Sök

Anthropic fastställer priset för sin börsintroduktion till 83 dollar, OpenAI:s agenter klarar 46 % av uppgifter som tar 2 till 4 timmar på egen hand, Ideogram 4.6 går över till nativ 4K

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
Europa
Kodverktyg
Agenter och webbsökning
Generativa medier
Infrastruktur och öppen källkod
Övriga

ai-powered-markdown-translator

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

Visa projekt på GitHub ↗

Anthropic fastställer priset för sin börsintroduktion till 83 dollar per aktie, över intervallet 70 till 78 dollar, med ett erbjudande som utökats till 980 miljoner aktier och en väntad notering på Nasdaq under symbolen ANT. OpenAI publicerar nya mätningar av hur agenter påskyndar företagets forskning. Agenterna klarar nu 46 % av uppgifterna på två till fyra timmar på egen hand, och företaget visar hur Codex-agenter spårar orsaker till att ChatGPT blir långsammare. Ideogram 4.6 genererar i nativ 4K, Gemini 4 Neon tar ledningen på CursorBench 4.1 och kommer till GitHub Copilot, Genie 4 öppnas för utvecklare till ett pris på cirka 0,10 dollar per sekund, och Gemini-appen för Mac lär sig att använda datorn.


Finans: Anthropic fastställer priset för sin börsintroduktion till 83 dollar per aktie

18 november — Anthropic har fastställt priset för sin börsintroduktion till 83 dollar per A-aktie, över intervallet 70 till 78 dollar som tillkännagavs när investerarturnén (roadshow) inleddes den 10 november. Erbjudandet har också utökats: det omfattar 980 miljoner aktier, jämfört med de planerade 825 miljonerna. Anthropic säljer 956 351 354 och befintliga aktieägare 23 648 646, vars försäljningsintäkter inte tillfaller företaget. Bankerna har dessutom en option på 147 miljoner aktier under 30 dagar.

Del av erbjudandetBesked den 10 novemberPris fastställt den 18 november
Pris per aktie70 till 78 dollar83 dollar
Erbjudna aktier825 000 000980 000 000
varav sålda av Anthropic801 351 354956 351 354
varav befintliga aktieägare23 648 64623 648 646
Bankernas option (30 dagar)123 750 000147 000 000

Registreringsanmälan trädde i kraft den 18 november efter besked från SEC. Handeln väntades inledas den 19 november på Nasdaq Global Select Market under symbolen ANT, och transaktionen slutföras den 20 november. Anthropic offentliggör varken hur mycket kapital som tas in eller sin värdering. Med det fastställda priset motsvarar de 956 351 354 aktier som företaget säljer cirka 79,4 miljarder dollar brutto, beräknat utifrån siffrorna i pressmeddelandet. För privatpersoner i Europeiska ekonomiska samarbetsområdet, däribland Frankrike, angav det europeiska prospektet ett slutpris som var identiskt med priset i det amerikanska erbjudandet.

Den 19 november publicerade @AnthropicAI en kort video och därefter en text av Dario Amodei. Företagsledaren påminner där om att han och Daniela Amodei förlorade sin far i en sjukdom som blev botbar några år senare. Enligt honom skulle en tillräckligt kraftfull AI som arbetar tillsammans med människor kunna komprimera ett århundrade av vetenskapliga och medicinska framsteg till ett decennium, även om resultaten än så länge är preliminära. Han nämner riskerna: skadlig användning av individer eller stater, ekonomisk omvälvning och förlorad kontroll över systemen. Han åtar sig att anpassa takten för träning och lansering av modellerna så länge det behövs för att säkerställa att de är säkra och förblir under mänsklig kontroll.

We will not bend to either business or political pressure.

🇸🇪 Vi kommer inte att ge efter för vare sig kommersiella eller politiska påtryckningar. — @AnthropicAI på X

För Dario Amodei stärker börsintroduktionen företagets finansiella ställning och därmed dess beslutsamhet; han återkommer till idén om en ”kapplöpning mot toppen” (race to the top).

🔗 Besked om priset för börsintroduktionen (Anthropic) · @AnthropicAI på X: det fastställda priset


Agenter i arbete hos OpenAI: rapporten om snabbare forskning och Performance Factory

18 november — Två månader efter en första rapport publicerar OpenAI nya mätningar av hur företagets egna agenter påskyndar forskningen. Titeln sammanfattar slutsatsen: förmågegränsen är ojämn (jagged frontier). Mellan mars och oktober ökar andelen uppgifter som beräknas kräva två till fyra timmars mänskligt arbete och som agenterna klarar utan ingripande från 23 % till 46 %, och från 13 % till 35 % för uppgifter på fyra till åtta timmar. Allt beror på arbetet: 79 % lyckade resultat för att övervaka en träning, 72 % för att besvara en teknisk fråga och bara 25 % för att skriva kod för inferens och serving. OpenAI påpekar att de tilldelade uppgifterna kan ha förändrats samtidigt som modellerna.

OpenAI:s interna mätvärdePublicerat värde
Uppgifter på 2 till 4 timmar som klaras utan hjälp23 % i mars, 46 % i oktober
Uppgifter på 4 till 8 timmar som klaras utan hjälp13 % i mars, 35 % i oktober
Medianutgift för agenter per forskare och dag2 400 dollar i oktober (+62 %)
Utgift vid den 90:e percentilen23 000 dollar i oktober (+105 %)
Agentdagar per forskare och dagfrån 0,5 till 5,7
Dokumenterad tid för säkerhet och alignment+77 % från januari till september
Förmågegränsen för OpenAI:s modeller på OECI-indexet+16,4 poäng per år, jämfört med 14 uppmätta av Epoch

Utgifterna beräknas utifrån API:ets listpriser, och forskarna har ingen kvot. Agenttiden per forskare har elvafaldigats; i mitten av oktober körde mer än två tredjedelar av de följda forskarna minst fyra agenter samtidigt när aktiviteten var som högst under dagen. I september motsvarade värdet av denna användning ungefär dubbla ersättningen exklusive aktier för forskningsorganisationen, samtidigt som den interna driften bara står för 2 % av beräkningsresurserna som ägnas åt forskning.

Rapporten följer också idéernas ursprung. För GPT-6.2 Astra utvecklade forskare inom förträning vissa idéer genom dialog med Codex, och en av dem tillskriver verktyget avgörande insikter; idéerna bakom GPT-6 Astra kom helt från människor. För att under tre månader få tillgång till kodagenter som är bättre än GPT-5.2 skulle de intervjuade forskarna i median avstå från 40 % av personalstyrkan i sitt team eller 30 % av dess beräkningsresurser. Intervjuerna påminner om begränsningarna: bristande känsla för bra forskningsidéer, kod av låg kvalitet och omvägar via onödiga steg, vilket kräver noggrann mänsklig tillsyn.

