189 vijesti
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.
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.
Muse Spark 1.1 je multimodalni reasoning model Meta Superintelligence Labsa za agentske zadatke, s kontekstnim prozorom od milijun tokena. Model koordinira subagente, navigira tokove kroz više aplikacija te prima slike, video i PDF-ove, a dostupan je kroz Meta Model API u javnom pregledu i u Thinking modu Meta AI aplikacije.
Grok 4.5 je xAI-jev novi model pozicioniran kao flagship za kodiranje i agentske zadatke, s cijenom od 2 USD za milijun ulaznih i 6 USD za milijun izlaznih tokena. Podržava konfigurabilni reasoning effort (low/medium/high) i već je dostupan kroz Perplexityjev Agent API, čime agresivno podcjenjuje usporedive frontier modele.
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.
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.
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.
Istraživači s Tsinghua sveučilišta i Zhipu AI predložili su Direct On-Policy Distillation (Direct-OPD) — metodu koja prenosi dobitke reinforcement learninga sa slabijeg modela-učitelja na jačeg učenika bez imitiranja konačne politike, postižući skok s 48,3% na 62,4% na AIME 2024.
Anthropic istraživači identificirali su emergentnu internu strukturu u Claudeu — J-space — koristeći novu tehniku Jacobian lens (J-lens). Inspirirana neuroznanstvenom teorijom globalnog radnog prostora, J-space funkcionira kao tihi unutarnji prostor za rezoniranje koji nije vidljiv u izlazu modela, a može razotkriti skrivena ponašanja poput izmišljanja podataka, prepoznavanja test-scenarija i podmetnuto zlonamjernih ciljeva.
Amazon Web Services objavio je tehniku selektivnog zaboravljanja (unlearning) za Nova modele temeljenu na Reverse Direct Preference Optimizationu (rDPO). Implementirana putem LoRA adaptera bez punog re-treniranja, tehnika smanjuje stopu neželjenih odbijanja za do 53,74 postotnih bodova uz minimalan gubitak korisnosti.
OpenAI je 6. srpnja 2026. objavio dva nova realtime glasovna modela — GPT-Realtime-2.1 i GPT-Realtime-2.1-mini — dostupna na postojećem v1/realtime endpointu. Modeli donose poboljšano prepoznavanje alfanumeričkih nizova, bolje rukovanje tišinom i šumom te poboljšano ponašanje pri prekidanju razgovora.
Amazon Bedrock proširio je ponudu s tri open-weight MiniMax modela — M2 s kontekstom od milijun tokena, M2.1 namijenjen dubokom rezoniranju i kodiranju, te M2.5 s Mixture-of-Experts arhitekturom od 230 milijardi parametara dizajniranom za agentske primjene.
Istraživači sa Sveučilišta Illinois razvili su ReContext — inferencijsku tehniku koja rekurzivno reproducira relevantne dokaze iz dugog kontekstnog prozora i konzistentno poboljšava učinak na tri LLM arhitekture kroz osam benchmarkova, bez ponovnog treniranja.
Liyan Tang, Fangcong Yin i Greg Durrett razvili su VRRL — okvir pojačanog učenja koji kroz maskiranje prefiksa trajektorije i experience replay primorava vizualno-jezične modele da uzemlji samorefleksiju u stvarni vizualni ulaz, postižući bitno bolji učinak na distribucijski pomaknutim primjerima.
Anthropic je 1. srpnja obnovio pristup modelima Claude Fable 5 i Claude Mythos 5, gotovo tri tjedna nakon što ih je povukao zbog američkih izvoznih kontrola. Povratak prati poboljšani sigurnosni klasifikator i prijedlog industrijskog okvira za ocjenjivanje ozbiljnosti jailbreakova.
AWS GovCloud (US) dobiva šest novih modela na Amazon Bedrocku: OpenAI open-weight gpt-oss-120b i gpt-oss-20b te četiri NVIDIA Nemotron modela s 1M token kontekstom. Infrastruktura zadovoljava FedRAMP High, DoD IL 2/4/5, ITAR i CJIS zahtjeve uz dizajn nultog operaterskog pristupa.
GitHub je proglasio GA dvije Copilot sposobnosti: Vision za prilaganje slika i PDF-ova uz chat promptove te browser tools koji agentima u VS Code-u daju kontrolu nad pravim preglednikom. Obje su dostupne svim planovima bez potrebe za admin akcijom.
Anthropic danas lansira Claude Sonnet 5 — model koji planira višekorakne zadatke, upravlja preglednicima i terminalima te se na ključnim zadacima približava Opusu 4.8, uz uvodnu cijenu $2/$10 po milijunu tokena do 31. kolovoza 2026. i 1M token kontekstni prozor.
