Anthropic ulaže 10 milijuna kanadskih dolara (CAD) u 8 kanadskih institucija s fokusom na AI sigurnost, zdravstvo i niskoresursne jezike. Paralelno objavljeni Economic Index otkriva da Kanada čini 2,6% globalnog Claude.ai prometa uz per-capita adopciju 4,4 puta višu od očekivane.
Anthropic je pokrenuo besplatnu verziju Claudea za verificirane K-12 učitelje u SAD-u, dostupnu do lipnja 2027. Program uključuje biblioteku nastavnih vještina, kurikulum usklađen s državnim standardima svih 50 saveznih država i integracije s 9 edukacijskih alata.
Test-time compute je dodatno računanje koje model troši tijekom inferencije radi boljeg odgovora. Bojie Li i Noah Shi definiraju interakciju s vanjskim alatima kao treću os test-time computea — uz dulje razmišljanje i best-of-N uzorkovanje. Proposer-reviewer sustav postiže 100% pass rate, dok samo-razmišljanje i best-of-N dosežu plato.
SCALECUA je novi okvir istraživača Tsinghua/THUDM sveučilišta koji skalira computer-use agente pomoću online reinforcement learninga, postigavši novi SOTA rezultat od 68,7% na OSWorld benchmarku i 54,0% na ScienceBoard.
Claude Code v2.1.208 donosi tri nove mogućnosti: opt-in screen reader mode za pristupačnost, vim insert-mode remapiranje tipkovnih prečaca i korporativni process wrapper koji pokriva sve self-spawn procese. Hotfix v2.1.209 odmah je popravio bug koji je blokirao dijaloške prozore u pozadinskim agent sesijama.
GitHub je uveo AI-generirane sigurnosne detekcije direktno na pull requestovima u Code Scanningу, uz novu naredbu /security-review u Copilot appu koja analizira kod za injection, XSS, path traversal i slabu kriptografiju.
NVIDIA Blackwell GB300 NVL72 je do 25× efikasniji od Hoppera mjereno performansom po vatu na modelu DeepSeek V4 Pro, a samo softverske optimizacije unutar jednog mjeseca donijele su do 5× poboljšanje.
AMD je objavio LogsLop, open-source Python CLI alat koji sažima goleme log fajlove normalizacijom i klasteriranjem. Na 73 stvarna log fajla smanjuje broj linija na 11% i bajte na 7,5%, a uz Llama 3.3 70B troši 78% manje tokena.
Terminalni agent je AI agent koji zadatke rješava kroz naredbe u terminalu ili shellu. SETA (Shen i sur., Oxford, KAUST) generira 4.500+ provjerljivih RL okruženja za trening terminalnih agenata. DeepSeek-V4-Flash poboljšava pass@1 s 40% na 43% i pass@5 s 54% na 58% na Terminal-Bench 2.0.
Autoformalizacija je automatsko prevođenje matematike na prirodnom jeziku u strojno-provjerljiv formalni oblik. ToMap pipeline Tian-Shuo Liua i suradnika postiže 19,0% poboljšanje nad prethodnom SOTA metodom na ProofFlowBench skupu. Ključna inovacija je fokusiranje test-time computea na Decomposer kao usko grlo umjesto ravnomjerne raspodjele.
Multi-agent orkestracija je koordinacija više specijaliziranih AI agenata na zajedničkom zadatku. Thrad.ai implementirao je sustav za pronalaženje B2B kupaca kroz 6 izvora koristeći Amazon Bedrock i Strands Agents SDK. Swarm obrazac postiže kvalitetu e-maila 8,2/10, dok Graph obrazac troši 25% manje i radi 28% brže.
Lin Sun iz Solo.io preispituje je li Kubernetes Pod prava apstrakcija za raspoređivanje AI agenata. Agenti su efemerni — aktiviraju se nakratko, a namjenski Pod koji miruje troši resurse uzalud. Predlaže novi 'agent-substrate' model s Actorima i WorkerPoolima.
Google DeepMind i Atal Innovation Mission lansirali su ATL Saathi, web-aplikaciju pokretanu Geminijem koja pomaže nastavnicima u indijskim školskim STEM laboratorijima. Pilotira u 100 škola i cilja više od 11 milijuna učenika uz podršku 8 jezika i 12 nastavnih modula.
Allen Institute for AI objavio je detaljnu analizu arhitekture maritimnog agenta Shippy koji opslužuje 70+ zemalja na Claude Opus 4.6. Ključni zaključak: pouzdanost agenta ovisi manje o snazi modela, a više o determinističkim alatima, izoliranoj infrastrukturi i evaluacijama utemeljenima na stvarnim tokovima rada.