Tiden som ägnas åt säkerhet och alignment ökar mest i absoluta tal av alla områden, med en förändrad trend efter Hugging Face-incidenten i juli. OpenAI introducerar också OECI, ett index som härletts från Epoch Capabilities Index och där företagets modeller presterar bättre än på Epochs index, enligt OpenAI sannolikt på grund av sammansättningen av benchmarks. Företaget anser slutligen att laboratorier bör vara skyldiga att följa och publicera mätvärden för rekursiv självförbättring (recursive self-improvement, RSI), processen där AI påskyndar utvecklingen av framtida system, samtidigt som det betonar att publiceringen inte ska tolkas som en avsikt att sikta på fullständig RSI. Rapporten presenterar sina siffror som en partiell bild, delvis baserad på självrapportering.

🔗 Snabbare forskning: den ojämna förmågegränsen (OpenAI) · @OpenAI på X

OpenAI beskriver Performance Factory, där Codex-agenter undersöker varför ChatGPT blir långsammare

19 november — OpenAI:s Engineering-blogg ger ett konkret exempel på arbetet som anförtros agenterna: Performance Factory, ett autonomt system i molnet där Codex-agenter spårar prestandaförsämringar i ChatGPT. Ett larm skapar en uppgift, en agent hittar orsaken, en annan föreslår en korrigering i form av en pull request, en ingenjör avgör om den ska mergas och därefter kontrollerar en agent efter driftsättningen att mätvärdena har återgått till det normala. På drygt tre månader har detta första arbetsflöde hanterat över 1 700 utredningar och hittat orsaken i över 600 fall, vilket motsvarar 17 automatiserade utredningar per dag.

Teamets kunnande finns samlat i en delad skill, perf-forensics, som anger vilka verktyg Codex ska använda bland över 30 prestandaverktyg. För att undvika att en agent nöjer sig med den första rimliga förklaringen försöker en andra Codex-session motbevisa varje diagnos: av 100 orsaker som granskades manuellt bedömdes 70 % vara korrekta. OpenAI medger att själva korrigeringen fortfarande är det svåraste steget och undersöker proaktiv upptäckt av prestandaförsämringar samt leverans av korrigeringar med låg risk utan mänsklig medverkan, utan någon tidsplan.

🔗 Så håller OpenAI:s Performance Factory ChatGPT snabbt · Tråd från @OpenAIDevs


Generativa bilder och videor: Ideogram 4.6 med nativ 4K, Kling 4.0 med 4K och 10-bitars HDR

19 november — Ideogram lanserar Ideogram 4.6, en ny bildmodell som genererar direkt i 4K, utan uppskalning (upscaling): varje detalj, från hud till tyg, skapas i full upplösning. Ideogram säger sig ha arbetat med att ta bort bildernas ”AI-känsla” och vaxartade hud, med synliga porer, fina linjer och naturliga texturer, och utlovar betydligt bättre återgivning av färger och material med sikte på e-handel och produktfotografering.

Bildredigering är fortfarande modellens kärna: betydligt mindre pixelförskjutning (pixel drift) utanför det ändrade området och bildgenerering från skisser som följer originalteckningen bättre. Ideogram hävdar att version 4.6 toppar Rapidatas rankning för bildredigering i flera steg (Multi-step Image Edit), före alla andra modeller, däribland Seedream 5.5 och FLUX 3 Image, utan att ange något resultat; redan den 10 november uppgavs 4.5 leda en Rapidata-rankning för successiv bildredigering.

Tillgång till Ideogram 4.6Vad som meddelats
Ideograms app och APItillgängliga från den 19 november
Partnerplattformar (12)Leonardo, Runway, fal, Comfy, Runware, Scenario, Invideo, MyDesigns, Sociaro, Moda, HeyGen och Luma
Prisinget pris i tillkännagivandet
Öppna vikteren öppen version av 4.6 utlovas, utan datum

När det gäller öppna vikter ändrar Ideogram sin plan. På en fråga om vikterna för version 4.5, som har utlovats ”snart” sedan den 30 september, svarar företaget att det hoppar över 4.5 och går direkt till en öppen version av 4.6, utan att ange något datum. Ideogram 4.0 släpptes med öppna vikter den 3 juni.

We’ll skip 4.5 open and go directly to 4.6 open.

🇸🇪 Vi kommer att hoppa över den öppna versionen av 4.5 och gå direkt till en öppen version av 4.6. — @ideogram_ai på X

🔗 Tillkännagivande av Ideogram 4.6 på X

Kling 4.0 går över till nativ 4K med 10-bitars HDR-utmatning

19 november — Samma utveckling på videosidan: Kling meddelar att Kling 4.0 nu stöder nativ 4K-upplösning och 10-bitars HDR-utmatning, både i 4K och 1080p, för fler detaljer och rikare färger. Denna HDR-utmatning hade utlovats ”snart”, utan datum, när Kling 4.0 blev fullt tillgänglig den 15 oktober; Kling 3.0 hade redan kunnat generera i nativ 4K sedan den 23 april. Meddelandet består av en enda tweet: inget blogginlägg, inga versionsanteckningar, inget pris i krediter, ingen maximal längd och inga närmare uppgifter om API:et.

🔗 Klings tillkännagivande på X


Gemini 4 Neon hos Cursor och GitHub Copilot: etta på CursorBench 4.1, tillgänglig för Pro+, Max, Business och Enterprise

Några timmar efter Googles lansering, som togs upp här den 18 november, kommer Gemini 4 Neon till kodverktyg från tredje part. Cursor och GitHub Copilot gör modellen tillgänglig redan på kvällen den 18 november; Genspark och Antigravity CLI följer den 19 november (se Notiserna).

Cursor gör Gemini 4 Neon tillgänglig, etta på CursorBench 4.1 med 65,4 % på resonemangsnivån Extra High

18 november — Enligt Cursor sätter Gemini 4 Neon med sin förvalda resonemangsnivå en ny gräns för förhållandet mellan kostnad och prestanda på CursorBench 4.1: 63,7 % jämfört med 57,3 % för Gemini 4 Hydrogen, som den ersätter för vardaglig agentbaserad kodning, medan Gemini 4 Carbon fortfarande rekommenderas för de svåraste uppgifterna. CursorBench 4.1 är en ny version av testsviten, daterad samma dag (ändrade uppgifter som mäter hur väl instruktioner följs, mer tid för agenten): dess resultat går inte att jämföra med dem från CursorBench 4.0 som publicerades för Carbon och Hydrogen i början av november.

Modell och resonemangsnivå (CursorBench 4.1)ResultatGenomsnittlig kostnad per uppgift
Gemini 4 Neon Extra High65,4 %10,67 dollar
Gemini 4 Neon High63,7 %6,54 dollar
Gemini 4 Carbon High61,5 %8,52 dollar
Gemini 4 Hydrogen Extra High61,4 %8,09 dollar
Claude Fable 5.2 Max61,3 %48,11 dollar
Gemini 4 Carbon Medium60,4 %7,22 dollar
Claude Fable 5.2 Extra High58,8 %17,84 dollar
Claude Opus 5.5 Max58,1 %11,88 dollar
Gemini 4 Neon Medium57,7 %3,07 dollar
Gemini 4 Hydrogen High57,3 %4,57 dollar

I Cursor kostar Neon (gemini-4-neon, kontext på 200K tokens, upp till 1M) 3 dollar per miljon tokens för indata, 0,15 dollar för cacheläsning och 15 dollar för utdata. Liksom andra tredjepartsmodeller omfattas den inte av abonnemangets inkluderade användning: kostnaden dras från det förbetalda saldot i The X Subscription eller från potten ”Other Models” i äldre Cursor-abonnemang.

