15 vijesti — 🔴 1 kritično , 🟡 10 važno , 🟢 4 zanimljivo
GPT-5.6 Sol je OpenAI-jev najavljeni model sljedeće generacije, trenutno u statusu preview (nije opće dostupan), s pojačanim sposobnostima u kodiranju, znanstvenom zaključivanju i kibersigurnosti te najnaprednijim safety stackom dosad.
Anthropic je izjednačio API rate limite za sve modele — Sonnet i Haiku sada dijele iste kvote kao Opus na svakom od tri usage tiera (Start, Build, Scale). Istovremeno, fast mode za Claude Opus 4.7 ide u deprecation s uklanjanjem 24. srpnja.
Istraživači su pokazali da standardni benchmarci — koji mjere samo jedan model u jednom pokušaju — podcjenjuju stvarne sposobnosti LLM-ova za čak 82%. Uvođenjem Capability Frontier okvira, koji koristi Pareto optimalnost na 21 modelu i 16 benchmarka, moguće je postići istu točnost uz 85% niže troškove.
Google je ubrzao Gemini Nano inferenciju na Pixelu 9 i 10 za više od 50% korištenjem zamrznute multi-token predikcije — tehnike koja generira prosječno ~2 tokena po jednom prolazu kroz model, uz uštedu 130 MB memorije po instanci i bez ikakve promjene izlaznih rezultata.
Istraživanje na 67 frontier modela od 21 providera uvodi pojam co-failure ceiling — gornju granicu točnosti ansambla LLM-ova određenu stopom kad svi modeli griješe na istom upitu. Rezultati pokazuju da kombiniranje modela rijetko nadmašuje jedan najjači model bez query-level routinga.
EGG je višeagentni okvir koji automatski generira optimizirane GPU kernele za LLM inferenciju. Dvostupanjskim pristupom — algoritamska struktura pa hardversko podešavanje — postiže 2,13× prosječni ubrzanje u odnosu na PyTorch baseline i nadmašuje i agentske i RL-bazirane pristupe na KernelBenchu.
Stripe i AWS opisali su kako je platforma koja procesira 1,4 bilijuna USD godišnje za manje od godinu dana pokrenula više od 100 AI agenata za financijsku usklađenost. Agenti temelje na ReAct frameworku i Amazon Bedrocku donijeli su 26% kraće preglede, 95% detekciju prijevara i 60% niže troškove.
Istraživači su razvili pipeline koji automatski prevodi prirodnojezične upute za AI agente, MCP opise alata i policy dokumente u formalno verificirani kod pomoću Cedar Policy Languagea i LLM generator-critic petlje, postižući znatno veću pokrivenost specifikacije nego ručno pisani simbolički enforcement.
Claude Code v2.1.195 je manji QoL update koji donosi novu env varijablu za isključivanje klikova mišem u fullscreen modu, popravke hyphenated hook matchera i poboljšanu glasovnu diktaturu na macOS-u za CJK jezike.
LangChain je u Deep Agents frameworku uveo prompt caching — tehniku ponovne upotrebe prethodno izračunatog konteksta između koraka agenta — s ciljem smanjenja latencije i troškova kod višekratnih agenata.
Treći Anthropic Economic Index izvještaj analizira kada i kako ljudi koriste Claude — od jutarnjih vijesti do kasnovečernih recepata. Autonomy score Claudea Code-a je 0,37 bodova viši od chata, a razgovori u visokoplaćenim zanimanjima troše 2,5× više tokena.
Semantic Early-Stopping for Iterative LLM Agent Loops predlaže metodu koja zaustavlja agentsku iteracijsku petlju čim embedding uzastopnih nacrta prestane semantički mijenjati — bez fiksnog broja koraka — i tako smanjuje potrošnju tokena za 38% uz identičnu kvalitetu.
