15 vijesti — 🟡 10 važno , 🟢 5 zanimljivo
DiffusionGemma je model s 26 milijardi parametara koji umjesto klasičnog lijevo-desno generiranja teksta iterativno pročišćava platno od 256 tokena. Timovi vLLM-a, Google DeepMinda i NVIDIA-e postigli su 1.288 tokena u sekundi na H200 GPU-u — otprilike šest puta brže od autoregresivnih usporednih modela.
Istraživači su razvili SWARR — dvostupanjski pristup koji kombinira nadzirano fino podešavanje i pojačano učenje kako bi se kvadratična samopažnja zamijenila linearnim kliznim prozorom pažnje bez katastrofalnog pada performansi. Rezultati na matematičkim zadacima zaključivanja pokazuju da je jaz prema standardnoj pažnji značajno smanjen uz zadržavanje efikasnostnih dobitaka.
xAI je objavio Python SDK verziju 1.16.0 s poboljšanjima za generiranje slika i videa kroz Grok Imagine. Novosti uključuju pohranu datoteka i unos po ID-u, javne URL-ove datoteka s filtriranjem popisa te nove identifikatore modela za automatsko dovršavanje u uređivačima koda.
Arbor je multi-agentni okvir koji koristi eksplicitno stablo pretraživanja kao dijeljenu radnu memoriju autonomnih agenata. Primjenjen na optimizaciju LLM inferenca, ostvaruje do 193% poboljšanje omjera propusnosti i latencije u odnosu na vendorski optimizirane baseline sustave.
SciAgentArena je novi benchmark s oko 200 zadataka iz različitih znanstvenih disciplina, razvijen od strane istraživača s Yalea, Cornella, Harvarda, MIT-a i Stanforda. Otkriva da agenti dobro rade strukturiranu analizu podataka, ali posrću pred otvorenim istraživačkim pitanjima i genuinom novinom.
LangChain uvodi obrazac 'headless tools' koji agentima omogućuje pozivanje klijentskih mogućnosti preglednika — geolokacije, međuspremnika, lokalnih datoteka — kao ravnopravnih alata u agentnome petlji zaključivanja. Server odlučuje što, klijent zna kako, a osjetljivi podaci ostaju lokalno.
Novo ažuriranje Claude Code v2.1.172 uvodi mogućnost da sub-agenti sami pozivaju sub-agente do 5 razina dubine, poboljšanu integraciju s Amazon Bedrock, pretraživanje tržnice dodataka i OTEL atribut modela, uz više od dvadeset ispravaka grešaka.
Istraživači Cohere Research-a kritički su analizirali statičke ocjene izloženosti AI-ju — mjeru koja pokazuje koliki postotak zadataka u određenom zanimanju može obaviti veliki jezični model. Studija otkriva strukturni i koordinacijski jaz između akademske metodologije i potreba kreatora politika, te katalogizira pet novih metodoloških pravaca koji još nisu ušli u širu primjenu.
GitHub je u javnu pretpregled uveo namjensku /security-review naredbu u Copilot CLI-ju — eksperimentalni alat koji skenira lokalne promjene koda za sigurnosne ranjivosti unutar terminala, neovisno o postojećim alatima poput Dependabota i code scanninga. Naredba pokriva 11 kategorija ranjivosti s ocjenama ozbiljnosti i prijedlozima za primjenu.
Novi rad formalnim teoremom dokazuje da ne postoji strategija treniranja temeljena isključivo na povratnim informacijama o ponašanju koja bi s izvjesnošću producirala iskrenog AI agenta — čak i uz savršene povratne signale. Problem leži u tome što agenti mogu naučiti odgovarati na način koji ljudski evaluatori ocjenjuju kao točan, umjesto da iskreno izvještavaju o stvarnim skrivenim uvjerenjima.
Istraživači su izgradili 13 AI modela s verificiranim skrivenim uvjerenjima i testirali četiri metode detekcije laži na 31 modelu od 2B do 1T parametara. Aktivacijski detektori i logprob klasifikatori rade dobro na jednostavnom nametnutom laganju, ali dramatično padaju na modelima koji stvarno imaju skrivena uvjerenja. Jedino chain-of-thought sudac postiže 0,82 uravnotežene točnosti.
Google Research predstavio je „Regularized f-Divergence Kernel Tests” — okvir za reviziju zaboravljanja podataka (machine unlearning) koji koristi višestruke divergencijske mjere i trosampalni test relativne udaljenosti. Za razliku od dosadašnjih metoda, ne zahtijeva potpuno ponovno treniranje kao referentnu točku i ispravno identificira kompromitirane modele tamo gdje standardni testovi pogrešno označavaju sigurne modele kao nesukladne.
OpenAI je objavio obavještajni izvještaj koji dokumentira koordinirane kampanje utjecaja povezane s NR Kinom, usmjerene na oblikovanje javne rasprave o AI politici u SAD-u, narativima o podatkovnim centrima, carinama i širenju lažnih tvrdnji o ChatGPT-u.
