9 vijesti — 🟡 6 važno , 🟢 3 zanimljivo
AdaMeZO je optimizator nultog reda koji kombinira prednosti Adam algoritma s memorijskom učinkovitošću MeZO pristupa za fino ugađanje velikih jezičnih modela. Koristi samo prosljeđivanja unaprijed i postiže do 70% manje prolaza u odnosu na MeZO, uz poboljšanu konvergenciju.
BWLA je novi okvir za post-trenažnu kvantizaciju velikih jezičnih modela koji prvi put postiže istovremenu 1-bitnu preciznost težina i nisko-bitne aktivacije bez značajnog gubitka točnosti. Na modelu Qwen3-32B postiže perpleksiju 11,92 i ubrzanje od 3,26× u odnosu na dosadašnje metode.
AEM (Adaptive Entropy Modulation) je supervision-free metoda treniranja koja dinamički modulira entropiju kroz više koraka razgovora kako bi postigla bolju ravnotežu istraživanja i iskorištavanja u pojačanom učenju agentskih LLM-ova. Testirana na modelima od 1,5 do 32 milijarde parametara, ostvaruje 1,4 % poboljšanja kada se integrira u state-of-the-art baseline na SWE-bench Verified benchmarku.
Trideset istraživača iz akademskih i industrijskih laboratorija objavilo je position paper prihvaćen za ICML 2026 koji tvrdi da kontrolni sloj agentnih AI sustava mora poštivati Bayesovsku konzistentnost. Autori smatraju da LLM-ovi nisu prikladni za odluke pod neizvjesnošću, ali da orkestrator iznad njih može i mora održavati kalibrirana vjerovanja i koristiti utility-aware politike.
Istraživači Max Planck Institute for Software Systems i suradnici objavili su okvir koji evaluira tool-calling odluke LLM agenata kroz tri dimenzije: nužnost, korist i prihvatljivost troška. Eksperimenti na šest modela i tri zadatka pokazuju značajan razlikom između onoga što model misli da mu treba i onoga što stvarno povećava točnost — što direktno utječe na cijenu i pouzdanost produkcijskih agenata.
Istraživači su pokazali da pozivanje alata u LLM agentima uvodi skriveni trošak — tzv. "tool-use tax" — koji nastaje zbog formatiranja poziva i overhead-a protokola. Faktoriziranom intervencijskom okvirom izoliraju tri komponente troška i uvode G-STEP gate koji djelomično ublažava gubitke bez promjene modela.
Istraživači Virginia Tech-a objavili su ARMOR 2025, prvi sigurnosni benchmark koji ocjenjuje LLM-ove prema Zakonu rata, Pravilima angažmana i Joint Ethics Regulation. Test sa 519 doktrinarnih promptova kroz 21 komercijalni model otkriva kritične praznine — postojeće sigurnosne evaluacije ne testiraju je li model uskladiv s pravnim i etičkim pravilima vojnih operacija.
Tim s KAIST-a i NAVER Cloud-a predstavio je Stable-GFlowNet (S-GFN), novi pristup automatiziranom red-teamingu velikih jezičnih modela koji eliminira procjenu particijske funkcije Z i koristi parovne usporedbe za stabilno učenje. Rad je dobio ICML 2026 Spotlight oznaku — manje od 5 % prihvaćenih radova — i rješava kronični problem GFlowNet-ova: trening nestabilnost i mode collapse pri šumovitim nagradama.