🔗 Cursors tillkännagivande på X · CursorBench-tabell (Cursor)

Gemini 4 Neon kommer till GitHub Copilot för Pro+, Max, Business och Enterprise

18 november — GitHub gör Gemini 4 Neon allmänt tillgänglig i Copilot och presenterar den som en modell utformad för agentisk kodning, verktygsanvändning i flera steg och kunskapsarbete. I sin changelog återger GitHub Googles argument: en kvalitet nära Gemini 4 Carbon till en lägre tokenkostnad per uppgift, snabbare start på svaren, färre oönskade ändringar i koden och färre obestyrkta påståenden om verktyg eller testresultat, utan några siffror som stöd.

Neon är tillgänglig för abonnenter på Copilot Pro+, Max, Business och Enterprise; Pro-abonnemanget nämns inte, trots att Gemini 4 Hydrogen kom dit redan den 13 november. Den fungerar i tio miljöer: VS Code, Visual Studio, Copilot CLI, kodagenten, GitHub Copilot-appen, github.com, GitHub Mobile, JetBrains IDE:er, Xcode och Eclipse. Den debiteras efter användning enligt leverantörens listpris och rullas ut successivt. För företag aktiveras den automatiskt så länge standardaktiveringen av nya modeller är påslagen, om administratören inte inaktiverar just den här modellen.

🔗 Gemini 4 Neon i GitHub Copilot (changelog) · @github på X


Kodagenter: Claude Code 2.1.328, Kimi Code 2.7.0, Devin Security Threats, Devin for Databricks Migrations, Amuse och Optimization-Bench från Replit

Claude Code 2.1.328 öppnar auto-läget för Opus 4.6 och Sonnet 4.6 hos tredjepartsleverantörer och fokuserar /code-review på buggar

19 november — Claude Code 2.1.328 innehåller 144 punkter, varav 91 buggfixar. Auto-läget öppnas för Claude Opus 4.6 och Sonnet 4.6 på Amazon Bedrock, Google Cloud’s Agent Platform, Microsoft Foundry och gatewayen Claude apps: en interaktiv session som startas utan ett behörighetsläge börjar där direkt i auto-läge, och inställningen disableAutoMode gör det möjligt att stänga av det. Den 19 november angav dokumentationssidan för behörighetslägen fortfarande att auto-läget hos dessa leverantörer var förbehållet Sonnet 5 och senare, Opus 4.7 och senare, Haiku 5.5 och Fable-modellerna.

Kommandot /code-review rapporterar nu, på de flesta modeller, bara buggar och avvikelser från CLAUDE.md; kodstädning (återanvändning, förenkling, effektivitet) hanteras via /simplify, och varje fynd märks som Important, Pre-existing eller Nit. Blockering vid fel ("onFailure": "block"), som lades till den 8 oktober för command- och HTTP-hooks, utökas till mcp_tool-hooks. I terminalen via Anthropic API skriver den lilla snabba modellen nu sammanfattningarna av underagenternas framsteg. Code Mode får 22 punkter, däribland att en paus på 0,75 sekund efter de flesta skript i auto- och bypass-läge tas bort, och den självhostade runnern får 26. En regression i 2.1.327, som kapade underagenternas resonemangsinsats på Bedrock, Agent Platform och Foundry, är åtgärdad; den stabila kanalen ligger kvar på 2.1.311.

🔗 Claude Code v2.1.328

Kimi Code 2.7.0 får stöd för Amazon Bedrock, Kimi Code Desktop 1.4.0 ansluter till Claude Code, Codex och Cursor

19 november — Moonshot AI släpper Kimi Code 2.7.0 (24 punkter), den första mindre versionsuppdateringen sedan 2.6.0 den 12 november, och därefter appen Kimi Code Desktop 1.4.0 (34 punkter) tretton minuter senare. CLI:n får stöd för Amazon Bedrock-leverantörer, visar experimentellt en förutsägelse av nästa prompt efter varje tur och lägger till inställningen « Follow-up behavior », där läget Steer låter Enter-tangenten styra om den pågående turen i stället för att lägga meddelandet i kö. För automatisering startar kimi server den lokala servern utan att öppna någon webbläsare, och tre nya HTTP-endpoints gör det möjligt att styra sessionerna. Varje projekt kan använda sina egna SSH-värdar; de gamla /api/v2-endpoints tas bort till förmån för /api/v1, en API-ändring som ändå klassas som en vanlig buggfix.

Skrivbordsappen ansluter till externa agenter, som Claude Code, Codex och Cursor, för att överlämna sessioner till dem, granska historiken och samarbeta mellan turerna. Den lägger också till Qwen Coding Plan bland leverantörerna.

🔗 Kimi Code 2.7.0 · Kimi Code Desktop 1.4.0

Cognition lanserar Devin Security Threats, ett hanterat index över nya sårbarheter som kan skannas med ett klick

19 november — Cognition lägger till ett hanterat index över nyligen offentliggjorda sårbarheter i Devin Security. Företaget utgår från två av veckans tillkännagivanden: Java4Shell (17 november), som berör Javas körmiljö, och NGINX2Root (18 november), fem buggar som orsakar minneskorruption i nginx; båda kan leda till fjärrkörning av kod. Varje hot beskriver vad som berörs, hur en angripare skulle utnyttja det och vad som åtgärdar det. Cognition publicerar hotbeskrivningar för de större offentliggörandena, och varje team kan skriva egna utifrån en bug bounty-rapport, ett leverantörsmeddelande eller en incidentgenomgång.

Knappen Scan with Devin startar en skanning inriktad på hotet i de valda kodarkiven, och därefter öppnar Devin pull requests för granskning. I läget Auto-triage skannar Devin om de valda kodarkiven vid varje nytt hot över en angiven lägsta allvarlighetsgrad. Två open source-skills skrivna i Markdown, fix-nginx-vuln och fix-java-vuln, läggs till i pluginet Vulnerability Fixes på Devin Marketplace och kan användas av en annan kodagent. Inget pris har meddelats.

🔗 Devin Security Threats (Cognition) · @cognition på X

Cognition lanserar Devin for Databricks Migrations för att flytta äldre datalager till Databricks

19 november — Tillsammans med Databricks lanserar Cognition ett särskilt migrationserbjudande. Devin konverterar koden i äldre datalager (Teradata, Oracle, SQL Server, Informatica, Redshift, Snowflake), testar den i kundens arbetsyta, åtgärdar fel och stämmer av varje källa mot dess kopia på Databricks före övergången: schema, antal rader, aggregat och sedan jämförelse rad för rad. Enligt Cognition migrerade ett energiföretag i Fortune 500 en plattform med 142 objekt till Unity Catalog på åtta dagar, och konsultföretaget Zeb levererade på två och en halv vecka en NetSuite-migration som planerats ta fyra.

