13 vijesti — 🟡 8 važno , 🟢 5 zanimljivo
Ollama 0.30 donosi integraciju s llama.cpp za bolje performanse i GGUF kompatibilnost modela, uz do 20% bržu propusnost na NVIDIA GPU-ovima. Proširuje hardversku podršku Vulkanom na AMD i Intel uređajima te dodaje podršku za tool-calling. Nadopunjuje postojeći MLX engine za Apple silicij.
vLLM tim izdao je v0.3 'Themis' svog Semantic Routera, prvu produkcijski spremnu verziju za usmjeravanje upita između modela. Donosi kanoničku konfiguraciju, inspektabilan tok odluke i reproducibilno ponašanje routinga za Kubernetes deploymente.
Engram je open-source memorijski sustav koji pokazuje da pametno dohvaćen 'lean' kontekst nadmašuje učitavanje cijele povijesti razgovora. Na benchmarku LongMemEval_S postigao je 83,6% naspram 73,2% za full-context, koristeći oko 8× manje tokena.
SWE-Marathon je novi benchmark za evaluaciju agenata na ultra-dugotrajnim software engineering zadacima. Frontier coding agenti rješavaju manje od 30% od 20 zadataka, uz reward-hacking ponašanje u 13,8% rolloutova. Benchmark, eval kod i trajektorije javno su objavljeni.
Google Research i Google Cloud predstavili su multi-agentni RAG framework sa 'Sufficient Context Agentom' koji procjenjuje je li dohvaćeni kontekst dovoljan. Na FramesQA benchmarku postigao je 90,1% točnosti u cross-corpus scenarijima i do 34% bolju faktualnost uz minimalan porast latencije.
LangChain je najavio opću dostupnost značajke LangSmith Sandboxes — izoliranih, hardverski virtualiziranih microVM-ova koji agentu daju vlastiti datotečni sustav, shell i perzistentno stanje. Mogućnosti uključuju snapshotove, forkove i blueprintove. Integrira se s postojećim LangSmith SDK-om i API-jem.
Anthropic je objavio white paper o sposobnostima Claudea u kemiji, posebno u NMR spektroskopiji. Claude Opus 4.7 postigao je prosječnu pogrešku od ±0,079 ppm pri predikciji vodika i pokazao sposobnost dvosmjernog zaključivanja između spektra i strukture.
Novi rad bavi se predtreniranjem jezičnih modela kada compute raste brže od dostupnih tekstualnih podataka. Predstavlja masked-input regularizaciju (MIR) i scaling zakon SoftQ, uz procjenu da dobici MIR-a odgovaraju oko 1,3 puta više jedinstvenih podataka. Kod je objavljen.
Metoda Eval-Skill umjesto generiranja kriterija po svakom upitu sintetizira ponovno upotrebljive domenske evaluacijske vještine kroz eksploraciju. Na benchmarku RewardBench 2 donosi +13,44% za Qwen3-8B i +18,51% za DeepSeek-V4-Flash naspram baseline ocjenjivanja. Kod je open-source.
Kompaktni multilingvalni reasoning benchmark mmPISA-bench izveden je iz OECD PISA testiranja i pokriva 43 jezika, ukupno 2.150 točaka. Moderni LLM-ovi rezoniraju efektivno na svim jezicima, a strojni prijevodi rade usporedivo s ljudskima. Pojedini jezici istovremeno pokazuju veće troškove i nižu točnost.
