16 vijesti — 🔴 3 kritično , 🟡 7 važno , 🟢 6 zanimljivo
MIT tim je objavio MathNet, multimodalni benchmark s 30.676 olimpijadnih matematičkih zadataka iz 47 zemalja i 17 jezika. Gemini-3.1-Pro postiže 78,4%, GPT-5 69,3%, a embedding modeli imaju velike poteškoće s pronalaženjem matematički ekvivalentnih problema.
xAI je objavio da njegov Speech-to-Text (STT) API prelazi iz beta faze u generalnu dostupnost. Servis podržava 25 jezika, nudi batch i streaming modove te je dostupan bez waitliste — dovršavajući glasovni stack uz ranije GA objavljen Grok Voice Agent.
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 i Anthropic omogućuju pokretanje Claude Cowork desktop aplikacije unutar AWS računa preko Amazon Bedrocka. Podaci ostaju pod kontrolom korisnika, model se ne trenira na njima, a integracija s IAM i CloudTrail nudi enterprise razinu audita. Plaćanje ide kroz postojeće AWS ugovore.
STCLab SRE tim koristi HolmesGPT s ReAct obrascem i CNCF alatima za automatsku dijagnozu Kubernetes alertova. Trošak je 0,04 dolara po istrazi, oko 40% alertova rješava se autonomno, a najvažnija lekcija: kvalitetni runbooks važniji su od izbora modela.
Istraživači predvođeni Erangom Bandarom objavili su mobilnu aplikaciju koja lokalno orkestrira Gemmu, Phi-3.5-mini i Qwen2 za DSM-5 usklađene psihijatrijske procjene. Sustav ne šalje podatke u cloud, a cilja osjetljive kontekste poput vojske, kaznenog sustava i udaljenog zdravstva.
Novi DESPITE benchmark evaluirao je 23 jezična modela na 12.279 zadataka planiranja za robote. Rezultat: najbolji planer zakaže u samo 0,4% slučajeva, ali proizvodi opasne planove u 28,3%. Planiranje i sigurnost su ortogonalne sposobnosti — skaliranje modela ne rješava sigurnosne nedostatke.
HuggingFace je objavio manifest u kojem Margaret Mitchell, Yacine Jernite, Clem Delangue i 17 suautora tvrde da su zatvoreni AI sustavi jedinstvena točka kvara u cyber sigurnosti. Odgovor je na Anthropicov Mythos i poziva na semi-autonomne agente s auditabilnim logovima te ljudskim nadzorom.
GitHub je u CodeQL-u 2.25.2 omogućio deklarativno definiranje sanitizatora i validatora kroz YAML, bez pisanja QL koda. Podržano je 8 jezika (C/C++, C#, Go, Java/Kotlin, JS/TS, Python, Ruby, Rust), što demokratizira statičku analizu sigurnosti za timove bez stručnjaka za QL.
