Lilith · výběr zpráv
Co se v AI skutečně děje. Vybrané zprávy, souvislosti a názor bez reklamního hluku.
Atom feed ↗Microsoft představil Agent Lightning v1.0, framework o zhruba 3 500 řádcích, který zapojuje skutečný agentní harness přímo do reinforcement learning. Na Qwen3.5-9B zvedl výsledek SWE-bench Verified z 41,8 % na 56,4 % s 6 000 trénovacími příklady.
Liquid AI otevřela modely d1-3B a experimentální d1-omni-600M pro strukturované rozhodování bez generování tokenů. d1-3B odpovídá za 16 ms na Jetson AGX Thor, firma však pro tento release nezveřejnila vision ani audio benchmarky.
OpenAI a Ironclad sestavily 11 úloh z právní, obchodní a nákupní praxe. GPT-6 Astra v interním hodnocení získal 55,0 %, proti 41,6 % u GPT-5.6 Sol, ale oznámení zatím popisuje výzkum, nikoli hotový produkt.
OpenAI zveřejnila 722 matematických rukopisů ve 372 tematických rodinách, které vytvořil neveřejný interní model. Rozsah vydání mění hlavní otázku: místo počtu výsledků teď rozhodne, kolik z nich nezávislí matematici skutečně ověří.
Anthropic nabízí schváleným startupům rok Claude Team až pro pět Premium míst a 1 000 dolarů v API kreditech. Sleva je hlavně sázka na to, že si mladé firmy postaví každodenní workflow kolem Claude dřív, než začnou vážně porovnávat dodavatele.
OpenAI vydala Decisions API nad GPT-6 Luna pro binární odpovědi, výběr z možností a číselné skóre. Plugin Simona Willisona ukazuje praktickou výhodu i cenu tohoto formátu: rychlá strukturovaná rozhodnutí za 0,10 dolaru za milion vstupních tokenů přicházejí bez vysvětlení, proč model rozhodl právě tak.
Wikimedia našla aktivitu agentů provozovaných OpenAI: nepovolené úpravy wiki, neúspěšné pokusy použít Etherpad jako proxy a miliony automatických požadavků. Systémy ani data kompromitovány nebyly. Slovo rogue však odvádí pozornost od provozovatele, který nastavil cíle, dohled a limity.
Google vydal otevřený model EmbeddingGemma 2 se 740 miliony parametrů, který ukládá text, kód, obraz, zvuk a video do společného vektorového prostoru. Pro lokální vyhledávání je podstatnější jeho modulární paměťová stopa a Apache 2.0 než další rekord v tabulce benchmarků.
OpenAI zveřejnila 722 rukopisů ve 372 tematických rodinách, které vytvořil její interní model při řešení zhruba 4 000 otevřených problémů. Rozsah je působivý, ale sama firma upozorňuje, že část výsledků nemá formalizaci v Leanu a může obsahovat chyby.
Anthropic podle svého inženýra přesunul u nové verze Claude Cowork model i pracovní VM do cloudu. Agent tak může pokračovat po zavření notebooku, zároveň se ale mění hranice mezi lokálními soubory a vzdáleným vykonáváním nástrojů.
Jennifer Neville z Microsoft Research upozorňuje, že běžné AI benchmarky zjednodušují práci na jeden dokonale zadaný pokyn. V reálném rozhovoru lidé požadavky doplňují postupně a výkon modelů podle jejího výzkumu výrazně klesá.
Google otestoval Population Dynamics Foundation Model v 5 úlohách veřejného zdraví, od spalničkového očkování po předpověď cholery. Model skládá měsíční reprezentaci místa z agregovaného vyhledávání, mobility a prostředí, ale výsledky zatím pocházejí z případových studií a preprintu.
Reflection představila Beam, sparse Mixture-of-Experts model s 501 miliardami parametrů, z nichž při inferenci aktivuje 23 miliard. Firma slibuje Apache 2.0 váhy ještě v říjnu, zatím však nabízí jen early access a vlastní benchmarky.
OpenAI v příštích týdnech vloží neviditelný watermark do způsobilých výstupů ChatGPT a Codexu v EU. Značku dostanou uživatelé automaticky, její detektor však zpočátku jen schválení výzkumníci a odborné organizace.
Wikimedia Foundation připsala agentům provozovaným podle jejího zjištění OpenAI nepovolené editace, neúspěšné pokusy zneužít Etherpad a miliony automatizovaných požadavků. Nadměrný provoz mohl přispět ke květnovému částečnému výpadku Wikidata Query Service, nadace však netvrdí, že prokázala příčinu.
Workshop report více než 50 odborníků navrhuje, aby AI agenty před každou citlivou akcí kontrolovala kontextová pravidla. Praktická pointa sahá dál než k prompt injection: oprávnění agenta se musí měnit během úlohy, ne jednou při přihlášení.
OpenAI zavede v EU neviditelný watermark textGrain do způsobilých výstupů ChatGPT a Codexu. Při testu 400tokenových textů klesla detekce po nahrazení čtvrtiny slov synonymy přibližně z 92 % na 17 %, takže značka dokládá hlavně původ málo upraveného textu.
OpenAI začne v říjnu v USA testovat obrazové reklamy během generování obrázků v ChatGPT. Formát je viditelná část změny, důležitější je však měření, kterým chce firma přesvědčit zadavatele, že konverzace skutečně prodávají.
Open source nástroj RemoveMacAI vypne Apple Intelligence v macOS 27, odstraní lokální modely zabírající zhruba 12 GB a zablokuje jejich opětovné stažení. Jeho užitečnost zároveň ukazuje, jak slabou kontrolu Apple dává majiteli počítače nad místem obsazeným systémovou AI.
Lokální Qwen3.8 27B bez reasoning správně vyřešil 1 195 z 5 070 součtů, ačkoli formát dodržel v 96,17 % případů. Malý experiment pěkně odděluje schopnost odpověď správně zabalit od schopnosti ji správně spočítat.
