktionsschema, planerade driftstopp, väderprognoser), även kategoriska sådana som en maskins tillstånd, och läser in upp till 32 768 tidssteg av historik.

Benchmark och mått (lägre = bättre)	Timestral-209M	t0-gamma	TimesFM-3	Chronos-2
GIFT-Eval, MASE	0,658	0,661	0,667	0,698
GIFT-Eval, CRPS	0,446	0,452	0,456	0,485
TIME, MASE	0,626	0,637	0,640	0,662
TIME, CRPS	0,522	0,534	0,536	0,556

Enligt Mistral placerar sig 209M först på GIFT-Eval, TIME och fev-bench bland förtränade modeller som används utan anpassning (zero-shot), med en enda checkpoint och utan ensemble, och överträffar den tidigare bästa modellen med två tredjedelar så många parametrar; skillnaderna i toppen är små, och redan den lilla 28M slår Chronos-2, som är ungefär fyra gånger större, på GIFT-Eval och TIME. Timestral behöver ingen GPU: på en serverprocessor med 8 trådar tar det 10 ms med 5M och 140 ms med 209M att prognostisera ett dygn utifrån tre veckors historik med tidssteg på 15 minuter. Vikterna finns på Hugging Face under en ”modifierad MIT-licens” som utesluter företag med en konsoliderad månadsomsättning på över 20 miljoner dollar, koden finns på GitHub under Apache-2.0, och dokumentationen beskriver Timestral 1.0 som en publik förhandsversion; Mistral Forge möjliggör finjustering på proprietära data, med möjlighet till driftsättning utan uppkoppling.

🔗 Vi presenterar Timestral (Mistral) · Timestral-209M på Hugging Face

Step 5 Preview: StepFun släpper en öppen MoE med 600 miljarder parametrar för agentuppgifter på upp till 24 timmar, enligt NVIDIA

15 oktober — NVIDIA välkomnar lanseringen av Step 5 Preview, som kontot @NVIDIAAI beskriver som StepFuns största lansering med öppna vikter: en blandning av experter med 600 miljarder parametrar, utformad för agentuppgifter som kan pågå i upp till 24 timmar. NVIDIA uppger nästan 8 000 tokens per sekund per GPU på GB300 i NVFP4, med en NVFP4-checkpoint publicerad på Hugging Face, driftsättningsanvisningar för SGLang och vLLM, efterträning med NeMo AutoModel och ett NIM som startas med ett enda kommando. NVIDIAs inlägg anger varken benchmark eller licens.

🔗 Inlägget från @NVIDIAAI

Apertus 1.5: Swiss AI beskriver helt öppna modeller på 8B och 70B, med bild, ljud och 262 144 tokens kontext

15 oktober — Det schweiziska initiativet Swiss AI publicerar versionsinformation och den tekniska rapporten för Apertus 1.5, sin familj av helt öppna modeller. Vikterna för 8B och 70B hade funnits tillgängliga sedan den 24 juli under Apache 2.0; rapporten publicerar också mellanliggande checkpoints (base, SFT, RLVR, DPO), datablandningar och utvärderingskort, så att andra forskare kan studera effekten av varje träningsfas.

Apertus 1.5-modell	Tillagda tokens för förträning	Totalt antal tokens
8B	4 000 miljarder	19 000 miljarder
70B	2 000 miljarder	17 000 miljarder

Bild och ljud går genom tokenizern, utan separat encoder: en bild på 512 × 512 pixlar blir 1 024 tokens, en sekund ljud 40 tokens, vilket gör att träningen går lika snabbt som med enbart text; modellerna förstår bild och ljud men genererar bara text, och ljudstödet är fortfarande experimentellt. De får också ett valfritt reflektionsläge och en kontext på 262 144 tokens, fyra gånger längre. Författarna medger att de fortfarande ligger efter de bästa öppna modellerna, men framhåller att 8B ligger före modeller i samma storlek när det gäller instruktionsföljande och flerspråkighet, utan att ange numeriska poäng i inlägget. Resultaten publiceras i formatet Every Eval Ever, som är utformat för efterlevnad av EU:s AI Act.

