16 vijesti — 🔴 2 kritično , 🟡 11 važno , 🟢 3 zanimljivo
GPT-5.5 Instant je novi default model ChatGPT-a koji OpenAI uvodi 5. svibnja 2026. Model donosi pametnije i preciznije odgovore, smanjeni broj halucinacija te poboljšanu personalizaciju, a istovremeno je objavljen i prateći system card.
EvoLM je post-training metoda koja eliminira vanjsku superviziju — Qwen3-8B rubric generator nadmašuje GPT-4.1 na RewardBench-2 za 25,7% i SkyWork-RM za 16%, dok trenirana policy doseže 69,3% na OLMo3-Adapt benchmarku.
Google je proširio File Search u Gemini API-ju na multimodalnu pretragu, omogućivši nativno embeddanje i dohvat slika uz tekstualne dokumente kroz model gemini-embedding-2. Dodana su dva nova grounding polja te event-driven webhook podrška za Batch API.
Microsoft Research je na NSDI 2026 prezentirao DroidSpeak, sustav koji dijeli KV cache između arhitekturno identičnih fine-tuned LLM varijanti i postiže do 4× viši throughput uz minimalni pad kvalitete u enterprise scenarijima s desecima domenskih modela.
Novi rad pokazuje da sigurnost kliničkih LLM-ova ne slijedi iste zakone skaliranja kao točnost — čišći dokazi u RAG-u podižu točnost s 73,5% na 94,1%, a smanjuju visokorizične greške s 12% na 2,6% više od povećanja modela.
UK-ov AI Security Institute objavio je 5. svibnja partnerstvo s Microsoftom oko frontier-AI sigurnosti. Suradnja pokriva tri istraživačka područja: evaluaciju visokorizičnih sposobnosti, testiranje zaštita i istraživanje društvene otpornosti na konverzacijski AI.
Anthropic objavljuje 10 gotovih agent templatea za financijske usluge, uključujući pitchbook builder, KYC screener i month-end closer. Templates dolaze kao pluginovi za Claude Cowork i Claude Code, a Claude Opus 4.7 postiže 64,37% na Vals AI Finance benchmarku.
MEMTIER je petoslojna memorijska arhitektura za dugoročne autonomne agente — na LongMemEval-S benchmarku s Qwen2.5-7B točnost skače s 0,050 na 0,382, a stopa izvršavanja alata prestaje padati nakon 72 sata rada.
AWS je 5. svibnja objavio OS Level Actions za Amazon Bedrock AgentCore Browser, sposobnost koja agentima omogućuje interakciju s nativnim sučeljem operativnog sustava izvan DOM-a. Uvodi 8 akcija i action-screenshot-reaction petlju, dostupno bez dodatne konfiguracije.
DataClaw je novi benchmark koji ocjenjuje cijeli proces rada AI agenata u eksplorativnoj analizi podataka, ne samo finalni odgovor, čime otkriva slabosti agenata koji točan rezultat dosežu pogrešnim putem.
IBM je proširio Enterprise Advantage platformu lansiranjem Context Studija, alata za izgradnju AI agenata utemeljenih na vlastitim podacima organizacije uz očuvanje digitalnog suvereniteta. Providence Health smanjio je menadžersko vrijeme zapošljavanja 90 %, a IBM projektira smanjenje operativnih troškova preko 25 % unutar 18 mjeseci.
Anthropic je objavio Claude Code v2.1.131, hotfix izdanje koje rješava dvije greške: pad aktivacije VS Code ekstenzije na Windowsima zbog hardkodiranog build patha i izostanak x-api-key headera prema Mantle inferencijskim endpointima. Binarne verzije objavljene su za sve glavne platforme.