Erbjudandet finns på Databricks Marketplace och räknas av mot det utgiftsåtagande som redan tecknats med Databricks (Universal Commit). Cognition uppger också att företaget använder Databricks som strategisk inferensleverantör för open source-modeller och frontier-modeller som tillhandahålls via en gemensam endpoint. Inget pris anges.

🔗 Devin for Databricks Migrations (Cognition)

Replit släpper Amuse, en personlig open source-assistent som Missions återskapade på tre dagar

19 november — Efter TernSign visar Replit upp ett nytt resultat från Missions, sitt ramverk för agentsvärmar: Amuse, en personlig AI-assistent med öppen källkod (Apache 2.0) som körs på användarens dator. Enligt Replit fick svärmen utmaningen att återskapa « den tongivande AI-assistenten », utan att namnge den, och lyckades på tre dagar. Plattformens Security Scanner användes sedan för att åtgärda de sårbarheter som hittades.

Amuse söker på webben med källhänvisningar, styr en webbläsare som användaren kan följa och ta över, hanterar påminnelser och bakgrundsuppgifter och bygger små appar. Minnet lagras i läsbara filer, inloggningsuppgifterna i ett krypterat valv där modellen bara ser ersättningstokens, och den begär godkännande före varje sändning, formulärinlämning, betalning eller ny schemaläggning. « Gratis » gäller exklusive modellen: den kräver en OpenAI API-nyckel (GPT-6.2 Sol för agenten, GPT-6 Luna för de snabba stegen) och en PostgreSQL-databas, och är fortfarande begränsad till en person på en dator, utan MCP-servrar.

🔗 Replits tillkännagivande på X · Kodarkivet replit/amuse

Replit släpper Optimization-Bench: den bästa soloagenten ger inte den bästa svärmen

19 november — Replits forskarteam släpper Optimization-Bench, ett benchmark för prestandaoptimering på frysta versioner av open source-bibliotek, där fyra av fjorton analyseras: NumPy, SQLite, SQLGlot och Git. Sex modeller arbetade på egen hand och sedan i svärmar med 8, 16 och 32 agenter under två timmar, medan utvärderingen kördes på en maskin som agenterna inte kunde nå.

Mått i Optimization-BenchResultat publicerat av Replit
GPT-6.2 Astra på egen hand, på NumPymer än 3 gånger snabbare än Opus 5.5 på egen hand
Svärmar med 32 GPT-6.2 Astra-agenterunder sitt soloresultat på 3 av 4 uppgifter
Medianförbättring för svärmar med Opus och Sonnet 5.51,30 gånger deras soloresultat, med 16 och 32 agenter
Meddelanden från Opus 5.5 som skickades till den delade tavlan82 %

GPT-6.2 Astra dominerar på egen hand, men dess svärmar planar ut vid 8 agenter. Svärmarna med Claude Opus 5.5 och Claude Sonnet 5.5 slår däremot sina solokörningar varje gång; på NumPy går Opus från 3,7 gånger på egen hand till 18,9 gånger i en svärm med 32, en siffra som redan angavs vid lanseringen av Missions. Replit tillskriver skillnaden organisationen: effektiva team skriver på en delad tavla och låter koordinatorn fördela och sedan slå samman arbetet (i NumPy-svärmen med 32 Opus-agenter skrev den aldrig till en enda arbetsagent), medan de andra gör koordinatorn till en växel vars inkorg växer med varje agent som läggs till.

🔗 Att lösa problemet med mer folk (Replit) · @Replit på X


Konsumentassistenter: computer use i Gemini för Mac, ChatGPT Health på Android, skrivbord, dots och sites

Gemini-appen för Mac styr appar och webben i bakgrunden med computer use

19 november — Gemini-appen för Mac kan nu använda datorn (computer use) åt användaren. Gemini utför uppgifter i flera steg i lokala filer, skrivbordsappar och på webben: klick, inmatning, menyer och formulär. Den arbetar i ett isolerat fönster i bakgrunden, med en förhandsvisning i realtid i konversationen, så att huvudskärmen och markören förblir fria. Användaren väljer vilka appar som är tillgängliga, följer varje steg, kan pausa allt och godkänner viktiga åtgärder innan de utförs.

Googles exempel sträcker sig från fotoredigering i batcher till att fylla i fraktofferter utifrån lokala PDF-filer och skapa en Google Slides-presentation utifrån dashboards; videon som publicerats på X förvandlar en skiss till en animerbar 3D-modell i Blender. Funktionen rullas ut på engelska i USA för abonnenter på Google AI Plus, Pro och Ultra, på Mac-datorer med Apple Silicon och macOS Sequoia 15.0 eller senare, med ett personligt Google-konto för personer som är 18 år eller äldre. För utvecklare har verktyget Computer Use i Gemini API varit allmänt tillgängligt sedan slutet av oktober; konsumentappen ger nu denna styrning på användarens Mac.

🔗 Computer use i Gemini för Mac (Google) · @GeminiApp på X

ChatGPT utökar Health till Android med Health Connect, skrivbordsappen, dots och sites

19 november — Health-utrymmet i ChatGPT utökas till skrivbordsappen, dots, sites och Android. På Android ansluter det till Health Connect för att identifiera sömn- och aktivitetstrender. Dots, ChatGPT:s personliga agenter, kan själva föreslå en annan träningstid när ett möte krockar eller påminna om förebyggande åtgärder utifrån anslutna patientjournaler. På datorn ger OpenAI exemplet med en webbplats byggd för att följa förberedelserna inför ett maraton. Utrullningen sker successivt och är begränsad till USA för abonnemangen Free, Go, Plus och Pro; dots är fortfarande förbehållna Pro-abonnemanget. Health finns i sidofältet eller i menyn Explore.

🔗 Versionsinformation för ChatGPT


Gemini API: Genie 4 öppnas för utvecklare, Tool Retrieval i förhandsversion

Genie 4 kommer till Gemini API och Google AI Studio, för cirka 0,10 dollar per sekund genererad värld

19 november — Dagen efter att Genie 4 kom till Project Genie för Google AI Ultra-abonnenter öppnas modellen för utvecklare i Gemini API, via Interactions API, och i Google AI Studio, med en interaktiv canvas och startappar. Utifrån en text, en referensbild eller båda genererar världsmodellen en sammanhängande miljö med synkroniserat ljud, från omgivningsljud till dialoger; man förflyttar sig med tangentbordet och kan under tiden ändra väder, belysning, objekt eller händelser med text.