🔗 Versionsinformation för Apertus 1.5 (Hugging Face)

Jev 1.14: TypeSafe öppnar för bilder, Box-frågor och fyra gånger längre kontext i en förhandsversion

14 oktober — TypeSafe tillkännager Jev 1.14, en ny version av sin beslutsmodell, som beskrivs som ”ny och förbättrad” utan siffror som stöd. Den kommer med tre experimentella funktioner: bilder, som kan placeras överallt där text tidigare kunde placeras och som också blir tillgängliga i nuvarande Jev; en ny frågetyp i System One, Box, som returnerar ramen runt ett objekt i en bild som fyra kanter uttryckta som bråkdelar av bildens bredd och höjd; och fyra gånger längre kontext, även om TypeSafe fortfarande rekommenderar att begränsa den. Funktionerna är fortfarande i förhandsversion och ännu inte redo för produktion enligt TypeSafe, och aktiveras med headern TypeSafe-Danger-Zone-Images: true; Box-frågor kräver Jev 1.14, som anropas med jev-preview eller jev-1.14.0. Zed välkomnade lanseringen och hänvisade till Wes Bos, som beräknar kostnaden för en fråga om en bild på 850 × 850 pixlar till 0,000096936 dollar, alltså ungefär 10 000 bilder för en dollar: en beräkning av Wes Bos, inget pris publicerat av TypeSafe.

🔗 Tillkännagivandet från TypeSafe · Dokumentationen för Box

AI för vetenskapen: CERN och Mistral siktar på en Large Physics Model, Sakana AI presenterar The Agentic Scientist, OpenAI finansierar matematiker

Tre sätt att använda AI i forskningens tjänst: en grundmodell för kolliderarfysik, kodagenter med ett styrande ramverk för att genomföra forskning från början till slut, och medel för att matematiker ska kunna granska resultat som tagits fram av AI.

CERN och Mistral samarbetar för att utveckla en Large Physics Model

15 oktober — CERN och Mistral har undertecknat en avsiktsförklaring (statement of intent) om ett långsiktigt strategiskt partnerskap kring grundmodeller för vetenskapliga upptäckter. I centrum för projektet står en enda förtränad Large Physics Model, som CERN beskriver som den första grundmodellen för kolliderarfysik, tränad på miljarder simulerade proton-protonkollisioner i den stora hadronkollideraren (LHC). Den ska användas för flera uppgifter samtidigt: rekonstruera kollisioner, identifiera partiklar, upptäcka oväntade signaler och utvärdera framtida detektorkonstruktioner, där analysen i dag går genom en kedja av specialiserade algoritmer. CERN har redan lagrat ungefär en exabyte (en miljon terabyte) experimentella data från LHC, och antalet kollisioner ska tiodubblas med LHC med hög luminositet (HL-LHC), som väntas omkring 2030. Pressmeddelandet citerar Enrica Porcari, Chief Information Officer vid CERN, och Johannes Brandstetter, Vice-President of AI for Engineering på Mistral, men anger varken belopp, tidsplan eller beräkningsresurser.

🔗 Pressmeddelandet från CERN · Tråden från @MistralAI

The Agentic Scientist: Sakana AI ger kodagenter ett ramverk för att genomföra forskning från början till slut

15 oktober — Sakana AI presenterar The Agentic Scientist, nästa generation av AI Scientist, projektet som sedan 2024 testar hur långt en AI kan bedriva forskning på egen hand. Utgångspunkten är en iakttagelse:

Coding agents such as Codex and Claude Code now carry out long software tasks on their own. Handing them a research problem, however, tends to produce a strong hyperparameter optimizer rather than a scientist: scores go up, but ideas stay narrow, and the reasons for the gain are rarely examined.

