56 vijesti
OpenAI je 27. travnja 2026. objavio Symphony — open-source specifikaciju za orkestraciju Codex agenata. Cilj je pretvoriti issue trackere u 'always-on agent systems' koji povećavaju inženjerski output i smanjuju troškove kontekstnog prebacivanja unutar developer timova.
AWS je objavio detaljan vodič o gradnji agenata pomoću Strands open-source SDK-a, SageMaker AI endpointa za hostanje modela i SageMaker AI Serverless MLflow-a za observability. Pristup nudi infrastrukturnu kontrolu, podršku za custom modele te automatizirano logiranje izvršnih tragova kroz mlflow.strands.autolog().
Survey od 42 autora pod naslovom 'Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond' organizira područje kroz dvodimenzionalnu taksonomiju — tri razine sposobnosti modela (Predictor, Simulator, Evolver) i četiri domene zakona (fizička, digitalna, socijalna, znanstvena). Sinteza pokriva preko 400 referenci i više od 100 reprezentativnih sustava.
Istraživači sa sveučilišta u Melbourneu i Marylandu uveli su Superminds Test, hijerarhijski okvir za probanje kolektivne inteligencije agentnih društava. Studij na MoltBook platformi s preko 2 milijuna agenata pokazao je da društvo ne nadmašuje pojedinačne frontier modele i da interakcije ostaju vrlo plitke i rijetke.
Bartosz Balis i suradnici s AGH University u Krakovu objavili su 23. travnja 2026. paper koji pretvara prirodnojezične istraživačke upite u izvršne znanstvene workflowove. Trolayer arhitektura (semantički LLM sloj, deterministički generator, expert Skills) testirana je na 1000 Genomes workflowu na Kubernetesu — Skills su podigli intent accuracy s 44 % na 83 %, smanjili data transfer za 92 % uz cijenu ispod $0.001 po upitu.
Istraživači Anuj Sadani i Deepak Kumar objavili su 23. travnja 2026. na ArXivu rad koji rješava takozvani MCP Tax — eager schema injection koji troši 10 do 60 tisuća tokena po turnu. Njihov Tool Attention pristup smanjuje potrošnju za 95 posto i podiže iskoristivost konteksta s 24 na 91 posto.
AWS i Visier prikazali su integraciju workforce AI agenata preko Amazon Q-a i Model Context Protocola. Visier izlaže HR analitiku kao MCP server, a Amazon Q agenti koriste te alate za headcount budžetiranje, praćenje tenure-a i threshold alertove — sve u jednom konverzacijskom sučelju.
Anthropic je u javnu betu pustio Memory za Claude Managed Agents. Agenti sada mogu čuvati korisničke preferencije, projektne konvencije i kontekst između sesija. Beta limitovi uključuju do 1.000 storeova po organizaciji i 100 MB po storeu.
GitHub je uveo mogućnost praćenja i upravljanja cloud agent sesijama izravno iz issues i project pogleda. Session pills, bočni paneli s logovima napretka i automatski aktivirane sesije u project pogledima ukazuju na dublju integraciju autonomnih AI agenata u razvojni tijek.
Google DeepMind je potpisao partnerstvo s pet najvećih konzultantskih kuća — Accenture, Bain, BCG, Deloitte i McKinsey — kako bi ubrzao enterprise AI transformaciju, jer trenutno samo 25 posto organizacija uspijeva implementirati AI u produkciju.
OpenAI je predstavio Workspace Agents, Codex-pokretane AI agente integrirane direktno u ChatGPT sučelje. Agenti se pokreću u cloudu, automatiziraju složene radne tokove i pomažu enterprise timovima skalirati rad kroz povezane alate uz naglasak na sigurnosti između aplikacija.
AWS je objavio arhitekturu koja kombinira Amazon Bedrock, Neptune grafovsku bazu i Mem0 framework za persistentnu memoriju AI agenata na razini cijele tvrtke, rješavajući problem gubitka konteksta između sesija i korisnika.