Egenskap för Genie 4 i API:tDokumenterat värde
Modellidentifieraremodels/genie-4 (Interactions API)
Video- och ljudutdata1280x720, 16:9, 24 images/s, stereoljud 48 kHz
ÅtkomstAPI-nyckel för betalnivån
Debitering240 videotokens per bild, alltså cirka 0,10 dollar per sekund
Sessionslängdmöjlig försämring efter 60 till 90 s, maxgräns på 120 s
TjänsteregionerUSA, Västeuropa, Japan

Dokumentationen varnar för att genereringen inte avbryts direkt när fliken stängs: bara ett uttryckligt avslut av sessionen (complete()) stoppar debiteringen. Genie 4 lagrar ingen 3D-scen i minnet: ett objekt som varit utom synhåll i 8 sekunder eller mer, eller ett helt varv runt den egna axeln, kan få referenspunkter att flyttas eller återställas. Varje resultat har en SynthID-vattenstämpel.

🔗 Genie 4 i Gemini API (Google) · Dokumentation för Genie (AI Studio)

Gemini API lanserar Tool Retrieval i förhandsversion, som läser in verktygsscheman vid behov

19 november — Google lägger till verktygssökning i Gemini API, något som OpenAI och Anthropic redan erbjöd. Med Tool Retrieval, i förhandsversion i Interactions API, behöver en agent som är ansluten till tiotals eller hundratals verktyg inte längre skicka alla deras parameterscheman vid varje anrop: det räcker att lägga till ett tool_search-verktyg och markera de verktyg som ska hållas i reserv med defer_loading: true. Modellen ser bara deras namn och beskrivning, begär ett verktyg med dess namn när det behövs, och API:t läser in schemat i samma anrop, på serversidan, utan att något index behöver byggas.

Mekanismen omfattar även fjärranslutna MCP-servrar och fungerar med prefixcache, eftersom de inlästa schemana läggs till senare i konversationen. Team som hanterar ett eget verktygsregister kan köra sökningen i sin egen miljö, till priset av en extra tur och retur. Tool Retrieval debiteras inte separat: tool_search lägger till ett litet fast block med indatatokens, varje inläst schema debiteras som indata under resten av konversationen, och Google, som inte publicerar några siffror över besparingen, rekommenderar att man mäter vinsten på den egna trafiken. Funktionen fungerar med Gemini 3.6 och senare modeller, däribland hela Gemini 4-familjen.

🔗 Tool Retrieval i Gemini API (Google)


Röst: GPT-Live-1.1 kommer till API:et, med viloläge för 0,02 dollar per minut

19 november — Drygt en månad efter att ha blivit tillgänglig i röstfunktionen i ChatGPT Plus och Pro den 15 oktober kommer GPT-Live-1.1 till OpenAI:s API (gpt-live-1.1 på v1/live/sessions). Modellen förbättrar uttalet, enhetligheten i accenten och transkriberingen i flerspråkiga röstsamtal och kan anslutas till en befintlig konfiguration för Live-sessioner.

Den mest konkreta nyheten är viloläget (standby), som blir tillgängligt för både GPT-Live-1 och GPT-Live-1.1 i WebRTC-sessioner. Efter en inställbar tystnadsperiod på 5 till 60 sekunder pausas modellen utan att samtalet kopplas ned, och minutpriset sjunker från 0,05 till 0,02 dollar tills någon börjar tala igen.

Typ av GPT-Live-sessionPris per minut
Aktiv session0,05 dollar
Viloläge (WebRTC, pausad inferens)0,02 dollar

Användningen av backend-modellen och verktygen debiteras fortfarande separat, och de två versionerna har separata gränser för antalet samtidiga sessioner. SDK:erna Python 3.56.0 och Node 7.61.0 lägger till modellen, och OpenAI publicerar i samband med lanseringen en guide om språk och regionala accenter.

🔗 Meddelande från @OpenAIDevs · Modellinformation för GPT-Live-1.1 · Prompting av GPT-Live för språk och regionala accenter


Hårdvara och moln: NVIDIA och Microsoft på Ignite, RTX Spark-mini-PC finns tillgängliga

NVIDIA och Microsoft utökar sitt samarbete på Ignite, från Vera Rubin i Azure till Nemotron 3.5 i Foundry

19 november — I samband med Microsoft Ignite beskriver NVIDIA sitt utökade samarbete med Microsoft i ett inlägg av Dave Salvator. Vera Rubin NVL72-system körs i Azures datacenter och tillgången till de virtuella maskiner som använder dem utökas; inlägget beskriver en förhandsversion av Vera Rubin i Azure, utan något datum för allmän tillgänglighet.

Tillkännagivande från NVIDIA och MicrosoftStatus enligt inlägget
Azure-VM på Vera Rubin NVL72utökad tillgång, förhandsversion
Nemotron 3.5 Super, Lightning, Embed, Rerank, Parse och Content Safetyutökat utbud på Foundry Managed Compute
Nemotron 3.5 Bolt och Transcribesnart
Nemotron 3.5 och Cosmos-modeller i Foundry Localutökat stöd, inklusive Azure Local-miljöer
Azure LocalRTX PRO 6000 Blackwell-GPU:er på väg, utökning till Jetson Thor och Jetson Orin
Direct Stream på Windows 365två 4K-strömmar med 60 bilder/s, offentlig förhandsversion i början av 2027
BioNeMo och ALCHEMI i Microsoft Discoverytas in i utbudet, första integrationen av RFD4-Proteina

Som exempel nämns att EY har anpassat öppna Nemotron-modeller med Programmed Training, Foundrys serverless-tjänst för efterträning, för att klassificera inköpsregister; enligt inlägget ökar precisionen med 55 % på företagets utvärderingsdataset, till en kostnad som är 15 gånger lägre än för ledande proprietära modeller. Microsoft AI använder också NVIDIA Dynamo för inferens vid de körningar (rollouts) som används för förstärkningsinlärning under efterträningen. Slutligen påminner inlägget om Azures MLPerf-resultat: upp till 10 240 NVIDIA-GPU:er i GB200 NVL72-system i Training v6.1, den största skalan i omgången, och, i Inference v6.1, mer än 10 % högre interaktiv genomströmning på DeepSeek-R1 för Azures GB300 NVL72 än för övriga molnbidrag, enligt Signal65. Inga priser anges.

🔗 NVIDIA och Microsoft på Ignite (NVIDIA)

RTX Spark-mini-PC från ASUS, Dell och MSI finns tillgängliga, meddelar NVIDIA

18 november — NVIDIA meddelar att stationära RTX Spark-mini-PC från ASUS, Dell och MSI nu är tillgängliga, till exempel ASUS ProArt GR1X och MSI EdgeMesa N AI+-serien; modellerna från Acer, GIGABYTE och HP kommer snart, liksom Microsoft Surface RTX Spark Dev Box. De bygger på samma plattform som de bärbara datorer som lanserades i oktober: NVIDIA Grace-processor med 20 kärnor, Blackwell RTX-GPU med 6 144 CUDA-kärnor, upp till 128 GB enhetligt minne och upp till 1 petaflop AI-prestanda. NVIDIA uppger att de kan köra modeller med 120 miljarder parametrar lokalt. Inga priser anges.