🇸🇪 Kodagenter som Codex och Claude Code utför numera långa programvaruuppgifter på egen hand. Att ge dem ett forskningsproblem resulterar dock snarare i en utmärkt hyperparameteroptimerare än i en forskare: poängen stiger, men idéerna förblir snäva och orsakerna till förbättringen undersöks sällan. — @SakanaAILabs på X

Svaret är ett ramverk runt befintliga kodagenter (Codex, Claude Code, OpenCode, Pi): parallella agenter testar hypoteser mot utvärderingsmatriser som fastställs innan några experiment genomförs, delar framgångar och misslyckanden i ett gemensamt minne, och sedan genomför systemet referensmätningar, ablationer, en förseglad slututvärdering och analyser, ända fram till att artikeln skrivs. Sakana AI utvärderade det på 5 ämnen med 9 modeller (4 GPT, 4 Claude, 1 DeepSeek) och 4 harness, alltså 14 kombinationer av modell och harness och 70 forskningskampanjer: de senaste modellerna ger bättre artiklar, och valet av harness spelar mindre roll än valet av modell. En utvecklingsversion skrev tillsammans med forskare en artikel om Error Diffusion, en biologiskt inspirerad inlärningsregel, som accepterades för en muntlig presentation på ALIFE 2026; vid hämtning av fakta ur långa dokument (Doc-to-LoRA) höjer systemet träffsäkerheten från 52 % till 98 % utan att träna om modellen. Koden är öppen under Apache 2.0; Sakana AI påminner om att människor fortfarande måste välja frågorna och verifiera påståendena, och att agenterna körs med fulla behörigheter, med Docker som rekommendation.

🔗 Inlägget från Sakana AI · Artikeln på arXiv · Kodarkivet AI-Scientist-v3

OpenAI ger 5 miljoner dollar till ett initiativ från Simons Foundation för matematiker

15 oktober — OpenAI tillkännager ett bidrag på 5 miljoner dollar till ett nytt initiativ från Simons Foundation, som ska hjälpa matematiker att granska, förstå och vidareutveckla resultat som tagits fram av AI, inklusive dem som OpenAI nyligen publicerat. Den 6 oktober publicerade företaget 722 manuskript med matematiska resultat från en intern, opublicerad modell, med en varning om att vissa icke-formaliserade resultat kunde innehålla fel. Stiftelsen ska förvalta och fördela medlen, som ska gå till workshoppar, konferenser och särskilda program; OpenAI ska dessutom ge forskare som stöds av Simons Foundation tillgång till sina modeller och beräkningsresurser. Inlägget hänvisar till ett inlägg från Simons Foundation, som satsar totalt 15 miljoner dollar på workshoppar och initiativ, med kostnadsfria beräkningsresurser för de forskare stiftelsen stöder, genom nya partnerskap med Anthropic och OpenAI. Tillkännagivandet, som gjordes i ett enkelt inlägg på X, anger varken initiativets namn eller tidsplan.

🔗 Tillkännagivandet från OpenAI · De 722 manuskripten från den 6 oktober (OpenAI)

Claude Opus 5.5: snabbläget lämnar forskningsförhandsversionen, till 8 och 40 dollar per miljon tokens

15 oktober — Snabbläget (fast mode) för Claude Opus 5.5 lämnar forskningsförhandsversionen på Claude Platform, utan väntelista. Det är samma modell, med samma vikter, som levereras med upp till 2,5 gånger fler utdatatokens per sekund och debiteras till dubbla standardpriset för Opus 5.5. Begäranden behöver inte längre betaheadern fast-mode-2026-02-01 (de som fortfarande skickar den accepteras även fortsättningsvis), och varje användningsnivå har nu en standardgräns för genomströmningen i detta läge, separat från den för Opus med standardhastighet.

Claude-modell i snabbläge	Status den 15 oktober	Pris per miljon tokens (indata / utdata)
Opus 5.5	Tillgänglig, utan väntelista eller betaheader	8 / 40 dollar (4 / 20 vid standardhastighet)
Opus 5	Forskningsförhandsversion, betaheader krävs	10 / 50 dollar
Opus 4.8	Forskningsförhandsversion, betaheader krävs	10 / 50 dollar

Förbättringen gäller genomströmningen för utdata, inte tiden till den första token, och ett byte av hastighet ogiltigförklarar promptcachen; läget är fortfarande inte tillgängligt med Batch-API:et. Det erbjuds också i Microsoft Foundry för driftsättningar som körs på Azure, vilket dokumentationen nu bekräftar; Google Cloud ska följa enligt @ClaudeDevs, och läget är fortfarande inte tillgängligt på Amazon Bedrock och Claude Platform on AWS. I Claude Code ändras ingenting: snabbläget fortsätter att förbruka extra användningskrediter.