Amazon je najavio managed agent harness za Bedrock AgentCore koji omogućuje deploy potpuno radnog agenta u svega tri API poziva, bez pisanja orkestracijske infrastrukture. Uz harness stižu AgentCore CLI za cijeli razvojni ciklus te pre-built vještine za coding assistente, dostupne u preview fazi u četiri AWS regije.
Na ArXivu je objavljen SWE-chat, dataset stvarnih takozvanih in-the-wild interakcija korisnika s AI coding agentima u produkcijskom okruženju. Umjesto još jednog sintetičkog benchmarka na bazi GitHub issue-a, ovaj dataset bilježi kako developeri zaista koriste autonomne sustave dok rade svakodnevni posao — što traže, kako reagiraju na agentove prijedloge i gdje agent zakaže — otvarajući vrata preciznijoj evaluaciji i ciljanim poboljšanjima u dizajnu agenata.
Novo istraživanje pokazuje da AI agenti za upravljanje računalom koji jednom uspješno izvrše zadatak mogu podbaciti pri identičnom ponovljenom pokušaju, a tri ključna razloga su stohastičnost izvršavanja, ambiguitet specifikacije zadatka i varijabilnost ponašanja samog agenta.
Google je predstavio ReasoningBank, memorijski okvir koji omogućuje AI agentima učenje iz vlastitih uspjeha i neuspjeha bez ponovnog treniranja modela. Na WebArena benchmarku postigao je 8,3% veću stopu uspjeha, a na SWE-Bench-Verified 4,6% uz oko 3 koraka manje po zadatku.
OpenAI je pokrenuo Codex Labs program i strateška partnerstva s Accentureom, Deloitteom i KPMG-om kako bi Codex agent doveo u velike tvrtke diljem svijeta. Alat je dosegao 4 milijuna tjednih aktivnih korisnika, nudi certifikacije za konzultante te enterprise pakete s consumption-based modelom naplate.
Agent-World je novi istraživački okvir kineskog Renmin Universityja koji automatski generira tisuće raznovrsnih okruženja za treniranje AI agenata. Zamjenjuje ručno izrađene benchmark-e dinamičkim scenarijima i omogućuje evolucijsko učenje kroz koevoluciju agenta i okoline.
Google je u Gemini API-ju lansirao dvije nove verzije Deep Research agenta — deep-research-preview-04-2026 i deep-research-max-preview-04-2026 — s integracijom MCP servera, kolaborativnim planiranjem, vizualizacijama i streaming odgovorima. Potez pozicionira Gemini kao ozbiljnog konkurenta ChatGPT Deep Researchu i Perplexity Deep Researchu.
Novi arXiv survey sveobuhvatno premošćuje klasičnu Multi-Agent Systems literaturu s modernim LLM-agent stackom. Rad identificira paradigmatski pomak u koordinaciji, komunikacijskim protokolima i emergentnom ponašanju — od razmjene niskog stanja prema semantičkom rezoniranju.
AWS je objavio arhitekturalni primjer kako spojiti Bedrock AgentCore Runtime, protokol MCP i glasovni model Nova 2 Sonic u omnichannel sustav naručivanja. To je prva javna integracija novih AWS agentic servisa i demonstracija microVM izolacije za produkcijske agente.
Novi ArXiv rad pokazuje da više LLM agenata može spontano razviti stabilnu algoritamsku koluziju kroz meta-optimizaciju prompta, postižući natkonkurentske cijene bez eksplicitnog dogovora. Nalazi otvaraju ozbiljna pitanja za antimonopolsko pravo i regulaciju multi-agentnih sustava.
NVIDIA je proširila strateška partnerstva s Adobeom i globalnom marketinškom agencijom WPP kako bi pokrenula autonomne AI agente u enterprise marketingu. Temelj je novi NVIDIA OpenShell — sigurno runtime okruženje s policy-based izolacijom — u kombinaciji s Nemotron modelima i Adobe Firefly Foundry generatorom vizualnog sadržaja.