På mjukvarusidan finns Switchyard, som fördelar agentuppgifter mellan lokala modeller och molnmodeller, tillgängligt i Hermes. Adobe kortar tiden för vanliga H.264-leveranser i Premiere med mer än 50 %, och Illustrator, som nu körs nativt på Windows on Arm, är upp till 30 % snabbare än den emulerade versionen; Blender 5.3 integrerar DLSS 4.5 Ray Reconstruction. Vid Ignite meddelades att Windows Server 2028 kommer till DGX Station for Windows och att Windows ML kan köra valfri GGUF-modell från Hugging Face via llama.cpp.

🔗 RTX Spark-mini-PC finns tillgängliga (NVIDIA)


Öppna modeller: DaisyRose-27B och Hermes-adaptern lyfter Qwen3.8-27B, OVHcloud publicerar Olala mini, PEFT v0.22.0

RadixArk publicerar DaisyRose-27B, en RL-finjusterad Qwen3.8-27B som fördubblar sitt resultat på Terminal-Bench 4.1

18 november — RadixArk publicerar DaisyRose-27B, som presenteras som företagets första modell: en Qwen3.8-27B som tränats om med förstärkningsinlärning med hjälp av Miles, företagets open source-framework, på omkring 1 200 långa agentuppgifter (upp till 1,5 timme och fler än 100 verktygsanrop per försök), framtagna tillsammans med Eigent AI för att rikta in sig på ursprungsmodellens fel. Vikterna publiceras under Apache 2.0 i BF16, FP8 och NVFP4, med basmodellens kontextfönster på 256K tokens och bildförståelse. Träningen tog 18 dagar på 144 H200.

Benchmark (resultat i %)Qwen3.8-27BDaisyRose-27B
Terminal-Bench 4.1 (pass@1)5,612,0
Terminal-Bench 2.173,075,5
DeepSWE v1.142,246,2
SWE Bench Pro v291,394,7
GPQA Diamond89,290,7

RadixArk uppger också 37 % nyttigt GPU-utnyttjande (MFU), jämfört med 16 % för den Megatron-baserade open source-träningsmotorn, vilket innebär 57 % mindre GPU-tid; detta är utvecklarens egna siffror.

🔗 DaisyRose-27B (inlägg från RadixArk) · DaisyRose-27B-NVFP4 (Hugging Face)

Projektet harness-hub publicerar Hermes-adaptern för Qwen3.8-27B, som höjer SWE-Bench Pro från 29,4 till 43,1 % utan resonemang

19 november — Efter pi och OpenCode publicerar projektet harness-hub en tredje LoRA-adapter för Qwen3.8-27B, den här gången för Hermes, Nous Researchs agentharness, med en GGUF-version.

Benchmark (pass@1)Qwen3.8-27BMed Hermes-adaptern
SWE-Bench Pro (51 svåra uppgifter), utan resonemang29,4 %43,1 %
SWE-Bench Pro (51 svåra uppgifter), resonemang xhigh45,1 %51,0 %
Terminal-Bench 2.1, utan resonemang44,7 %58,8 %
Terminal-Bench 2.1, resonemang xhigh58,8 %57,6 %

Fördelen ligger framför allt i den låga resursåtgången: utan resonemang når adaptern samma nivå som basmodellen med resonemang xhigh, med 3,5 till 4,4 gånger färre tokens. Med en budget på 10 000 tokens per uppgift löser den 51 % av Terminal-Bench 2.1 och 39 % av SWE-Bench Pro, jämfört med 28 % och 0 % för basmodellen i xhigh. Upplägget (AsyncGRPOTrainer från TRL, OpenEnv, safeagents) ska beskrivas i detalj i ett inlägg som aviserats till fredag.

🔗 Meddelande från @yb2698 på X · Qwen3.8-27B-hermes-adapted (Hugging Face)

OVHcloud publicerar vikterna för Olala mini 7A1B på Hugging Face, med ett snittresultat på 68,0 på tolv benchmarks

19 november — Olala mini 7A1B, som presenterades den 17 november och inleder OVHclouds första familj av språkmodeller, kan nu laddas ned från Hugging Face under Apache 2.0-licens, i versionerna base, SFT, GGUF och MLX.

Egenskap hos Olala mini 7A1BPublicerat värde
Parametrar6,8 miljarder, varav omkring 1 miljard är aktiva per token
Arkitekturhybrid med Mamba-3 och attention i en mixture of experts, KV-cache på 7 av 36 lager
Kontext32K tokens, version med 128K aviserad inom kort
Träning12,8T tokens, på engelska och 36 andra språk
Uppskattat avtryckomkring 40 t CO2 och 1,16 GWh
Genomsnitt på tolv benchmarks68,0, vilket är 15,2 poäng mer än SFT-checkpointen

Modellen tränades på tre europeiska offentliga superdatorer, JUPITER (med bland annat 1 024 GH200-GPU:er), Jean Zay och MeluXina. Den resonerar innan den svarar, med fyra ansträngningsnivåer, och har tränats med förstärkningsinlärning för att anropa verktyg; dess styrka är att följa instruktioner, medan tävlingsmatematik är dess svaghet.

🔗 @OVHcloud på X · Olala-v1.0-mini-7A1B (Hugging Face)

Hugging Face släpper PEFT v0.22.0, med metoderna PaCA, Astra och NoRA, inför PEFT 1.0

19 november — Biblioteket för resurseffektiv finjustering från Hugging Face uppdateras till v0.22.0. Det lägger till PaCA (Partial Connection Adaptation), som inte lägger till adapterlager utan finjusterar slumpmässigt utvalda indatakolumner direkt i de förtränade vikterna: enligt ursprungsartikeln kräver metoden 22 % kortare träningstid och 16 % mindre minne än LoRA, med jämförbar precision. Två nya initialiseringar av LoRA, Astra och NoRA, kompletterar versionen, som också förbättrar tensorparallellism och FSDP2 samt lägger till en hälsokontroll av modellen. PEFT kräver nu Python 3.11, och versionsanteckningarna meddelar att nästa version blir 1.0, med en upprensning av API:et och några mindre bakåtinkompatibla ändringar, föregången av en versionskandidat (release candidate).

🔗 PEFT v0.22.0


Vetenskap: Ai2 lanserar Theorizer i Asta, en agent som föreslår teorier med kopplingar till publikationer

19 november — Ai2 gör Theorizer tillgänglig i Asta, sin agentplattform för vetenskaplig forskning, och publicerar koden under Apache-2.0-licens. Agenten går igenom litteraturen, definierar vad som ska extraheras ur varje artikel, jämför resultaten och formulerar teorier där varje påstående hänvisar till de artiklar som stöder det; den markerar de teorier som den bedömer vara nya och varnar för att en sökning kan missa tidigare arbeten. Ai2 illustrerar detta med verkliga fall: för lungadenokarcinom utan känd drivermutation (omkring 20 till 30 % av fallen), ett preliminärt spår om beroende av proteinet CDK2, som återstår att validera i laboratoriet; 50 kandidatteorier om VIP-interneuroner åt en neuroforskare vid Allen Institute som hade väntat sig en eller två. Användningen i Asta bekostas av Ai2 upp till en tokengräns, den tekniska artikeln publicerades vid ACL 2026 och ett webbinarium är planerat till den 10 december.

