15 vijesti — 🔴 1 kritično , 🟡 8 važno , 🟢 6 zanimljivo
AI2 je objavio olmo-eval, otvorenu evaluacijsku platformu koja proširuje OLMES standard iz jednokratnog benčmarkinga prema cjelovitoj razvojnoj petlji. Ključna inovacija je parna usporedba na razini pojedinih pitanja kroz checkpointe, uz ugrađene statističke mjere za razlikovanje stvarnih poboljšanja od šuma u podacima.
vLLM tim objavio je punu Day-0 podršku za MiniMax M3 — model s milijun tokena konteksta, nativnom multimodalnošću i Mixture-of-Experts arhitekturom. Ključna inovacija je MiniMax Sparse Attention koji omogućuje praktično posluživanje dugih konteksta bez punog materijaliziranja KV cachea.
Istraživači predlažu sustav uvjetnog povjerenja za heterogene rojeve LLM agenata koji mjeri pouzdanost agenta za svaku vještinu zasebno. Testiran na 14 AppWorld agenata, pristup donosi mjerljivo poboljšanje u rutiranju — ali isti mehanizam koji ga čini učinkovitim otvara napad preuzimanja reputacije koji podiže grešku rutiranja s 0 na 0,94.
Box je prošao kroz tri razvojne faze AI integracije — od jednostavnog Q&A nad jednim dokumentom do punog agentskog sustava Deep Agents koji koristi dinamički parent/child model. Nova arhitektura isporučena je 4 puta brže od prethodnog pristupa, a nove agente sada razvijaju u tjednima umjesto mjesecima.
Istraživači predlažu formalnu metodologiju za projektiranje složenih AI sustava koji orkestriraju više modela, algoritama i alata. Kroz 8 projektnih obrazaca i tri case study-a pokazuju da složene konfiguracije dostižu točnost monolitnih modela uz razliku od 2,5 do 4 postotna boda, uz smanjenje latencije do 60% i troškova do 71%.
Istraživači su primijenili agentski pipeline za formalizaciju udžbenika numeričke analize u Lean 4 i otkrili da prihvaćanje kernela — standardni pokazatelj uspjeha — sustavno prikriva semantičke greške. Agenti produciraju iskaze koji se kompiliraju, ali su oslabljeni ili nepotpuni. Novi trodimenzionalni okvir kvalitete premašuje postojeće metrike evaluacije.
Tata Consultancy Services (TCS), jedna od najvećih IT tvrtki na svijetu, pridružila se Anthropicovoj mreži partnera. Tvrtka planira omogućiti pristup Claudeu za 50.000 vlastitih zaposlenika u 56 zemalja i razviti prilagođene poslovne primjene za financije, zdravstvo i osiguranje. Anthropic je po prvi put javno potvrdio da je Indija njegovo drugo najveće tržište.
Googleov istraživački tim objavio je dvije studije — u JAMA Dermatology i na konferenciji CHI 2026 — o AI alatu koji prepoznaje kožne bolesti iz fotografije. Randomizirano istraživanje na 2.345 sudionika pokazalo je trostruki skok točnosti, ali slabi u preporuci konkretnih medicinskih koraka.
Anthropic je 12. lipnja objavio Claude Code v2.1.174, v2.1.175 i v2.1.176 u rasponu od manje od 21 sat. Ažuriranja donose novu kontrolu modela za timove, poboljšano praćenje atribucija korištenja i niz ispravaka za Bedrock, tmux i enterprise korisnike.
GitHub je objavio nova konfigurijska proširenja za Copilot code review: organizacijski administratori sada mogu postaviti zadani runner za sve repozitorije, zaključati ga na razini organizacije i primijeniti path-based content exclusion. Uklonjen je i dosadašnji limit od 4.000 znakova za custom instrukcije.
Američka vlada 12. lipnja 2026. u 17:21 po istočnom vremenu dostavila je Anthropicu direktivu o izvoznoj kontroli kojom se nalaže globalna obustava pristupa modelima Claude Fable 5 i Claude Mythos 5, uključujući zaposlenike stranoga državljanstva. Anthropic poštuje direktivu, ali javno osporava njezinu tehničku opravdanost.
Microsoftov autonomni LLM agent Project Ire identificirao je dosad neviđenu varijantu zlonamjernog softvera LOTUSLITE — u trenutku otkrića samo jedan od 72 sigurnosna dobavljača ga je detektirao. Ire je radio isključivo statičkom reverznom analizom, bez ikakvog ljudskog unosa ili kontekstualnih metapodataka.
LangChain je definirao teorijski i praktični okvir za sigurnu izolaciju AI agenata u produkcijskim sustavima. Ključni pojam je smrtonosni trijumvirat: istovremeni pristup osjetljivim podacima, izloženost nepouzdanom sadržaju i mogućnost vanjske komunikacije. Rješenje: microVM arhitektura s autorizacijskim proxyjem koji tajne ključeve nikad ne pohranjuje unutar sandboxa.