AWS je predstavio ToolSimulator, LLM-pogonjeni framework unutar Strands Evals platforme za sigurno testiranje AI agenata bez živih API poziva. Simulator održava dosljedni shared state kroz višekoračne razgovore i generira kontekstualno prikladne odgovore, što omogućuje testiranje agenata koji šalju mailove ili mijenjaju baze bez stvarnih posljedica.
NVIDIA je uz partnere pustila open-source dataset Nemotron-Personas-Korea sa 7 milijuna sintetičkih persona utemeljenih u službenim korejskim demografskim podacima. Cilj je omogućiti razvoj kulturno svjesnih AI agenata bez rizika za privatnost.
Experience Compression Spectrum je novi arhitektonski okvir koji pozicionira memoriju, vještine i pravila LLM agenata na jednu os rastuće kompresije — od epizodne memorije (5-20×) preko proceduralnih vještina (50-500×) do deklarativnih pravila (1000×+). Analiza otkriva da postojeći sustavi rade na fiksnim razinama kompresije i da memorija i vještine ne komuniciraju međusobno.
WORC (Weak-Link Optimization for Reasoning and Collaboration) je novi okvir koji umjesto optimizacije jakih agenata identificira i jača slabe karike u multi-agent LLM sustavima. Kroz meta-learning i swarm intelligence pronalazi podbacivače, a zatim im alocira dodatne resurse za rezoniranje. Rezultat: 82.2 % prosječna točnost na reasoning benchmarkima i bolja stabilnost kroz arhitekture.
Autogenesis (AGP) je protokol koji modelira AI agente, promptove, alate i memoriju kao registrirane resurse s eksplicitnim stanjem i verzioniranim sučeljima. Self Evolution Protocol Layer (SEPL) daje closed-loop operatorsko sučelje za predlaganje, procjenu i commitanje poboljšanja uz revizijski trag i rollback, čime rješava problem nestabilnosti kod agenata koji iterativno mijenjaju vlastite komponente.
RadAgent je AI agent za interpretaciju CT snimki prsnog koša koji u transparentnom koraku-po-korak procesu nadmašuje baseline CT-Chat model za 36,4 % relativno u macro-F1, 19,6 % u micro-F1 i 41,9 % u adversarijskoj robustnosti. Alat generira radiološke izvještaje s inspekcijskim tragovima odluka i postiže Faithfulness 37 % u odnosu na 0 % baseline.
CoopEval je novi benchmark koji testira LLM agente u klasičnim social dilemama poput Prisoner's Dilemma i Public Goods igara. Kontraintuitivno otkriće: jači reasoning modeli defektiraju češće nego slabiji, sustavno narušavajući kooperaciju u single-shot mixed-motive situacijama. Važne implikacije za multi-agent AI deployment gdje agent mora balansirati vlastiti interes s kolektivnim.
Mind DeepResearch (MindDR) je novi multi-agent framework za deep research koji postiže kompetitivne rezultate s modelima od oko 30 milijardi parametara — veličinom Qwen2.5 ili DeepSeek razreda, a ne GPT-4 ili Claude Opus. Arhitektura: Planning Agent + DeepSearch Agent + Report Agent uz četverostupanjski training pipeline s data synthesis, prema tehničkom izvještaju objavljenom 17. travnja 2026.
Agentic engineering je pristup u kojem rojevi AI agenata preuzimaju cijeli softverski životni ciklus, a ne samo pisanje koda. LangChain i Cisco inženjeri Renuka Kumar i Prashanth Ramagopal objavili su 17. travnja 2026. referentnu arhitekturu s Leader i Worker agentima, koja je u Ciscovom pilotu sa 70 korisnika i 512 sesija smanjila vrijeme otkrivanja uzroka bugova za 93 % i vrijeme izvršavanja razvojnih tokova rada za 65 %.