🔗 Tillkännagivandet från @ClaudeDevs · Dokumentation för snabbläget

Hugging Face-bibliotek: Transformers 5.20.0 och TRL 1.16.0 integrerar Muse Spark Open

Nya versioner av Hugging Faces två främsta bibliotek släpps samma dag som Muse Spark Open lanseras och stöder modellen, vart och ett med sina egna nyheter.

Transformers 5.20.0: sju tillagda modeller och kvantisering vid export

15 oktober — Hugging Face släpper Transformers 5.20.0, en version som präglas av lanseringen av Muse Spark Open, som får stöd samma dag som den släpps. Sex andra modeller tillkommer i biblioteket.

Modell som lagts till i Transformers	Modellutgivare	Teknisk egenskap
Muse Spark Open	Meta	Multimodal MoE, 816 miljarder parametrar varav 42 miljarder aktiva
Ling 3.0 Flash	InclusionAI	Hybrid-MoE, fem Kimi Delta Attention-lager per MLA-lager
Kolibri 1	Aleph Alpha	Tysk-engelsk MoE för resonemang, 6 experter av 384 per token
MiniCPM-V 4.7	OpenBMB	Canvas-positioner med M-RoPE för bilder och video
UnlimitedOcr	Baidu	OCR med 3 miljarder parametrar, konstant KV-cache
UltraBERT	DMIS Lab	Encoder-modeller med 150M och 380M parametrar, kontext på 32K tokens
MOSS-Transcribe-Diarize	OpenMOSS	0,9 miljarder parametrar, transkribering och talardiarisering på över 50 språk

På verktygssidan kan exportverktygen nu kvantisera under export till ONNX, OpenVINO eller ExecuTorch, och checkpoints från FSDP-träning i kombination med tensorparallellism kan läsas in i en annan konfiguration. Hugging Face varnar dock för en hastighetsförsämring vid inferens med expertparallellism, som håller på att åtgärdas, och för flera bakåtinkompatibla ändringar, bland annat borttagningen av utfasade cachemetoder.

🔗 Versionsinformation för Transformers 5.20.0

TRL 1.16.0: träning på AWS Trainium och upp till 3,1 gånger snabbare AsyncGRPO

15 oktober — TRL 1.16.0 öppnar Hugging Faces träningsbibliotek för AWS Trainium-chip: en ny standardinställning förhindrar att Trainium kompilerar om vid varje ny sekvenslängd, vilket halverar tiden för en liten testkörning, där 20 SFT-steg med Qwen3-0.6B på Trainium2 slutförs på 130 sekunder i stället för 260. Den andra nyheten gäller förstärkningsinlärning för agenter: i genererade förlopp (rollouts) med flera turer eller flera genereringar upprepas samma inledning på en konversation från rad till rad, och AsyncGRPO organiserar nu detta i ett prefixträd för att bara beräkna den en gång. Med Qwen3-1.7B och 32K tokens per förlopp blir hastigheten upp till 3,10 gånger högre och den maximala minnesanvändningen sjunker från 35,2 till 13,5 Gio; utan delat prefix är den extra belastningen ungefär 1 %. Versionen stöder också Muse Spark Open, som kan finjusteras med LoRA på 64 H100-GPU:er (14,2 sekunder per steg, 40,2 Go per GPU), samt AMD-GPU:er i de asynkrona tränarna.

