13 vijesti — 🔴 2 kritično , 🟡 7 važno , 🟢 4 zanimljivo
Apple je 8. lipnja 2026. predstavio AFM 3, obitelj od pet modela (Apple Foundation Models, treća generacija). AFM 3 Core bilježi 45,6% korisničkih preferencija naspram 23,3% za prethodni model, dok AFM 3 Cloud dostiže 64,7% naspram 8,7% — relativan dobitak od 36% u zadovoljstvu korisnika.
Reasoning Arena je nova metoda treninga jezičnih modela zasnovana na reinforcement učenju s provjerljivim nagradama (RLVR). Umjesto uobičajene grupne usporedbe tragova, uvodi head-to-head turnire i Bradley-Terry model za procjenu relativnih prednosti — čime se eliminira problem nultog gradijenta i ubrzava trening za 27–41%.
TheoremBench je novi benchmark koji procjenjuje sposobnost velikih jezičnih modela u formalnom dokazivanju teorema pomoću Lean4. Obuhvaća oko 100 klasičnih teorema u standardnom i proširenom formatu s automatski izvučenim premisama. Istraživanje pokazuje da eksplicitne premise znatno poboljšavaju izvedbu, dok nove metrike otkrivaju da modeli favoriziraju lakše podteoreme i generiraju predugačke dokaze.
Ultra Flash je kaskadna streaming arhitektura za generaciju videa koja prvi put probija barijeru od 480p kod autoregresivnih modela. Sustav postiže ~30 FPS pri 1K i ~18 FPS pri 2K rezoluciji na jednom GPU-u, što ga čini prvim sustavom za realnovremenu generaciju visokokvalitetnog videa.
VirBench je novi benchmark s 120 realnih upita za dohvaćanje virusnih sekvenci kroz 40 patogena, koji Anthropic uvodi kao standard za evaluaciju bioloških AI agenata. Bez specijaliziranih alata, SOTA modeli postizali su 16,9–91,3% točnosti; s alatom gget virus GPT-5.5 dostiže 99,7%.
SearchSwarm je višeagentski istraživački sustav koji uvodi delegation intelligence — sposobnost dekompozicije i delegiranja zadataka podagentima uz poštivanje ograničenja kontekstnog prozora. Model SearchSwarm-30B-A3B postiže 68,1 na BrowseComp i 73,3 na kineskoj varijanti, nadmašujući sve modele usporedive veličine.
InquiTree je novi istraživački okvir koji LLM agente evaluira na 30 stvarnih znanstvenih radova koristeći DAG model istraživačkog procesa. Studija otkriva kognitivno tuneliranje — degradaciju kritičkog prosuđivanja u dugim sesijama — i pokazuje da performanse padaju na radovima nastalim nakon cutoffa treninga modela.
Anthropic je objavio Claude Code v2.1.169, nadogradnju CLI alata za agentsko kodiranje. Izdanje uvodi --safe-mode zastavicu za izolirano rješavanje problema, novu /cd komandu za promjenu radnog direktorija bez prekida keša prompta te popravke za enterprise MCP politike, zastoje sučelja i probleme na Windowsu.
'Context rot' je naziv za AI konfiguracijske datoteke poput CLAUDE.md i .cursorrules koje referenciraju zastarjeli kod, API-je ili putanje. Novo istraživanje pokazuje da su zastarjele reference prisutne u 23% analiziranih repozitorija, a timovi koji ih koriste mogu tiho degradirati kvalitetu koda bez da to primijete.
Istraživači su s Frontier Red Teama objavili da Claude Mythos Preview autonomno izrađuje funkcionalne exploit kodove za zakrpane ranjivosti unutar sati. Model je za Firefox SpiderMonkey izradio 8 radnih exploita u 12 sati, a za Windows kernel 18 PoC kodova u 6 sati, prvi za 31 minutu.
HPAA su tipografski napadi koji koriste razmake, naglašavanje i prostorni raspored teksta kako bi sakrili štetan sadržaj od automatskih detektora, a ostali čitljivi za ljude. Studija prihvaćena na USENIX Security 2026 testirana je na 13 sustava i postigla >86% prepoznavanja uz detekciju ispod 1%.
VFUSE je prva revizija virulencije na razini značajki za open-weight modele dizajna proteina (RoseTTAFold3, RFDiffusion3). Autori Michael Yu i Matthew Olson trenirali su Sparse Autoencoders na aktivacijama diffusion-transformera i postigli AUROC 0,84 za detekciju opasnih proteinskih dizajna — bez ikakva gubitka performansi na legitimnim zadacima biosinteze.
RealityTest je novi benchmark UK AI Security Instituta koji testira otkrivaju li AI sustavi identitet kad ih korisnici pitaju. Izgrađen na 3.152 stvarna upita od 750 sudionika kroz pet jezika, benchmark pokazuje da stope otkrivanja variraju između 8% i 92%, a jedna instrukcija potiskivanja može ih srušiti na tek 3%.