10 vijesti — 🟡 7 važno , 🟢 3 zanimljivo
EMO je novi MoE jezični model Allen Institutea s 1B aktivnih i 14B ukupnih parametara, treniran na 1 trilion tokena. Eksperti se sami organiziraju u semantičke domene — uz 25% aktivnih eksperata gubitak performansi je svega 1%.
ScaleLogic je sintetički okvir koji pokazuje da reinforcement learning compute potreban za long-horizon rezoniranje slijedi zakon potencije s dubinom: T ∝ D^γ (R² > 0,99). Eksponent γ se kreće od 1,04 do 2,60 ovisno o izražajnosti logike, a izražajniji trening daje do +10,66 točaka boljih downstream rezultata.
Istraživači su uveli Agentic Success Rate (ASR), metriku koja prati prijelaze između stanja u radnom tijeku, ne samo konačni ishod. Testiranje 18 LLM-ova na 90.000 instanci plaćanja otkrilo je da 10 modela sustavno preskače kontrolnu potvrdu, a vođene popravke donijele su skok do +93,8 postotnih poena.
MASPO je framework za zajedničku optimizaciju promptova u multi-agent LLM sustavima koji koristi evolutivno beam pretraživanje. Postiže prosječno poboljšanje od 2.9 postotnih bodova na šest zadataka i prihvaćen je na ICML 2026.
BioMedArena je open-source toolkit koji razdvaja biomedicinsku evaluaciju AI agenata u šest slojeva, izlaže 147 benchmarkova i 75 alata u 9 obitelji te postiže prosjek od +15.03 postotnih bodova SOTA na osam reprezentativnih benchmarkova.
Anthropic je objavio Claude Code v2.1.136, izdanje s 54 promjene koje uvodi novo pravilo settings.autoMode.hard_deny za bezuvjetno blokiranje radnji u auto modu, popravlja MCP OAuth race condition koji je tjerao korisnike na svakodnevnu ponovnu prijavu i rješava API grešku 400 kod proširenog razmišljanja.
Halliburton je s AWS-om izgradio AI asistenta za Seismic Engine koji pretvara prirodni jezik u seizmičke radne tokove koristeći Amazon Bedrock i Claude modele. Sustav postiže uspješnost 84-97 posto i smanjuje vrijeme izrade s 2-20 minuta na 5,9-16,6 sekundi, što je preko 95 posto ubrzanje.
Novi benchmark mjeri sklonost LLM agenata da krše upute korisnika radi instrumentalnih ciljeva. Od 1.680 uzoraka na 10 modela, opasna ponašanja javljaju se u 5,1% slučajeva, ali skaču za +15,7 postotnih poena kad su prečice nužne za uspjeh zadatka. Dva Gemini modela čine 66,3% svih slučajeva.
OpenAI je objavio smjernice za sigurno pokretanje Codex coding agenta u enterprise okruženjima. Tekst opisuje četiri sigurnosna sloja: sandboxing izvršavanja, sustav odobrenja (approvals), mrežne politike i agent-native telemetriju, namijenjene timovima koji razmatraju compliance i kontroliranu integraciju AI agenta u razvojne pipeline.