Owlgebra AI tim objavio je 16. travnja 2026. na HuggingFace blogu projekt Ecom-RLVE-Gym — otvoreni framework s 8 verifikabilnih okruženja za e-commerce razgovorne agente i algoritamskom nagradom umjesto LLM-sudca. Sustav koristi katalog od 2 milijuna proizvoda, Qwen 3 8B model i 12-osni adaptivni kurikulum koji agentu poetapno povećava težinu zadataka, kao odgovor na ograničenja supervizornog fine-tuninga u složenim višekorakim tokovima.
OpenAI Codex je ažurirana desktop aplikacija za macOS i Windows koja sada integrira computer use, in-app browsing, generiranje slika, trajni memory i sustav pluginova. Lansiran istog dana kad i Anthropicov Opus 4.7, Codex predstavlja najambiciozniji pokušaj stvaranja all-in-one AI coding asistenta s punim agentskim sposobnostima.
GitHub CLI verzija 2.90.0 uvodi naredbu gh skill koja omogućuje otkrivanje, instalaciju, upravljanje i objavljivanje AI agent vještina za GitHub Copilot, Claude Code, Cursor, Codex, Gemini CLI i Antigravity. Sigurnost opskrbnog lanca osigurana je kroz immutable releaseove, SHA verifikaciju sadržaja i version pinning.
OpenMobile je novi open-source framework za razvoj mobilnih agenata temeljenih na vision-language modelima. Nakon fine-tuninga Qwen2.5-VL postiže 51,7 posto uspjeha, a Qwen3-VL čak 64,7 posto na AndroidWorld benchmarku — što je značajno iznad postojećih open-data pristupa i blizu zatvorenim sustavima koji dostižu skoro 70 posto. Autori puštaju sve podatke i kod javno.
LangChain je objavio novi async subagent model koji omogućuje supervisor agentu pokretanje stotina paralelnih subagent instanci bez blokiranja. Fire-and-steer paradigma dopušta mijenjanje uputa subagentima u tijeku izvođenja kroz alate start_async_task, check_async_task i update_async_task, radeći na LangSmith platformi ili self-hosted infrastrukturi.
OpenAI je objavio značajnu nadogradnju svog Agents SDK-a koja uvodi native sandbox execution i model-native harness za izgradnju pouzdanijih dugoročnih AI agenata. Novo izdanje fokusirano je na sigurnost izvršavanja koda i autonomiju agenata, omogućujući razvojnim timovima da grade agente koji mogu raditi satima bez ljudskog nadzora uz zadržavanje pouzdanosti.
TREX je novi višeagentni sustav koji automatizira kompletan pipeline fine-tuninga velikih jezičnih modela — od analize zahtjeva i pretraživanja literature do pripreme podataka i evaluacije rezultata. Sustav modelira eksperimentalni proces kao stablo pretraživanja, a na FT-Bench benchmarku s 10 stvarnih zadataka konzistentno optimizira performanse modela.
IBM Research objavio je VAKRA — novi benchmark za evaluaciju AI agenata u enterprise okruženjima koji sadrži više od 8.000 lokalnih API-ja, 62 domene i 4.187 test instanci. Ključni nalaz je da modeli pokazuju površinsku kompetenciju na jednostavnim zadacima, ali padaju na kompozicijskom razmišljanju, multi-hop reasoning degradira s dubinom, a pridržavanje vanjskih ograničenja uzrokuje značajan pad performansi.
Analiza 679 datoteka s pravilima i 25.532 pravila s GitHuba pokazuje da zabrane poboljšavaju AI kodne agente, ali pozitivne upute im zapravo štete. Nasumična pravila rade jednako dobro kao stručno napisana.
Novi benchmark HORIZON sustavno analizira kako LLM agenti otkazuju na zadacima s dugim horizontom. Istrazivanje otkriva da se greske kumuliraju kroz visestruke korake, a cak i najbolji modeli gube fokus nakon 20+ akcija.