Nakon 18 dana globalne suspenzije, Anthropic objavljuje ponovni deployment Fable 5: američka vlada ukinula je izvozne kontrole 30. lipnja, a poboljšani sigurnosni klasifikator blokira otkrivenu tehniku bypass-a u više od 99 posto slučajeva.
Google je 30. lipnja 2026. istovremeno objavio Gemini Omni Flash za konverzacijsko uređivanje videa i Nano Banana 2 Lite za brzu sintezu slika. Video model naplaćuje 0,10 dolara po sekundi outputa, dok image model stoji samo 0,034 dolara na tisuću slika.
Google Research objavio je TabFM, foundation model za tablične podatke koji daje zero-shot predikcije u jednom forward passu, bez podešavanja hiperparametara i feature engineeringa. Model je postigao vrhunske Elo ocjene na benchmarku TabArena i dostupan je na Hugging Faceu i GitHubu, s najavom integracije u Google BigQuery.
Brain2Qwerty v2 je AI sustav Meta Researcha koji pretvara mozgovne signale u tekst bez kirurškog zahvata, koristeći MEG skeniranje. Prosječna točnost prepoznavanja riječi doseže 61%, što je sedam puta više od ostalih neinvazivnih metoda (8%). Trening kod i dataseti objavljeni su open-source.
Claude Opus 4.8 fast mode je sada u preview fazi za korisnike GitHub Copilota, donoseći značajno brže generiranje izlaznih tokena uz zadržanu razinu inteligencije modela. Istovremeno, Anthropic ukida fast mode za Opus 4.6 — konsolidacija fast mode sposobnosti na jedini preostali model.
DiScoFormer je transformer model Allen Institute for AI (AI2) koji u jednom forward passu procjenjuje density funkciju (gustoću distribucije) i score funkciju — što je dosad zahtijevalo odvojene modele. Generalizira KDE na visoke dimenzije i prilagođava se novim distribucijama bez retraininga.
Tandem RL je nova metoda treniranja jezičnih modela koja kombinira RLVR (reinforcement learning s verifikabilnim nagradama) s tandem pristupom: jači model surađuje sa zamrznutim slabijim modelom pri generiranju lanca misli. Na Qwen3-4B postiže usporedive performanse uz znatno bolju čitljivost i robusnost pri handoffu na manji model.
MAI-Code-1-Flash je Microsoftov vlasnički model za kodiranje koji je 26. lipnja 2026. postao općedostupan na GitHub Copilot Business i Enterprise planovima. Optimiziran je za nisku latenciju i visokofrekventne agentske tijekove kodiranja, naplaćuje se po potrošnji prema cjeniku pružatelja, a administratori ga moraju eksplicitno omogućiti u postavkama organizacije.
Studija arXiv:2606.26935 istraživača Jingyu Liu i suradnika pokazuje da se dobici treniranja lancem misli (CoT) kod LLM agenata slijevaju u jače izravno predviđanje akcije, a ne u širu prednost rezoniranja. Kasniji checkpointi rjeđe revidiraju akciju, dok maskiranje supervizije nad action-tokenima poboljšava generalizaciju izvan domene.
Studija arXiv:2606.26502 istraživača Han-yu Wanga otkriva da veliki reasoning modeli (LRM) troše više tokena na zadatke koje pogriješe nego na one koje riješe točno, suprotno ljudima koji na težim zadacima odustaju. Razmak je velik (Cohen's d 1,47–3,13 na H-ARC benchmarku), a svih pet testiranih modela pokazalo je obrnuti obrazac od ljudi.
GPT-5.6 Sol je OpenAI-jev najavljeni model sljedeće generacije, trenutno u statusu preview (nije opće dostupan), s pojačanim sposobnostima u kodiranju, znanstvenom zaključivanju i kibersigurnosti te najnaprednijim safety stackom dosad.
Anthropic je izjednačio API rate limite za sve modele — Sonnet i Haiku sada dijele iste kvote kao Opus na svakom od tri usage tiera (Start, Build, Scale). Istovremeno, fast mode za Claude Opus 4.7 ide u deprecation s uklanjanjem 24. srpnja.
Istraživači su pokazali da standardni benchmarci — koji mjere samo jedan model u jednom pokušaju — podcjenjuju stvarne sposobnosti LLM-ova za čak 82%. Uvođenjem Capability Frontier okvira, koji koristi Pareto optimalnost na 21 modelu i 16 benchmarka, moguće je postići istu točnost uz 85% niže troškove.
Google je ubrzao Gemini Nano inferenciju na Pixelu 9 i 10 za više od 50% korištenjem zamrznute multi-token predikcije — tehnike koja generira prosječno ~2 tokena po jednom prolazu kroz model, uz uštedu 130 MB memorije po instanci i bez ikakve promjene izlaznih rezultata.
