15 vijesti — 🔴 2 kritično , 🟡 10 važno , 🟢 3 zanimljivo
Self-distillation uvjetovana rubrikama nova je metoda treniranja reasoning modela koja nadmašuje GRPO za +1,0 bod i OPSD za +0,9 bodova na benchmarkovima znanstvenog rasuđivanja. Umjesto skalarnih nagrada, pristup pretvara rubrike u token-level vodstvo za precizniju dodjelu zasluga.
GPT-5.5 Instant poboljšava zdravstvene i wellness odgovore u ChatGPT-u kroz jače rasuđivanje i bolji kontekst. Evaluaciju je provela skupina liječnika, a cilj je jasnija i pouzdanija komunikacija na medicinskim temama.
Claude Opus 4.7 je autonomno upravljao robotičkim četveronošcem i završio zadatke 20× brže od ljudskog tima te napisao ~10× manje koda uz jednako dobre ili bolje rezultate, no precizna zatvorena petlja kontrole i dalje ostaje izazov.
CEO-Bench je benchmark koji simulira 500-dnevno vođenje startupa i testira sposobnost AI agenata da donose poslovne odluke bez nadzora. Samo Claude Opus 4.8 i GPT-5.5 premašuju početni kapital od 1 milijun dolara, ali nijedan model ne ostvaruje konzistentan profit.
Amazon Bedrock AgentCore Harness je izašao iz preview faze i dostupan je svima u produkciji; deploy produkcijskog AI agenta sada zahtijeva samo 2 API poziva, a platforma podržava Claude, Nova, Llama, DeepSeek, GPT-5.5 i GPT-5.4 uz mogućnost mijenjanja modela mid-session bez gubitka konteksta.
GitHub je uveo detekciju duplikata u realnom vremenu pri kreiranju issue-a i proširio MCP server podrškom za čitanje i pisanje issue fields. AI agenti sada mogu kreirati issue-e s automatski postavljenim metapodacima, eliminirajući ručni triaging.
TxBench-PP je benchmark koji testira AI agente u pretkliničkoj farmakologiji malih molekula kroz 4.800 trajektorija i 11 modela. Claude Opus 4.8 postiže 59,3% uspješnosti i vodi ispred GPT-5.5 s 55,3%, no nijedan model ne dostiže razinu pouzdanu za medicinsku primjenu.
MAI-Code-1-Flash, Microsoftov kompaktni coding model pozicioniran kao best-in-class za svoju veličinu, sada je dostupan na 8 razvojnih površina unutar GitHub Copilota — od CLI-ja do mobilnih platformi — u svim planovima od free do max tiera.
OpenAI-jev reasoning model identificirao je 18 novih dijagnoza u prethodno neriješenim slučajevima rijetkih genetskih bolesti kod djece, surađujući s liječnicima i istraživačkim institucijama. Rezultati otvaraju nova pitanja o ulozi AI-a u kliničkoj dijagnostici.
PyTorch core tim objavio je LLM-vođeno autotuniranje za Helion kernele koje optimizaciju GPU koda ubrzava s minuta na sekunde. Umjesto iscrpne pretrage svih konfiguracija, veliki jezični modeli inteligentno vode pretragu prostora parametara.
Google DeepMind analizirao je milijun agent coding trajektorija i otkrio da više od 50% flaggiranih sigurnosnih incidenata kod AI agenata potječe od pogrešnog tumačenja zadataka ili prerevnosti modela, a ne od vanjskih adversarijalnih napada, što mijenja prioritete u obrani.
GitHub je u jednom danu objavio dvije povezane sigurnosne nadogradnje za Actions: actions/checkout@v7 blokira pwn request napade iz fork PR-ova, a nova Workflow execution protections funkcija omogućuje admin allow-liste po aktoru i tipu eventa za cijele organizacije.