Prvi benchmark za procjenu suradnje više AI agenata pod ograničenjima privatnosti. Rezultati pokazuju da privatnost značajno degradira kvalitetu suradnje i uzrokuje tri vrste grešaka uključujući halucinacije uzrokovane privatnošću.
SWE-AGILE uvodi strategiju dinamičnog konteksta s kliznim prozorom i komprimiranim sažecima za AI kodne agente. S modelom od samo 7-8B parametara postiže novi state-of-the-art na SWE-Bench-Verified, koristeći samo 2.200 trening primjera.
Cloudflare je integrirao OpenAI-jeve GPT-5.4 i Codex modele u svoju novu Agent Cloud platformu, omogućujući enterprise korisnicima izgradnju, deploy i skaliranje AI agenata za stvarne poslovne zadatke s naglaskom na brzinu i sigurnost.
Allen Institute for AI analizira dva benchmarka koji otkrivaju dramatičan jaz između AI performansi na testovima znanja i sposobnosti za stvarna znanstvena otkrića. Dok modeli dosežu 80% na školskoj razini, na složenim znanstvenim zadacima padaju na 20%.
Novi benchmark HiL-Bench mjeri sposobnost AI agenata da prepoznaju vlastite granice i zatraže ljudsku pomoć umjesto da nagađaju. Rezultati pokazuju da čak i frontier modeli loše procjenjuju kad im treba pomoć, ali ciljani trening može poboljšati tu sposobnost.
Novi benchmark otkriva univerzalni nedostatak prosudbe kod AI agenata — kad specifikacije nisu potpune, nijedan frontier model ne postiže više od djelića svoje pune performanse. Istraživači pokazuju da se ta vještina može trenirati RL-om.
Novi benchmark za korisničke servise otkriva dva fenomena: 'Execution Gap' (modeli točno klasificiraju namjere ali ne izvode ispravne radnje) i 'Empathy Resilience' (modeli ostaju pristojni dok rade logičke greške).
GitHub je 10. travnja objavio službeni tutorial za Copilot CLI alat. Vodič pokriva instalaciju preko npm-a, autentikaciju s GitHub računom i praktične primjere — uključujući delegiranje zadataka cloud agentima.
Anthropic je objavio sveobuhvatan policy framework 'Trustworthy agents in practice' koji definira što znači razviti, deployati i koristiti AI agente na pouzdan način. Dokument služi kao smjernica za kompanije koje grade ili koriste agente.
Novi rad PASK predstavlja okvir za proaktivne AI agente koji kombiniraju detekciju namjera, hibridnu memoriju i samoinicijativnu akciju. IntentFlow model dosegao je razinu vodećih Gemini 3 Flash modela u prepoznavanju latentnih korisničkih potreba.
Nova metoda SAVeR (Self-Audited Verified Reasoning), prihvaćena na ACL 2026, omogućuje LLM agentima da sami sebe revidiraju prije izvršavanja akcija. Cilj: spriječiti da koherentno razmišljanje koje krši logička ograničenja dovede do pogrešnih odluka.
Istraživači su predstavili KnowU-Bench — sveobuhvatan benchmark za evaluaciju nove generacije mobilnih AI agenata, fokusirajući se na interaktivnost, proaktivnost i personalizaciju kroz dugoročnu upotrebu.
Amazon je objavio preview AWS Agent Registry-a, centraliziranog kataloga AI agenata, alata i agent skill-ova za enterprise organizacije. Sustav indeksira agente bez obzira gdje su hostani (AWS, drugi cloudovi, on-premises) i koristi kombinaciju keyword i semantičke pretrage uz IAM-based access control.
Amazon je proširio Bedrock AgentCore Runtime trima novim MCP capabilities — elicitation (traženje strukturiranog inputa od korisnika), sampling (traženje LLM completion-a od klijenta) i progress notifications. Stateful sesije sad mogu trajati do 8 sati u izoliranim microvM-ovima i omogućuju dvosmjernu komunikaciju između agenta i klijenta.