🔗 Versionsinformation för TRL 1.16.0

GPT-Live-1.1: nya röster och naturligare accenter i ChatGPT, Codex och dots

15 oktober — OpenAI uppdaterar sin röstmodell. GPT-Live-1.1 och dess mindre variant GPT-Live-1.1 Quip, som presenteras som en miniversion av modellen, rullas ut i röstläget i ChatGPT, Codex och dots, de permanenta agenterna som lanserades den 29 september, med naturligare accenter på olika språk. Modellen varierar också de korta fraser den säger när den startar en sökning i högre grad: OpenAI sammanfattar förbättringen som ”mindre checking…”.

Sex språk får nya Live-röster: franska, tyska, hindi, japanska, koreanska och mexikansk spanska. Dessutom tillkommer en engelsk röst som heter Bubbie; vilka röster som erbjuds kan variera beroende på region och konto, och de väljs under Settings > Voice. Uppdateringen rullas ut från den 15 oktober till alla användare och kommer ”snart” till API:et, där GPT-Live-1 har erbjudits sedan den 10 september för 0,05 dollar per minut. OpenAI publicerar varken benchmarkresultat eller någon fördelning av GPT-Live-1.1 och Quip mellan abonnemangen.

🔗 OpenAI:s tillkännagivande · Versionsinformation för ChatGPT

Universal Cart: Google lanserar en gemensam varukorg för Google Search och Gemini-appen i USA

15 oktober — Google lanserar Universal Cart i USA. Denna ”smarta” varukorg, som förhandsvisades på Google I/O i maj, rullas ut både i Google Search, inklusive AI Mode, och i Gemini-appen: en produkt som läggs till från någon av dessa ytor finns kvar i samma varukorg, oavsett butik. Inlägget tar som exempel en väska som läggs till i AI Mode och sedan en tröja och ett läppglans som läggs till i Gemini-appen, vilka senare återfinns tillsammans.

Funktion i Universal Cart	Vad den tillför enligt Google
Varukorg för flera butiker	En enda varukorg som följer med mellan Googles olika ytor
Pris- och lageraviseringar	Prissänkningar och varor åter i lager, bland fler än 60 miljarder produktposter i Shopping Graph
Stöd från Google Wallet	Förmåner för sparade kort som hjälp vid val av betalningssätt, relevanta rabattkoder
Betalning av köp	Google Pay från varukorgen (Universal Commerce Protocol) eller övergång till butikens webbplats

Direktbetalning fungerar hos Nike, Sephora, Target, Ulta Beauty, Walmart, Wayfair och många Shopify-handlare; i samtliga fall är handlaren fortfarande säljaren och hanterar bekräftelser och kundservice. Google räknar verktyget till funktioner som låter köparen behålla kontrollen, vid sidan av sitt arbete med agentfunktioner som agerar åt köparen. Inget datum anges för andra länder.

🔗 Universal Cart (Googles blogg)

Manus Automations: återkommande uppgifter som startas enligt schema eller via en utlösare

15 oktober — Manus lanserar Automations, som sätter repetitivt arbete ”på autopilot”: användaren beskriver när uppgiften ska starta och hur resultatet ska se ut. Tre startlägen finns: ett schema, till exempel varje vardag kl. 8 h; en utlösare kopplad till en ansluten app, som en faktura som kommer till Gmail; och, i beta, avancerad automatisering som kombinerar flera källor och villkor som användaren beskriver. Funktionen bygger vidare på Scheduled Tasks 2.0 från maj och de händelseutlösta automatiseringar som presenterades med Manus 2.0 den 28 september. Tråden anger varken vilket abonnemang som krävs eller kostnaden i krediter.

