15 vijesti — 🔴 2 kritično , 🟡 7 važno , 🟢 6 zanimljivo
Meta Superintelligence Labs predstavila je Muse Image i Muse Video — modele koji funkcioniraju kao agenti, interno pozivaju alate za kod i pretraživanje weba te zauzimaju #2 i #3 na Arena ljestvici uz obvezan Content Seal vodeni žig.
Istraživači s Tsinghua sveučilišta i Zhipu AI predložili su Direct On-Policy Distillation (Direct-OPD) — metodu koja prenosi dobitke reinforcement learninga sa slabijeg modela-učitelja na jačeg učenika bez imitiranja konačne politike, postižući skok s 48,3% na 62,4% na AIME 2024.
Istraživači sa Stanforda i UC Berkeleya identificirali su verifikaciju — sposobnost procjene ispravnosti rješenja — kao novu os skaliranja za LLM-ove, ortogonalnu dosadašnjim paradigmama. Framework generira kontinuirane verifikacijske ocjene i postiže SOTA na četiri benchmarka: Terminal-Bench V2 (86,5%), SWE-Bench Verified (78,2%), RoboRewardBench (87,4%) i MedAgentBench (73,3%).
Google je u Gemini API dodao background execution, remote MCP integraciju, custom function calling i osvježavanje kredencijala — četiri funkcionalnosti koje developerima omogućuju deployment agenata izvan prototipnih okruženja.
Vivek Trivedy iz LangChaina tvrdi da je sustavno poboljšavanje AI agenata u osnovi problem rudarenja execution traceova u mjerilu. Preporučeni redoslijed: harness engineering, zatim fine-tuning, zatim dodatna harness optimizacija. Ključni savjet: deployajte agente rano da biste pokrenuli petlju prikupljanja podataka.
Anthropic je 7. srpnja objavio Claude Code v2.1.203 s upozorenjem o isteku login tokena, automatskim oporavkom zamrznutih background sesija i smanjenjem veličine binarija za otprilike 7 MB. Ispravljena je i niz bugova koji su usporavali macOS i remeti li rad sub-agenata.
Istraživači su objavili AgentGym2, evaluacijski okvir koji testira 15 LLM agenata u realnim uvjetima s nepotpunim informacijama i nepoznatim alatima. Svi modeli, uključujući GPT-5 i Gemini, značajno zakazuju — otkrivajući široki jaz između trenutnog stanja tehnologije i zahtjeva produkcijskog deploja. Rad je prihvaćen na ACL 2026.
AMD ROCm tim objavio je tehnički vodič o ručnom izračunu GPU occupancyja za CDNA4 arhitekturu. Ključni nalaz: matrix-bound kerneli na MI355X postižu vršni throughput pri svega 12% occupancyja — protuintuitivan rezultat za praktičare koji dolaze iz CUDA ekosustava.
NVIDIA Vera CPU s Olympus jezgrama donosi 50% veći IPC od Grace procesora i 3,4 TB/s core-to-core propusnosti. Perplexity bilježi 1,5× brže dovršavanje poslova na coding agentskim workflowovima.
Britanski AI Security Institute koristio je frontier modele za reviziju vlastite istraživačke platforme i pronašao petostepeni napadni lanac koji je prethodno izmakao standardnim alatima — sve za manje od £150 u troškovima tokena.
Istraživači iz Seulskog nacionalnog sveučilišta te sveučilišta Indiana i Wisconsin uvode Agent Data Injection (ADI) — novi tip napada koji ubacuje zlonamjerne podatke u povjerljive podatkovne strukture agenata, postižući arbitrary click napade i remote code execution na Claude Code, Codex i Gemini CLI, zaobilazeći pri tom postojeće obrane.