AMD-ov GEAK agent za automatiziranu optimizaciju GPU kernela migrirao je DeepSeek-V4 MLA kernel s PyTorcha na Triton za MI355 akceleratore. Rezultati pokazuju do 9,13× ubrzanje prefilla, 4,94× geomean decode ubrzanje i 2,10× veći end-to-end throughput u SGLang frameworku.
Anthropic je analizirao 309.815 anonimiziranih Claude.ai razgovora i otkrio statistički značajne razlike u izraženim vrijednostima između modela Sonnet 4.6, Opus 4.6 i Opus 4.7, kao i između 20 analiziranih jezika — hindski pokazuje najviše topline, a ruski i engleski najviše rigoroznosti.
Li Auto, kineski proizvođač automobila, objavio je vlastiti foundation model Mach-Mind-4-Flash. Radi se o 35 milijardi parametarskom MoE modelu koji aktivira svega 3 milijarde parametara po ulazu, a trostrukim trening pipelineom postiže performanse klase 100B+ modela uz dramatično niže troškove inferencije.
Novi arhitekturalni okvir za agentske LLM sustave uvodi selektivnu perzistentnu memoriju koja zadržava četiri kategorije ponovno iskoristivog konteksta, dok odbacuje prolazne tragove razmišljanja. Rezultat je 96% uspješnost dovršavanja zadataka i 97× manji trošak tokena po pozivu.
Soofi S je 30B MoE hibridni Mamba-Transformer model s 3B aktivnih parametara pretreniran na oko 27 bilijuna tokena, uključujući pojačane njemačke jezične podatke. Treniran isključivo na cloud infrastrukturi Deutsche Telekoma, nadmašuje sve europske suverene alternative i vodi code benchmark među 17 otvorenih modela.
'From Solvers to Research' je arXiv rad, čiji je jedan od autora nositelj Fieldsove medalje Terence Tao, koji ispituje mogu li LLM agenti raditi istraživačku matematiku kroz auto-formalizaciju i sintezu dokaza. Rad identificira sustavne slabosti postojećih sustava za sintezu dokaza i mapira granicu između rješavanja zadataka i istinskog istraživanja.
Token-Flow Firewall je obrambeni mehanizam predstavljen na arXivu koji u realnom vremenu prati tokove tokena u prirodnom jeziku kod dugoživućih (perzistentnih) AI agenata. U testovima prompt injectiona i drugih adversarijalnih napada smanjuje uspješnost napada na 12,5%, nudeći runtime sloj zaštite umjesto oslanjanja isključivo na treniranje modela.
Claude Code v2.1.207 je novo izdanje Anthropicova CLI alata koje 'auto mode' čini automatski dostupnim na Amazon Bedrocku, Google Vertex AI-ju i Microsoft Foundryju bez opt-in varijable. Izdanje zatvara sigurnosni propust shell-injectiona u hook konfiguraciji i na Bedrocku, Vertexu i Claude platformi na AWS-u mijenja zadani model na Claude Opus 4.8.
CausalDS je benchmark predstavljen na arXivu koji testira mogu li AI agenti razlikovati uzročnost od korelacije unutar data-science tokova rada. Popunjava prazninu u evaluaciji autonomnih analitičkih agenata, gdje standardni testovi mjere točnost izvršavanja, ali ne i sposobnost ispravnog kauzalnog zaključivanja.
Overthinking je rad prihvaćen na ICML 2026 koji pokazuje da pojačavanje težine zaključivanja u velikim jezičnim modelima može izvući skrivene naučene informacije koje model inače ne izlaže. Nalaz otvara novu klasu ekstrakcijskih napada usmjerenih na reasoning modele poput o1, DeepSeek R1 i Claudea s produljenim razmišljanjem.
Super Weights in LLMs je rad prihvaćen na COLM 2026 koji identificira 'super težine' — malen broj parametara čija izmjena nesrazmjerno mijenja ponašanje jezičnog modela. Rad pokazuje da upravo te težine objašnjavaju zašto selektivni fine-tuning samo pojedinih slojeva često zakazuje, s izravnim posljedicama za PEFT i LoRA pristupe.
Amazon SageMaker AI uveo je serverless prilagodbu NVIDIA Nemotron 3 modela, bez upravljanja infrastrukturom. Dostupne su tri tehnike: SFT (nadzirano fino-tuniranje), RLVR (učenje potkrepljivanjem s provjerljivim nagradama) i RLAIF (učenje potkrepljivanjem iz AI povratne informacije), čime napredne RL metode postaju dostupne enterprise timovima bez ML infrastrukturnog znanja.
