Zadnja 72 sata, organizirano po kategorijama
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.
AWS je proširio Amazon Bedrock AgentCore s tri sloja znanja: upravljanom bazom znanja s agentskim retrieverom, web pretragom na Amazonovoj infrastrukturi i AgentCore Payments za pristup licenciranom sadržaju. Dodani su Monitoring koji otkriva tihe greške u ponašanju, Optimization s A/B testiranjem u produkciji te Guardrails koji evaluira svaku agentsku akciju na prompt injection i izlaganje podataka. AWS WAF istodobno uvodi monetizaciju AI prometa.
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.
Google je u Nature objavio studiju u kojoj je medicinski AI AMIE u zaslijepljenom ispitivanju dostigao razinu 21 liječnika obiteljske medicine u vođenju bolesti, a bio je statistički bolji u preciznosti plana i usklađenosti sa smjernicama. AMIE koristi empatičnog dijaloškog agenta i agenta za duboko rezoniranje koji unakrsno provjerava stotine stranica kliničkih smjernica. Google je potom pokrenuo nacionalnu randomiziranu studiju u stvarnim virtualnim ordinacijama.
GitHub je predstavio HyDRA, model usmjeravanja koji za Copilot automatski bira AI model prema dubini rezoniranja, složenosti koda i potrebi za orkestracijom alata. HyDRA donosi 72,5% uštede troška uz zadržanu kvalitetu, a u konzervativnom modu 70,8% stope rješavanja uz 3,3 puta uštedu naspram OpenRouter Auto. Dodaje prompt caching i Tool Search, uz točnost usmjeravanja unutar 4 postotna boda od engleske baze na 19 jezika.
OpenAI i Molecule.one demonstrirali su gotovo autonomnog AI kemičara temeljenog na GPT-5.4 koji je poboljšao ključnu reakciju u sintezi lijekova uz minimalnu ljudsku intervenciju. Sustav optimizira reakcije u medicinskoj kemiji, što je korak prema AI-vođenom farmaceutskom istraživanju i razvoju. Puni tekst objave nije bio dostupan, pa je ovaj članak temeljen na službenom OpenAI opisu.
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.
GitHub je objavio da je Copilot desktop aplikacija za macOS, Windows i Linux u općoj dostupnosti. Aplikacija donosi paralelne sesije, canvas sučelje, cloud automacije te integraciju vlastitih modela i alata. Objedinjuje GitHub Spark, Copilot Chat i Copilot CLI u jedinstveno desktop iskustvo. Izdanje je dio šireg vala Copilot najava istog dana, uključujući HyDRA usmjeravanje modela i Auto mode dostupan svim korisnicima.
Europska komisija objavila je četvrti godišnji izvještaj o stanju digitalnog desetljeća, koji ocjenjuje napredak EU-a prema digitalnim ciljevima za 2030. kroz infrastrukturu, poslovanje, vještine i javne usluge. Izvještaj prepoznaje AI, poluvodiče, cloud i open source kao stupove europske tehnološke suverenosti, a ključnim izazovom navodi isporuku rezultata u opsegu, brzini i dosljednosti. Prema Eurobarometru, velika većina Europljana digitalnu politiku stavlja na vrh prioriteta EU-a.
CNCF je objavio vodič o arhitektonskim obrascima za digitalnu suverenost cloud-native platformi, jer je EU Data Act u punoj primjeni od 11. siječnja 2025. Regulatori očekuju četiri svojstva: jurisdikcijsku ograničenost, operativnu autonomiju, kriptografsku kontrolu pristupa i prenosivost. Jedan Kubernetes klaster nije dovoljan jer dijeljeni control plane znači dijeljeni rizik; predlaže se obrazac u kojem svaka jurisdikcija dobiva vlastiti control plane (vCluster), uz GitOps deklaraciju granica.
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.
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.
Novi benchmark PseudoBench testirao je sedam vrhunskih AI agenata na 200 pseudoznanstvenih tvrdnji u pet domena i otkrio gotovo nultu stopu odbijanja — najveća otpornost bila je tek 27,4%. Paradoksalno, jači modeli pakiraju pseudoznanost u sofisticiraniji akademski jezik i time povećavaju rizik. Autori upozoravaju da je 'znanstveno poravnanje' nužno prije masovnog uvođenja autonomnih istraživačkih agenata koji od eksperimenta do pisanja generiraju uvjerljive lažne studije.
Anthropicov Red Team objavio je analizu koja stvarne AI-naoružane kiberoperacije mapira na MITRE ATT&CK okvir, razvijenu u suradnji s Verizonom. Rad analizira obrasce AI-potpomognutih napada uočene u praksi. Paralelno, Red Team je objavio i analizu o tome kako veliki jezični modeli ubrzavaju iskorištavanje već objavljenih, ali nezakrpanih (N-day) ranjivosti.
AWS je u Amazon Bedrocku uveo InvokeGuardrailChecks, API za otkrivanje koji vraća ocjene bez automatskog blokiranja i bez potrebe za unaprijed kreiranim guardrail resursom. Pokriva tri zaštite: filtre sadržaja, detekciju prompt napada (jailbreak, injekcija, curenje) i prepoznavanje osobnih podataka s 31 tipom entiteta. API vraća ocjene ozbiljnosti i pouzdanosti na skali 0 do 1,0, namijenjen višekoračnim agentskim petljama gdje razvojni tim sam kontrolira pragove.