🔗 Theorizer i Asta (Ai2) · Kodarkivet allenai/asta-theorizer


AI i företag: Sakana AI och Salesforce undertecknar en avsiktsförklaring för Japans offentliga sektor

19 november — Sakana AI meddelar att man har ingått en avsiktsförklaring med Salesforce om att integrera sina AI-modeller i den amerikanska leverantörens mjukvara, riktad till japanska myndigheter och lokala förvaltningar. Det uttalade målet är att bidra till administrativ effektivitet och digital omställning i dessa organisationer, och Sakana AI säger sig vilja fortsätta utveckla teknik anpassad till behoven i Japans offentliga sektor. Tweeten, som är på japanska, återger en nyhetstext från nyhetsbyrån Jiji; meddelandet anger varken tidsplan, namngiven produkt eller belopp.

🔗 @SakanaAILabs på X


Notiser

Gemini 4 Neon på andra håll

  • Antigravity CLI 1.5.12 — Gemini 4 Neon blir tillgänglig med en enkel Gemini API-nyckel (GEMINI_API_KEY), på alla fyra resonemangsnivåer; webbläsarvyn i Remote Control visar flera samtal sida vid sida, och /fork tar några sekunder i stället för upp till en timme. 🔗 källa
  • Genspark — Gemini 4 Neon kommer till AI Chat och Code Agent, med Googles säljargument (3:a totalt i Artificial Analysis vid resonemangsnivån xhigh, 1:a i dess index för kodagenter, 50 till 80 % lägre kostnad per uppgift än de bästa modellerna), utan angivna abonnemang eller krediter. 🔗 källa

Kodagenter och utvecklingsverktyg

  • Codex CLI 0.172.0-alpha.2 — Versionsinformationen för denna förhandsversion är tom; enligt rubrikerna för dess 62 commits förbereder den argumentkomplettering för slash-kommandon, start av lokala MCP-servrar vid behov som standard och anpassade statusrader i /experimental. Innehållet kan ändras före den stabila versionen. 🔗 källa
  • Codex på iOS — Version 1.2026.314 av ChatGPT för iOS sparar sidosamtal på den parkopplade datorn, lägger till en väljare för att starta en uppgift i molnet eller på en viss dator och i ett visst projekt, och räknar nu bara underagenter som fortfarande är aktiva. 🔗 källa
  • Copilot CLI 1.0.115 och Copilot SDK 2.0.2 — Två förhandsversioner av CLI:n åtgärdar bland annat anslutningen till MCP-servrar som utelämnar ett scope för refresh token; SDK:ns förhandsversion 2.0.2-preview.0 tar på macOS och Linux bort de 16 flaggade nycklarna från certifikatutfärdaren eMudhra som tillitsankare. Den stabila versionen är fortfarande 1.0.114. 🔗 källa · 🔗 Copilot SDK
  • GitHub CLI 2.105.0 — I förhandsversionen väntar gh event listen på en pull request-händelse (granskning, konflikt, ny commit, avslutad check suite) i stället för att polla den, och både gh pr och gh run föreslår nu detta för agenter; åtkomsten till Event Streams går fortfarande via en väntelista. 🔗 källa
  • Copilots MCP-anslutningar — Åtta tjänster som verifierats av GitHub läggs till utöver de fler än 25 befintliga, i offentlig förhandsversion för alla abonnemang: Box, Buildkite, Calendly, ClickUp, Mixpanel, Supabase, Webflow och Wix. 🔗 källa
  • Gemini CLI v0.69.0 och v0.70.0 — Efter nio dagar utan en ny version släpps två stabila versioner samma dag, och v0.70.0 innehåller säkerhetskorrigeringarna för regelmotorn som slagits samman sedan den 10 november; förhandsversionen v0.71.0-preview.0 gör analysen av PowerShell-kommandon asynkron. 🔗 källa · 🔗 v0.71.0-preview.0
  • CLI mistral 0.19.0 och 0.20.0 — mistral ocr process konverterar ett dokument eller en bild till Markdown eller strukturerade data, mistral evals judge ersätts av mistral evals scorer, och mistral agents init skapar nu ett fristående projekt med Agents SDK, utan API-nyckel. 🔗 källa · 🔗 0.20.0
  • Delta 0.28 — Zeds miljö för att koda med agenter söker i trådar från hela organisationen och aktiverar som standard mjuk komprimering, som gallrar bort äldre verktygsresultat utan att anropa en modell. 🔗 källa
  • Amp för Windows — Den 17 november, tio dagar efter en experimentell version, tillkännager Amp sin Windows-app, med inbyggt stöd för x64 och Arm, en integrerad runner, MSIX-paket som kan distribueras via Intune och inställningar via grupprinciper. 🔗 källa
  • Warp Learn — Warp lanserar en kostnadsfri kurs, Build a Self-Improving Software Factory, som hålls av Ben Holmes: två av tre kursdelar finns tillgängliga, från utvecklingsloopen med agenter till korrigeringar som utlöses av felövervakning. 🔗 källa
  • DevinDash — Cognition skapar en variant av sina Devin Bots som beställer mat via DoorDashs MCP-server; startupföretag i Devin for Startups som deltagit i rådgivningstillfällena (öppna frågestunder) i San Francisco eller New York kan få 1 000 dollar i DoorDash-kredit. 🔗 källa

API:er och plattformar

  • Perplexitys Agent API — Resonemangsnivån xhigh byter till GPT-6.2 Sol, utan reservmodell, i stället för Claude Opus 5.5; genom att låsa till version xhigh@2026-11-11.0 behålls den gamla konfigurationen. 🔗 källa
  • Qwen4-Max hos Together AI och Nous Portal — Together AI tillhandahåller Alibabas flaggskeppsmodell (MoE med 2,4T parametrar varav 71B aktiva, kontext på 1M) med 30 % rabatt, och Nous Research gör den kostnadsfri i fem dagar i Nous Portal med Inferact, utan angivet slutdatum eller användningsgräns. 🔗 Together AI · 🔗 Nous Research