CodeQL 2.26.0 je nova verzija GitHubove statičke sigurnosne analize koja donosi detekciju AI prompt injection napada kao novi tip analize, uz podršku za Kotlin 2.4.0. To je prva integracija AI-specifičnog vektora napada u mainstream SAST alat, čime prompt injection ulazi u iste sigurnosne tijekove kao XSS i SQL injection.
SensorFM je Googleov foundation model za zdravstvene podatke s nosivih uređaja, treniran na više od bilijun minuta signala s Fitbit i Pixel Watch uređaja 5 milijuna korisnika iz 100+ zemalja. Model pobjeđuje specijalizirane pristupe na 34 od 35 zadataka, s +9% AUC na klasifikaciji i +21% korelacije na regresiji.
Aurora 1.5 je Microsoftov open-source foundation model za Zemljin sustav koji nadmašuje ECMWF ensemble prognozu na 88,9% evaluiranih varijabli i horizonata. Novo izdanje dodaje 22 meteorološke varijable, satnu rezoluciju i probabilistički ensemble forecasting, a za uragan Helene postiže oko 33% nižu pogrešku putanje od originalne Aurore.
GPT-5.6 je nova OpenAI model-familija s tri varijante: Sol (flagship za složeno zaključivanje), Terra (uravnotežena) i Luna (visokovolumna, cjenovno učinkovita). Donosi Programmatic Tool Calling, eksplicitnu kontrolu prompt cachinga, persisted reasoning i multi-agent orkestraciju u beti, a od prvog dana dostupna je i u GitHub Copilotu.
Ben Bernanke je bivši predsjednik američkih Federalnih rezervi (2006.–2014.) i dobitnik Nobelove nagrade za ekonomiju 2022. kojeg je Anthropic imenovao u Long-Term Benefit Trust. LTBT je neovisno tijelo bez dionica i profitnih udjela koje nadzire misiju javne dobrobiti kompanije, a Bernanke donosi ekspertizu o ekonomskim učincima AI-ja.
Mistral je predstavio Robostral Navigate, prvi model za utjelovljenu robotsku navigaciju s 8 milijardi parametara. Koristeći samo jednu RGB kameru bez LiDARa ili dubinskih senzora, postiže 76,6% uspješnosti na R2R-CE benchmarku za neviđena okruženja i premašuje višesenzorske konkurente za 4,5 postotnih bodova.
OpenAI je predstavio GPT-Live, novi glasovni model namijenjen prirodnim, životnim konverzacijskim AI interakcijama. Integriran u ChatGPT Voice od prvog dana, dolazi kao dio ubrzanog razvoja glasovnih modela — samo dva dana nakon GPT-Realtime-2.1. Tehničke specifikacije i cjenik zasad nisu objavljeni.
PyTorch 2.13 izlazi s 3.328 commitova od 526 suradnika. Ključne novosti: nn.LinearCrossEntropyLoss reže vršni GPU memorijski otisak do 4× za LLM treniranje, FlexAttention na Apple Siliconom postiže do 12,3× ubrzanje, a novi torchcomms backend modernizira distribuirani trening.
Anthropic i AE Studio objavljuju GRAM (Gradient-Routed Auxiliary Modules) — metodu koja dual-use znanje poput virologije, kibersigurnosti i nuklearne fizike izolira u uklonjive neuronske module za vrijeme treniranja, omogućujući jednokratnim treningom stvaranje višestrukih varijanti modela s različitim skupovima sposobnosti.
Europska komisija danas je predstavila zajednički Akcijski plan za kibernetičku sigurnost i AI koji gradi na postojećem EU pravnom okviru, koordinira države članice i industriju te adresira AI istovremeno kao vektor napada i kao obrambeni alat.
Meta Superintelligence Labs predstavila je Muse Image i Muse Video — modele koji funkcioniraju kao agenti, interno pozivaju alate za kod i pretraživanje weba te zauzimaju #2 i #3 na Arena ljestvici uz obvezan Content Seal vodeni žig.
Britanski AI Security Institute koristio je frontier modele za reviziju vlastite istraživačke platforme i pronašao petostepeni napadni lanac koji je prethodno izmakao standardnim alatima — sve za manje od £150 u troškovima tokena.
Istraživači iz Seulskog nacionalnog sveučilišta te sveučilišta Indiana i Wisconsin uvode Agent Data Injection (ADI) — novi tip napada koji ubacuje zlonamjerne podatke u povjerljive podatkovne strukture agenata, postižući arbitrary click napade i remote code execution na Claude Code, Codex i Gemini CLI, zaobilazeći pri tom postojeće obrane.