13 vijesti — 🟡 9 važno , 🟢 4 zanimljivo
Anthropic je povukao originalne modele Claude Sonnet 4 i Claude Opus 4 iz produkcije. Svi API zahtjevi prema identifikatorima claude-sonnet-4-20250514 i claude-opus-4-20250514 sada vraćaju grešku. Razvojni timovi trebaju migrirati na Claude Sonnet 4.6 i Claude Opus 4.8, dok istraživači mogu zatražiti pristup kroz External Researcher Access Program.
Amazon Bedrock je dodao tri Google Gemma 4 modela: 31B dense s 256K konteksta, 26B-A4B MoE s 3,8 milijardi aktivnih parametara i kompaktni E2B s 5,1 milijardi parametara. Gemma 4 31B postiže Intelligence Index 39 naspram medijana 15 za klasu otvorenih modela od 4B do 40B. Modeli su pod Apache 2.0 licencom, podržavaju 35+ jezika te nude native function calling i ugrađeni reasoning mode.
Google je u Gemini API changelogu objavio rokove gašenja generativnih modela. Veo 2.0 i Veo 3.0, uključujući Fast varijantu, gase se 30. lipnja 2026., a obitelj Imagen 4 (generate-001, Ultra i Fast) 17. kolovoza 2026. Korisnici trebaju migrirati na Veo 3.1 preview ili GA modele kroz Gemini Enterprise Agent Platform. Najava je stigla isti dan kad je Anthropic povukao staru generaciju Claude modela.
GitHub je objavio Multilingual Repositories Dataset s više od 80 milijuna klasifikacijskih redaka kroz 40+ milijuna repozitorija, pod potpuno otvorenom CC0-1.0 licencom. Za svaki repozitorij dataset bilježi tri tekstualna izvora — README, najkomentiraniji issue i najkomentiraniji pull request — uz detekciju jezika kroz tri alata: fastText, gcld3 i lingua-py. Portugalski vodi među ne-engleskim README datotekama, a korejski je najzastupljeniji u raspravama issue-a.
CNCF navodi da Oracleova donacija od 3 milijuna dolara u OCI compute kreditima omogućuje Arm64 CI/CD podršku u više od 12 projekata, uključujući OpenTelemetry, containerd, Falco, Longhorn, Crossplane i Jaeger. Potražnja je brzo nadmašila početnu smjernicu od 5.000 dolara mjesečno. Pomak prati podatak da više od 50 posto novih AWS instanci i 33 posto Azure instanci sada radi na Arm64 arhitekturi.
AgentFairBench je prvi benchmark koji mjeri demografsku nejednakost u samim akcijama LLM agenata — ne samo u odgovorima — kroz domene zapošljavanja, kreditiranja i medicinske trijaže. Koristi metrike counterfactual flip rate i action-rate disparity te testira četiri agentska scaffolda. U pilotu od 864 odluke Claude Haiku nije pokazao demografski efekt iznad razine šuma, a rad upozorava da naivna usporedba šest skupina može precijeniti nejednakost otprilike 2,4 puta.
Rad predstavlja Bayesov okvir za reviziju koji pokazuje da jedan konačni snimak ljestvice s 1.000 sustava može odgovarati višestrukim nekompatibilnim povijesnim putanjama, s vremenima konvergencije od 23 do 75 koraka. Oslanjajući se na arhivirane podatke LiveBencha, Open LLM Leaderboarda v2, LMArene, GAIA-e i tau-bencha, autor predlaže 'archive-and-adjudication' protokol za rekonstrukciju povijesti ocjenjivanja i odbacivanje nepotkrijepljenih tvrdnji o frontier modelima.
AWS-ov Strands Evals SDK uvodi dvofazni pipeline za AI agente. Prvo otkriva kvarove kroz devet kategorija — halucinacije, pogrešne akcije, greške orkestracije i konteksta te ponavljanja — a zatim provodi analizu korijenskog uzroka s klasifikacijom PRIMARY, SECONDARY i TERTIARY. Alat preporučuje konkretne popravke poput SYSTEM_PROMPT_FIX ili TOOL_DESCRIPTION_FIX i skraćuje dijagnostiku sa sati na minute. Integrira se s Amazon Bedrockom i Amazon CloudWatch logovima.
LangChain je pokazao kako fino ugođeni Qwen-3.5-35B služi kao 'trace judge' — model koji ocjenjuje produkcijske tragove agenata i otkriva korisnički uočene greške. Uz LoRA fine-tuning na Fireworks infrastrukturi i oko 1.400 primjera, model postiže 96,1% točnosti na chat-langchain skupu naspram 91,6% za Claude Opus, uz 10 do 100 puta nižu cijenu. Fino ugođen na jednoj domeni, nadmašio je frontier modele na drugoj, što pokazuje prijenos među domenama.
Microsoftova nova analiza pokazuje da prosječan AI upit troši 0,16 do 0,60 Wh energije — usporedivo s računalom koje radi 15 do 60 sekundi i 4 do 20 puta manje nego što su ranije studije procjenjivale. Istraživači navode da prijašnje procjene nisu uračunale efikasnost na velikoj skali. Kombinacijom optimizacije modela, serving tehnika i napretka hardvera dostižno je 8 do 20 puta smanjenje energije po upitu.
Anthropic je objavio Claude Code v2.1.178 s novom sintaksom dozvola Tool(param:value) i podrškom za wildcard — primjerice Agent(model:opus) blokira pokretanje Opus subagenata. Skills u ugniježđenim .claude/skills/ direktorijima sada se automatski učitavaju uz prefiks pri sukobu imena, a u auto modu pokretanje subagenata prolazi kroz klasifikator. Izdanje donosi i popravke OOM rušenja te zaglavljenih background sesija.