🔗 Manus tillkännagivande

Notiser

Agenter och kodverktyg

Versionsinformation för Devin den 14 oktober — Dagen före lanseringen av Devin Oncall lägger Devin till Splunk, Elastic, Dynatrace, Chronosphere och Google Cloud Monitoring som plugins för observability, rollen Review manager som hanterar granskningsregler utan administratörsbehörighet samt export av fynd från code scan i formatet SARIF 2.1.0, utöver CSV. 🔗 källa
Warp och dess mjukvarufabriker — I två metodinlägg, utan någon ny funktion, uppger Warps grundare Zach Lloyd att han har sänkt teamets kostnad per PR från 80 till 20 dollar på sex veckor, med färre återställningar och ett 40 % högre PR-flöde än föregående månad. 🔗 källa
Qwen Code v0.25.2 — Versionen blir stabil två dagar efter förhandsversionen den 13 oktober, med 68 pull requests som saknades i denna, däribland 11 funktioner (dra och släpp av filer i Web Shell, granskning av meddelanden från MCP Apps före sändning, avbrytande av workflow-uppgifter och persistens i 32 tabeller för Managed Agent) och 38 rättningar. 🔗 källa
Copilot CLI 1.0.99 i förhandsversion — Två förhandsversioner under dagen, utan någon stabil version: sandlådan tillåter som standard åtkomst till det lokala nätverket, /share öppnar en helskärmsmeny, plugins från betrodda kodförråd installeras automatiskt och verifierade Skills och plugins installeras via en GitHub-länk. 🔗 källa
Antigravity SDK 0.1.22 — Lägger till orkestrering av dynamiska workflows och skills definierade i minnet: i en uppföljning av den 11 oktober erbjuder Python-SDK:t i beta typade byggstenar (phase, agent, parallel, pipeline) för att skriva agentworkflows, skills som deklareras utan fil (InlineSkill) och ett tak för antalet utdatatokens per steg över 64k tokens. 🔗 källa
google/adk-recipes — Den omstrukturerade efterföljaren till adk-samples, Googles exempelförråd för Agent Development Kit, är nu utformad för kodassistenter: varje recept innehåller en manifest.yaml och en AGENTS.md, den första branschinriktade pluginen riktar sig till detaljhandeln och Horizon fungerar som referensharness för agenter som arbetar över flera dagar. 🔗 källa
DeepSeek Harness 0.2.1-alpha.4 — Den 28:e förhandsversionen, fortfarande utan någon stabil version: resonemangsinsatsen kan ställas in modell för modell för anpassade API:er direkt i gränssnittet, och plugins kan installeras från anpassade index; samma dag går FlashMLA över till det stabila binära gränssnittet i CPython och LibTorch. 🔗 källa
Tre modeller lämnar Copilot den 16 november — Claude Opus 4.8 och Claude Opus 5, som ska ersättas med Claude Opus 5.5, samt GPT-5.6 Terra, som ska ersättas med GPT-6.1 Sol eller GPT-6 Luna; enskilda användare med årsabonnemang behåller Claude Opus 4.8, och ersättarna aktiveras automatiskt i Business och Enterprise. 🔗 källa

Assistenter, företag och guider

Genspark i meddelandeappar — Man skriver till @genspark_ai i iMessage, WhatsApp, Slack eller LINE för att sammanfatta en PDF eller skapa en presentation, och resultatet kommer tillbaka i samma konversation; varken abonnemang eller pris anges. 🔗 källa
Kimi Work 3.2.17 och en tredje handledning — Tre dagar efter 3.2.16 visar konversationerna bilder och fjärrstyrningen gör det möjligt att välja läget Agent Swarm; Moonshot AI publicerar också en tredje introduktionsvideo, om automatisering av arbetsflöden, utan någon funktion som presenteras som ny. 🔗 versionsinformation · 🔗 handledning
Anthropics stipendier — Ansökan är öppen till den 28 oktober för STEM Fellows och ett nytt stipendium, Conceptual Reasoning Fellows (filosofi, kognitionsvetenskap, ekonomi, offentlig politik, juridik): fyra månader på heltid, från den 12 januari till den 8 maj 2027, med ersättning på 100 000 till 167 000 dollar; amerikanskt arbetstillstånd krävs. 🔗 källa
Compliance API för Claude Enterprise — API:et, som är i beta, ger administratörer tillgång till de personliga instruktioner som varje medlem har sparat i claude.ai och i Cowork; dagen före blev schemalagda driftsättningar av Managed Agents tillgängliga på Claude Platform on AWS. 🔗 källa
Block och OpenAI Daybreak — I en fallstudie från OpenAI den 14 oktober uppger säkerhetsteamet på Block (Square, Cash App, Afterpay) att de har minskat tiden från en inrapporterad sårbarhet till ett föreslaget säkerhetsfix till 18 minuter under simulerade attackövningar och frigjort cirka 600 analytikertimmar per kvartal. 🔗 källa
AI for Educators på brasiliansk portugisiska — Till lärarnas dag publicerar OpenAI denna version av sin kostnadsfria kurs på OpenAI Academy, riktad till lärare från grundskola till högre utbildning, och påminner om Study Mode i ChatGPT. 🔗 källa
Superwhisper Meetings — Superwhisper lanserar ett verktyg för mötesinspelning och mötesanteckningar som företaget beskriver som det första helt lokala, drivet av Tiny Aya och Cohere Transcribe; varken pris eller plattformar anges. 🔗 källa
Tre guider från Cohere — Utan någon ny produkt eller nya siffror publicerar Cohere inlägg om AI hos energi- och försörjningsbolag, med North i centrum, om spridningen av agenter i företag, med idén att låta en utmanaragent tävla mot den befintliga agenten, och om att mäta avkastningen på investeringar. 🔗 samhällsnyttiga tjänster · 🔗 agenter · 🔗 ROI
Perplexitys guide till forskning — En guide går igenom 12 grundläggande AI-artiklar och sex aktuella arbeten, jämför verktyg för assisterad forskning och föreslår ett ramverk i sju steg; ingen ny funktion. 🔗 källa