GitHub uvodi limite pull requestova koji maintainerima omogućuju kontrolu broja istovremenih prijedloga od vanjskih suradnika. Od siječnja 2023. broj spojenih PR-ova porastao je s 25 milijuna na 90+ milijuna mjesečno — rast od 3,6 puta — što je preopteretilo mnoge projekte.
Anthropic je otvorio ured u Seulu, svoj prvi u Aziji, i najavio nove suradnje unutar korejskog AI ekosustava. Potez je dio šire globalne ekspanzije kompanije izvan SAD-a i Europe. Detalji pojedinačnih partnerstava nisu bili dostupni u izvoru, pa ih ovaj prikaz svjesno ne navodi. Koreja je značajno tržište s jakom tehnološkom industrijom i visokom razinom usvajanja AI-ja.
GitHub je od 16. lipnja 2026. zatvorio GitHub Models — playground, API i katalog modela — za nove organizacije. Postojeći korisnici zadržavaju puni pristup zasad, a detalji o potpunom gašenju stići će naknadno. GitHub nove korisnike upućuje na Azure AI Foundry kao alternativu. Razlog povlačenja nije naveden u objavi, ali potez signalizira da se GitHub povlači iz izravnog posluživanja AI modela developerima.
OpenAI je pokrenuo Partner Network, program s 150 milijuna dolara namijenjen globalnim partnerima za ubrzanje usvajanja enterprise AI-ja. Cilj inicijative je pomoći tvrtkama u implementaciji, deploymentu i transformaciji poslovanja uz AI. Najava je objavljena 14. lipnja 2026. Puni tekst objave nije bio dostupan, pa je ovaj članak temeljen na službenom OpenAI opisu objave.
AMD je objavio komparativnu analizu RoCE mrežnih prometnih uzoraka pri treningu četiri velika LLM-a — GPT-4, Llama 3, DeepSeek-V2 i Grok 4.0 — kao praktično vodstvo za izgradnju AI infrastrukture u scale-out klasterima s više GPU čvorova.
AMD je predstavio Schola, open-source dodatak za Unreal Engine koji omogućuje trening učenjem pojačanjem kompatibilan s Gymnasiumom kroz Python okvire i gRPC. U primjeru se kolaborativna robotska ruka xArm6 trenira u Unreal Engineu 5.7 s MuJoCo fizikom, algoritmom PPO i PyTorchem na AMD ROCm stogu za GPU ubrzanje. Tutorial pokazuje reach-zadatak u kojem se vrh ruke pomiče na nasumične ciljne lokacije.
AMD je u MLPerf Training v6.0 pokazao da je Instinct MI355X unutar otprilike 5% performansi ekvivalentnog NVIDIA GPU-a na LLM benchmarkovima. MI355X je 3,5× brži od prošlogodišnjeg MI300X te 13–19% brži od prethodnog kruga. AMD je prvi put uveo MXFP4 (FP4) recepte za trening i Primus jedinstveni okvir, uz višečvornu prijavu od 512 MI300X GPU-a na 64 čvora.
NVIDIA je objavila da je njezina Blackwell platforma postigla najbolje rezultate na svih sedam testova MLPerf Training 6.0. GB300 NVL72 donosi do 1,6× brži trening od GB200 NVL72, a najveća prijava koristila je 8.192 Blackwell GPU-a na DeepSeek-V3 modelu od 671 milijarde parametara. CoreWeave je istrenirao DeepSeek-V3 671B u 2,02 minute na 8.192 GPU-a, dok je Microsoft Azure odradio Llama 3.1 405B u 7,07 minuta.
AMD je predstavio ATOM, inference engine za Instinct GPU-e koji eksponira OpenAI-kompatibilan API te orkestrira KV cache, scheduling i paralelizam. ATOM je vrh ROCm stoga, uz AITER kernele i MoRI RDMA komunikaciju, podržava TP, DP i EP paralelizam te je optimiziran za MoE modele poput DeepSeek V2–V4, Mixtral i Qwen3-MoE. Nudi FP8, MXFP4, INT8 i INT4 kvantizaciju te MTP speculative decoding s EAGLE proposerom.
Robin Rombach, suosnivač i CEO Black Forest Labs (tvorci FLUX modela), obratio se G7 liderima s pozivom da otvoreni i odgovorni razvoj AI-a postane globalna norma. Rombach argumentira da javna dostupnost AI parametara potiče inovacije i demokratizira tehnologiju.
Allen Institute objavio je MolmoMotion, potpuno open-source model koji predviđa 3D trajektorije objekata iz videa i prirodnojezičnih uputa poput 'okreni zdjelu'. Model postiže state-of-the-art na PointMotionBenchu s 0,109 m prosječnog pomaka naspram 0,134 m prethodnog rekorda, a podiže uspjeh pick-and-place zadataka u robotici s 56% na 76,3%, plus 20,3 postotna boda. Treniran je na MolmoMotion-1M skupu od 1,16 milijuna videa s 3D trajektorijama i opisima radnji.
vLLM je predstavio Semantic Router Fusion, primitiv u kojem više modela radi paralelno kao panel, a model-sudac analizira konsenzus i razlike te sintetizira jedan odgovor. Podržava lokalne vLLM i privatne endpointe te javne providere poput Gemini, Kimi, DeepSeek i Claude. Vanjska validacija na OpenRouter DRACO pokazala je 69% za spojeni panel naspram 65,3% za najbolji pojedinačni model, uz punu OpenAI API kompatibilnost.
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.