14 vijesti — 🔴 2 kritično , 🟡 9 važno , 🟢 3 zanimljivo
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.
Google je pokrenuo Skills značajku u Chromeu koja omogućuje korisnicima spremanje AI promptova kao alate za ponovnu upotrebu jednim klikom. Funkcija koristi Gemini i radi na Mac, Windows i ChromeOS platformama.
Google Research u suradnji s NYU predstavlja Vantage, eksperimentalnu platformu koja koristi generativni AI za procjenu teško mjerljivih ljudskih vještina poput kritičkog mišljenja i kreativnosti. AI ocjenjivanje pokazalo je podudarnost s ljudskim stručnjacima.
Amazon Web Services objavio je detaljan tehnički vodič za kreiranje skalabilnih reward funkcija koristeći AWS Lambda za prilagodbu Amazon Nova modela. Vodič pokriva RLVR i RLAIF pristupe, dizajn višedimenzionalnih sustava nagrađivanja i monitoring putem CloudWatcha.
Perplexity je objavio nekoliko API ažuriranja u travnju 2026: nativnu n8n integraciju za vizualne AI workflow-e, dostupnost na AWS Marketplace-u za jednostavniju nabavu, te novi /v1/models endpoint bez autentifikacije.
Britanski institut za AI sigurnost objavio je evaluaciju Anthropicovog Claude Mythos Preview modela koja pokazuje značajan napredak u autonomnim cyber sposobnostima. Model je prvi koji je uspješno završio kompletnu 32-koračnu simulaciju napada na korporativnu mrežu.
Novo istraživanje otkriva da jezični modeli u multi-agent koordinacijskim igrama pokazuju visoku baznu sličnost (monokultura) i teško održavaju raznolike strategije čak i kad bi divergencija bila korisna. To ima implikacije za sustave koji koriste više AI agenata.
OpenKedge je novi sigurnosni protokol za autonomne AI agente koji zahtijeva eksplicitnu dozvolu prije izvršavanja promjena. Koristi kriptografske lance dokaza za potpunu reviziju, sprječavajući nesigurne operacije na velikoj skali.
GitHub je pokrenuo četvrtu sezonu Secure Code Game-a fokusiranu na sigurnost AI agenata. Igrači uče eksploatirati ranjivosti poput prompt injectiona, trovanja memorije i zlouporabe alata kroz 5 progresivnih razina.