Generativa medier

Suno — Två samarbetsfunktioner: arbetsytor som delas med enbart inbjudna personer med läs- eller redigeringsbehörighet (Pro och Premier), samt anpassade modeller som kan delas med medarbetare och justeras med dubbelt så många indata (Premier). 🔗 källa
Eleven v4 i blindtest — ElevenLabs uppger att lyssnare bedömde Eleven v4 som mer uttrycksfull än andra röstmodeller i varje blindtest som genomfördes på åtta språk, utan att namnge konkurrenterna eller ange några poäng i texten. 🔗 källa
Shot Coverage från Luma — Funktionen skapar flera rörliga kameravinklar från en enda videotagning, som kan användas vid klippning; tillkännagivandet anger varken modell, pris eller datum för tillgänglighet. 🔗 källa
HeyGen och Jan Hotovec — HeyGen lyfter fram Jan Hotovec, som har cerebral pares och tillsammans med Fameplay och Nolimi har skapat en avatar med sitt eget utseende och sin egen röst för att berätta om sitt liv med egna ord. 🔗 källa

Forskning, beräkning och infrastruktur

NVIDIA och AI in Science Enablers Initiative — På AI in Science Summit i Dublin ansluter sig NVIDIA till Europeiska kommissionens initiativ med sina öppna modeller, en hubb med fritt tillgängligt kursmaterial från Deep Learning Institute och tillgång till beräkningsresurser via nationella AI factories, utan att något belopp anges. 🔗 källa
NVIDIA i Norden — Inför GTC Berlin sammanfattar NVIDIA utvecklingen i sitt nordiska ekosystem: superdatorn Sferical One (1 152 GB300-GPU:er), 1 gigawatt planerad molnkapacitet för AI till slutet av 2027 och ett Stockholm AI Lab tillsammans med stiftelsen Norrsken under 2027; huvudanförandet på GTC Berlin är planerat till den 21 oktober. 🔗 källa
50 gånger snabbare tokenisering i BERT — Simon Brandeis från Hugging Face förklarar hur den kommande version 1.0 av tokenizers gör BERT:s tokenizer cirka 50 gånger snabbare än med 0.23 genom att hantera ASCII-tecken separat; ändringarna granskas fortfarande. 🔗 källa

GitHub, utanför AI

Slut på push-e-post — GitHub skickar inte längre e-postaviseringar om push-händelser i kodförråd, som kunde användas för spam, och hänvisar till ett GitHub Actions-workflow med en egen SMTP-server. 🔗 källa
Licenser för GitHub Code Quality — En CSV-rapport listar varje aktiv committer som använder en licens och de berörda kodförråden under 90 dagar, för att identifiera licenser som kan frigöras, på GitHub Team och Enterprise Cloud. 🔗 källa