Assistenter och företag

  • ChatGPT lägger till ett Accounting-plugin för avstämningar och månadsbokslut i skrivbordsappen — Pluginet hjälper till att stämma av transaktioner, skriva bokföringsposter för fakturering och förbereda månadsrapporter; det använder datorstyrning på macOS eller Windows, med godkännande från en administratör i Enterprise (ChatGPT:s versionsinformation från den 18 november, länkad ovan).
  • Perplexity Brain — Perplexity delar på X de personliga skills som Brain skrivit och tillkännager där funktionen för alla privat- och företagsabonnenter i USA, medan blogginlägget talar om Max-abonnenter; i det randomiserade testet fick 72,9 % av användarna med automatisk förbättring en ny personlig skill, jämfört med 6,5 % i kontrollgruppen. 🔗 källa · 🔗 inlägg
  • RAG as a service — Perplexity publicerar en guide om RAG som tjänst och rangordnar sju leverantörer, med Perplexity Enterprise först, före AWS Bedrock, OpenAI, Azure AI Search, Pinecone, LlamaIndex och Vectara; rangordningen är Perplexitys egen. 🔗 källa
  • Sumitomo Life — Det japanska livförsäkringsbolaget, som gick över till ChatGPT Enterprise i juni 2026, uppger att över 80 % använder det varje vecka och att den uppskattade avkastningen på investeringen, beräknad utifrån rapporterade tidsvinster, är 203 % totalt och i genomsnitt 524 % bland de anställda som använder det minst 101 gånger i månaden. 🔗 källa
  • SSO för externa medlemmar — Ägare av arbetsytor i ChatGPT Enterprise, Edu och Healthcare kan undanta externa medlemmar vars domän inte är verifierad från SSO; undantaget gäller för en enda arbetsyta och upphör när medlemmen lämnar den. 🔗 källa
  • Candid Health och ElevenAgents — Den amerikanska plattformen för hantering av intäktscykeln låter ElevenLabs röstagenter sköta samtalen till försäkringsbolag om nekad ersättning: 12 860 samtal, över 850 sparade timmar per månad och 59 % av pilotsamtalen lösta, med en integration på 48 timmar. 🔗 källa
  • Enterprise Live Migrations — Utanför AI: löpande migreringar från Azure DevOps Services till GitHub Enterprise Cloud med datahemvist blir allmänt tillgängliga, med Git-historik, grenar, taggar och pull requests synkroniserade ända fram till övergången. 🔗 källa
  • RHEL-runners i GitHub Actions — Utanför AI: avbildningarna Red Hat Enterprise Linux 9 och 10 för värdbaserade larger runners blir allmänt tillgängliga för abonnemangen Team och Enterprise Cloud. 🔗 källa

Öppna modeller, forskning och simulering

  • Gensparks Deep Research — Genspark delar ett arbete som Baseten publicerade den 10 november: en Qwen3.5-397B som eftertränats för djupgående research når 0,759 i Gensparks interna utvärderare, jämfört med 0,612 för basmodellen och 0,738 för Opus 5.5; den blir agentens standardmodell, och Genspark behåller vikterna. 🔗 källa · 🔗 Basetens inlägg
  • Muse Wonder i BAR-testet — Meta delar novemberrankningen från Legora, en plattform för juridisk AI, där Muse Wonder får det bästa resultatet för övergripande kvalitet och leder inom fyra typer av uppgifter, däribland analys och extraktion. 🔗 källa
  • Clairic — En demo av Clairic, modellen med 27 miljarder parametrar för typad strukturerad extraktion som Cloudflare publicerat på Hugging Face, är tillgänglig på Hub; modellen är från den 16 oktober och dess Flash-version från den 12 november. 🔗 källa
  • Gemma 4 E2B hos Airbnb — Enligt Googles Gemma-konto har Airbnb använt Gemma 4 E2B för regelklassificering på en enda RTX Pro 6000-GPU: högsta F1-värdet ökade från 0,563 till 0,902, medianlatensen var 35 ms jämfört med cirka 900 ms för de mest avancerade modellerna, till cirka 1 % av deras kostnad vid stora volymer. 🔗 källa
  • Atto — NeuML publicerar en familj av mycket små modeller för dokumentsökning, från 840 parametrar till 28 miljoner: den täta modellen med 90 000 parametrar når 0,4257 i nDCG@10 på en delmängd av BEIR, jämfört med 0,4802 för all-MiniLM-L6-v2, som är cirka 256 gånger större. 🔗 källa
  • ja-NCM — En utvecklare publicerar en liten japansk modell med öppna vikter som genererar text utifrån begrepp i stället för token för token: enligt utvecklaren cirka 6 gånger snabbare än en autoregressiv modell och 2,4 gånger snabbare än en diffusionsmodell, med jämförbar kvalitet. 🔗 källa
  • Into the Omniverse — NVIDIA återpublicerar för tredje gången sitt inlägg om simuleringar som byggts av agenter, med nya exempel: Falkors (KONGSBERG) digitala tvillingar av industrianläggningar med GPT-6 Astra och en intensivvårdsavdelning som satts ihop av Claude Code, där 766 av 768 Microduck-robotar fortfarande stod upprätt. 🔗 källa

Vad det innebär

De ledande laboratoriernas finansiella och tekniska milstolpar åtföljs nu av säkerhetsåtaganden. Anthropic sätter sitt pris över intervallet och ökar sitt erbjudande från 825 till 980 miljoner aktier; dagen därpå lovar Dario Amodei att styra takten i träning och driftsättning tills man är säker på att modellerna är säkra och förblir under mänsklig kontroll, utan att ge efter för kommersiella eller politiska påtryckningar. OpenAI, som mäter den växande andelen av sin forskning som anförtros agenter, kräver att laboratorier ska vara skyldiga att publicera indikatorer på rekursiv självförbättring. Båda budskapen tar upp samma fråga: hur man visar att säkerheten håller jämna steg när resurser och förmågor ökar så snabbt.

Agenterna utför nu en mätbar del av laboratoriernas eget arbete. Hos OpenAI klarar de på egen hand nästan hälften av uppgifterna som tar två till fyra timmar och motsvarar, räknat till listpris, i median 2 400 dollar per forskare och dag; Performance Factory ger dem 17 utredningar per dag om prestandaförsämringar i ChatGPT. Replit visar att organisationen spelar lika stor roll som modellen: den bästa agenten när den arbetar ensam bildar sämre svärmar än Claude Opus 5.5, som samordnar arbetet via en gemensam tavla. Överallt behåller människan beslutanderätten: en ingenjör mergar korrigeringarna från Performance Factory, OpenAI:s forskare övervakar arbetet noga och Devin öppnar pull requests som ska granskas.

Debiteringen anpassas alltmer till den faktiska användningen. Gemini 4 Neon säljs i Cursor utifrån kostnaden per uppgift, från 3,07 dollar med resonemangsnivån Medium till 10,67 dollar med Extra High; Genie 4 debiteras per sekund genererad värld, cirka 0,10 dollar, och GPT-Live går ner till 0,02 dollar per minut när ingen talar. Tool Retrieval har, liksom sina motsvarigheter hos OpenAI och Anthropic, samma mål för utvecklare: att bara betala i tokens för scheman för de verktyg som faktiskt används.

När det gäller öppna modeller ligger fokus på vad man kan få ut av en befintlig basmodell. DaisyRose-27B och Hermes-adaptern utgår båda från Qwen3.8-27B: den första fördubblar sitt resultat på Terminal-Bench 4.1 genom förstärkningsinlärning, den andra matchar läget med maximal resonemangsnivå med 3,5 till 4,4 gånger färre tokens. PEFT förbereder sin version 1.0 för att ge verktygsstöd för dessa finjusteringar, OVHcloud publicerar en europeisk modell som tränats på offentliga superdatorer tillsammans med uppgifter om dess koldioxidavtryck, och Ideogram lovar vikterna för sin version 4.6. Dessa siffror är fortfarande leverantörernas egna.


Källor