Istraživanje na 67 frontier modela od 21 providera uvodi pojam co-failure ceiling — gornju granicu točnosti ansambla LLM-ova određenu stopom kad svi modeli griješe na istom upitu. Rezultati pokazuju da kombiniranje modela rijetko nadmašuje jedan najjači model bez query-level routinga.
Google Research otkriva dva mehanizma kojima reasoning trace poboljšava dohvat činjenica pohranjenih u težinama modela — computational buffer i factual priming — testirano na Gemini 2.5 i Qwen3-32B.
OPPO je sustav ojačanog učenja koji omni-modalne jezične modele uči istovremeno razumjeti vizualne, akustičke i tekstualne znakove emocija, suzbijajući halucinacije između modaliteta i postižući SOTA rezultate na dvama benchmark skupovima.
RaDaR je open-source reasoning LLM s 32 milijarde parametara treniran za dijagnozu rijetkih bolesti. U randomiziranom kliničkom ispitivanju poboljšao je dijagnostičku točnost liječnika za 21,44 postotna boda naspram internet pretrage, uz sposobnost identificiranja dijagnoze u 61% slučajeva prije kliničke dokumentacije.
Istraživači Google Researcha pokazali su da RL treniranje na korisnim osobinama poput istinitosti, pravednosti i korektabilnosti poboljšava performanse na više od 80% od 50+ neovisnih OOD benchmarka — uključujući domene izvan zdravlja na kojoj je model treniran.
DiffusionGemma je Googleov 26B MoE model koji generira tekst difuzijskim pristupom — paralelno, a ne sekvencijalno. Postiže više od 1.000 tokena u sekundi na jednom H100 GPU-u, što je do 4× brže od standardnih autoregresivnih modela, uz kompromis u kvaliteti u odnosu na Gemma 4.
Google je lansirao Gemini 3.5 Live Translate — sustav za speech-to-speech prijevod koji podržava 70+ jezika i više od 2.000 jezičnih kombinacija u stvarnom vremenu, uz očuvanje intonacije i zaštitu SynthID vodenim žigom.
DART je metoda usmjeravanja koja bez ikakvog treninga odlučuje treba li AI model dugo razmišljati ili može odmah odgovoriti — smanjuje potrošnju thinking tokena za 15–69% uz istovremeni rast točnosti do +22,5 bodova na testovima koda.
Mistral OCR 4 je novi model za optičko prepoznavanje znakova koji postiže vrh ljestvice na OlmOCRBenchu s 85,20 bodova, podržava 170 jezika i donosi paragraph-level bounding boxove — sve uz cijenu od 4 USD na 1000 stranica.
PyTorch tim i SGLang su od travnja do lipnja 2026. povećali throughput posluživanja DeepSeek-V4 Pro modela na NVIDIA GB300 arhitekturi s oko 2.200 na više od 11.200 tokena po sekundi po GPU-u — peterostruko poboljšanje bez gubitka interaktiviteta za krajnjeg korisnika.
DiffusionGemma je Googleov difuzijski jezični model koji operira u kontinuiranom latentnom prostoru. Istraživanje 13 autora predvođeno Neelom Nandom pokazuje da je inicijalna neprozirnost 28,6× veća od Gemme 4, ali interpretabilni token bottleneck tu razliku sužava na svega 1,1×.
SSD (Spatially Speculative Decoding) je nova metoda koja istovremeno predviđa horizontalni i vertikalni susjed piksela u autoregresivnom generiranju slika, čime postiže do 13,3× ubrzanje bez gubitka vizualne kvalitete na DPG-Bench i GenEval benchmarkima.
TimeProVe je okvir koji ubrzava zaključivanje VLM modela nad dugim videozapisima uvođenjem dvostupanjskog „predloži pa provjeri” pristupa. Smanjuje pozive skupim modelima za 75% i ukupan trošak inferencije za 93%, a na novom OpenTSUBench benchmarku nadmašuje najjačeg konkurenta za 7,3 postotna boda.
VIMPO je nova metoda pojačanog učenja za LLM rezoniranje koja iz KL-regulariziranog RL izvodi implicitnu funkciju vrijednosti — bez zasebne mreže kritičara. Nadmašuje GRPO na četiri matematička benchmarka uključujući AIME 2024 i AIME 2025, a prednosti ostaju stabilne i pod šumovitim uvjetima nagrade.
SoftSkill je metoda opisana u radu arXiv:2606.20333 koja pretvara skill-dokumente, poput Markdown SKILL.md datoteka, u kompaktne kontinuirane latentne objekte koji vode ponašanje modela bez mijenjanja baznog modela. Umjesto stotina ili tisuća tokena uputa, SoftSkill koristi 32 virtualna tokena i na zadatku LiveMath postiže poboljšanje od 42,1 postotnog boda u odnosu na rad bez vještine.