Vad det innebär

Öppna modeller växer i skala, och deras ekosystem följer nu med redan från första dagen. Muse Spark Open lanseras med sju API-leverantörer, NVFP4-vikter framtagna av Meta och omedelbart stöd i Transformers, TRL, mlx-lm och Unsloth; Nemotron 3.5 Super VL publicerar vikter, data och träningsrecept; FLUX 3 Image Klein blir tillgänglig i Diffusers och ComfyUI på lanseringsdagen. Men ”öppen” omfattar mycket olika villkor: Muse Model License begränsar kommersiell användning, FLUX Kommunity-licensen är kostnadsfri endast vid en årsomsättning under 5 miljoner dollar, och licensen för Timestrals vikter utesluter företag med en omsättning över 20 miljoner dollar per månad, medan Apertus 1.5 publicerar sina vikter under Apache 2.0 tillsammans med sina träningsdata. Metas superlativ påminner slutligen om att kapplöpningen också pågår mellan länder: Muse Spark Open presenteras som den bästa öppna amerikanska modellen, men GLM 5.3 och Kimi K3 ligger fortfarande före i Artificial Analysis index och inom kodning.

Cybersäkerhet blir ett område där AI hittar och åtgärdar sårbarheter i stor skala. Genom förvärvet av AISLE får Cohere tillgång till expertis som uppges omfatta över 500 tidigare okända sårbarheter, GitHub gör AI Scan allmänt tillgängligt för språk som CodeQL inte täcker och inför en autofix som kör CodeQL igen för att kontrollera sin egen korrigering, och Block uppger att tiden från en sårbarhet till ett föreslaget åtgärdsförslag minskar till 18 minuter under simulerade attackövningar. Dessa verktyg står fortfarande under mänsklig kontroll: resultaten från AI Scan är vägledande, autofix öppnar en pull request som utkast, och Code Review i Claude Code varken godkänner eller blockerar en merge. Den andra sidan är isoleringen av själva agenterna: SPACE, som nu är öppet, håller autentiseringsuppgifter och utgående trafik utanför den virtuella maskinen, och IPI Black betalar angripare för att mäta agenternas motståndskraft mot indirekt prompt injection.

Förtroende bygger också på insyn utifrån. Genom att ge sex personer från METR tillgång som är jämförbar med en anställds, utan vetorätt över deras publiceringar, går Anthropic längre än en enstaka granskning och jämför upplägget med de permanent stationerade granskarna på storbanker. Samma krav på verifiering genomsyrar forskningen: Sakana AI fastställer bedömningsmatriserna före varje experiment så att kodagenterna inte nöjer sig med att optimera en poäng, och OpenAI finansierar, via Simons Foundation, matematiker som ska granska AI-genererade resultat, efter sina 722 manuskript från den 6 oktober. CERN och Mistral presenterar den bredaste ambitionen, en Large Physics Model tränad på miljarder simulerade kollisioner, men utan belopp eller tidsplan.

När det gäller verktyg blir avvägningen mellan kostnad, hastighet och kvalitet tydlig. Hos OpenAI hittar GPT-6.1 Sol med resonemangsnivån Ultra 92 % av fynden från GPT-6 Astra Ultra till 14 % av kostnaden; snabbläget i Opus 5.5 erbjuder 2,5 gånger högre genomströmning till dubbla priset; Code Review debiterar för förbrukade tokens, med ett månatligt tak. Agenterna tar också plats i uppgifter som utförs utan övervakning: Devin Oncall tar jourpassen, Claude Code 2.1.301 slutar vänta på en avlägsen användningsgräns och loggar varje beslut från sin klassificerare, och Auto-läget i Antigravity CLI överlåter granskningen av kommandon som skulle köras utanför sandlådan till en separat agent. Testsviterna har svårt att hänga med: på SREGym-Lite når både Devin Oncall och CloudThinker 100 % med GPT-6 Astra.