12 vijesti
Cloudflare je integrirao OpenAI-jeve GPT-5.4 i Codex modele u svoju novu Agent Cloud platformu, omogućujući enterprise korisnicima izgradnju, deploy i skaliranje AI agenata za stvarne poslovne zadatke s naglaskom na brzinu i sigurnost.
Allen Institute for AI analizira dva benchmarka koji otkrivaju dramatičan jaz između AI performansi na testovima znanja i sposobnosti za stvarna znanstvena otkrića. Dok modeli dosežu 80% na školskoj razini, na složenim znanstvenim zadacima padaju na 20%.
Novi benchmark HiL-Bench mjeri sposobnost AI agenata da prepoznaju vlastite granice i zatraže ljudsku pomoć umjesto da nagađaju. Rezultati pokazuju da čak i frontier modeli loše procjenjuju kad im treba pomoć, ali ciljani trening može poboljšati tu sposobnost.
Novi benchmark otkriva univerzalni nedostatak prosudbe kod AI agenata — kad specifikacije nisu potpune, nijedan frontier model ne postiže više od djelića svoje pune performanse. Istraživači pokazuju da se ta vještina može trenirati RL-om.
Novi benchmark za korisničke servise otkriva dva fenomena: 'Execution Gap' (modeli točno klasificiraju namjere ali ne izvode ispravne radnje) i 'Empathy Resilience' (modeli ostaju pristojni dok rade logičke greške).
GitHub je 10. travnja objavio službeni tutorial za Copilot CLI alat. Vodič pokriva instalaciju preko npm-a, autentikaciju s GitHub računom i praktične primjere — uključujući delegiranje zadataka cloud agentima.
Anthropic je objavio sveobuhvatan policy framework 'Trustworthy agents in practice' koji definira što znači razviti, deployati i koristiti AI agente na pouzdan način. Dokument služi kao smjernica za kompanije koje grade ili koriste agente.
Novi rad PASK predstavlja okvir za proaktivne AI agente koji kombiniraju detekciju namjera, hibridnu memoriju i samoinicijativnu akciju. IntentFlow model dosegao je razinu vodećih Gemini 3 Flash modela u prepoznavanju latentnih korisničkih potreba.
Nova metoda SAVeR (Self-Audited Verified Reasoning), prihvaćena na ACL 2026, omogućuje LLM agentima da sami sebe revidiraju prije izvršavanja akcija. Cilj: spriječiti da koherentno razmišljanje koje krši logička ograničenja dovede do pogrešnih odluka.
Istraživači su predstavili KnowU-Bench — sveobuhvatan benchmark za evaluaciju nove generacije mobilnih AI agenata, fokusirajući se na interaktivnost, proaktivnost i personalizaciju kroz dugoročnu upotrebu.
Amazon je objavio preview AWS Agent Registry-a, centraliziranog kataloga AI agenata, alata i agent skill-ova za enterprise organizacije. Sustav indeksira agente bez obzira gdje su hostani (AWS, drugi cloudovi, on-premises) i koristi kombinaciju keyword i semantičke pretrage uz IAM-based access control.
Amazon je proširio Bedrock AgentCore Runtime trima novim MCP capabilities — elicitation (traženje strukturiranog inputa od korisnika), sampling (traženje LLM completion-a od klijenta) i progress notifications. Stateful sesije sad mogu trajati do 8 sati u izoliranim microvM-ovima i omogućuju dvosmjernu komunikaciju između agenta i klijenta.