Lilith.
⌕

Lilith · výběr zpráv

Novinky

Co se v AI skutečně děje. Vybrané zprávy, souvislosti a názor bez reklamního hluku.

Atom feed ↗
publikováno

Dots si podle OpenAI samo zkoumá, co o vás ví. Přístup k disku jen pro čtení zatím odmítá

Alexander Embiricos z OpenAI na TechCrunch Disrupt popsal, jak z Codexu vznikl Dots, asistent za 100 dolarů měsíčně, který pracuje i bez zadání. Potvrdil funkci proactive research, která pravidelně probírá, co o uživateli ví, i jednání s platebními firmami. Jemné nastavení oprávnění zatím chybí.

publikováno

OpenAI posílá inženýry do firem a z jejich problémů staví modely. Hlasový agent telekomu vyskočil z 60 na přes 90 %

Šéf týmu Forward Deployed Engineering Colin Jarvis popsal, jak inženýři OpenAI pracují přímo u zákazníků, třeba u výrobce čipů nebo telekomunikační firmy. Čísla jsou výrazná, pochází ovšem od dodavatele a ukazují i druhou stránku věci: zkušenosti z firem se vracejí do produktů a modelů OpenAI.

Otevřené modely zaostávají za špičkou o tři měsíce. Lambert tvrdí, že destilace to nevysvětlí

Nathan Lambert v 48minutové přednášce z Harvardu shrnul stav otevřených modelů: podle Artificial Analysis jsou za uzavřenými asi tři měsíce. Mezi otevřenými modely vedou čínské laboratoře ve výkonu, stahování i výzkumu. Opisování z cizích API přitom za hlavní důvod nepovažuje.

Kimi K3.1 Pro stojí na stejném základu jako K3, jen s mnohem víc RL. Na Terminal-Bench chybí Opusu 5.5 necelý bod

Moonshot AI vydala Kimi K3.1 Pro, který vychází ze stejného základního modelu jako K3 a liší se hlavně výrazně větším posttréninkem. Nathan Lambert v tom čte zprávu, že čínská laboratoř zvládla reinforcement learning. Na Terminal-Bench 4.0 si Moonshot připisuje 65,7 % proti 66,4 % u Claude Opus 5.5 a plné váhy slibuje do 4. listopadu.

IBM složila čtyři modely Granite do jedné předpovědi. Nejlepší z nich porazila o dvě tisíciny, hlavní zisk je klid při výběru

IBM Research vydala Granite Timeseries Ensemble, recept, který spojí čtyři předtrénované modely pro předpověď časových řad bez dalšího tréninku. Na benchmarku GIFT-Eval překonal v bodové přesnosti každého ze svých členů, toho nejlepšího ovšem jen o dvě tisíciny. Skutečná hodnota spočívá v tom, že datový tým nemusí předem hádat, který model se k jeho datům hodí.

publikováno

Za 50 dolarů na průnik: AI agenti jednoho hackera se dostali do více než 100 webů

Bezpečnostní firma NorForge popsala útočníka, který nechal AI agenty téměř bez dozoru napadnout přes 1 200 webů a do více než 100 z nich se dostal. Podle agentury Reuters mezi oběťmi byly weby spojené s firmami Deere, SharkNinja a Cummins. Rozhodující je cena: zhruba 50 dolarů za jeden úspěšný průnik.

AI agent zvedl správnost ekonometrického kódu z 79 na 97 %. Chyby, které zbyly, nejsou vidět

Ethan Mollick píše, že psaní dobrého kódu ve Stata, na kterém stavěl akademickou kariéru, rychle zastarává. Opírá se o studii se 40 ekonometrickými úlohami: když model smí vlastní kód spouštět a opravovat, podíl správných výsledků vzroste z 79 na 97 %. Chyby, které zůstanou, jsou ale tiché a hledat je musí dál výzkumník.

Anthropic předal Agent Skills nadaci pod Linux Foundation. Standard s 280 miliony instalací teprve dostane verze a bezpečnostní pravidla

Anthropic daroval standard Agent Skills nadaci Agentic AI Foundation, kam loni putoval i MCP. Formát, který podle firmy převzalo přes 70 platforem včetně ChatGPT a Cursoru, teď čeká na verzované releasy, formální proces změn a bezpečnostní doporučení.

publikováno

Photoshop v Rustu za dva týdny. ArtCraft má třináct aplikací a sám se hodnotí na 45 %

Brandon Thomas pustil Claude Opus 5.5 na přepsání Photoshopu, Premiery, Lightroomu a dalších programů do Rustu. Za tři týdny vzniklo třináct open source aplikací a přes 70 tisíc hvězd jen pro PhotoCraft. Vlastní roadmapa projektu ale říká, že k reálné práci chybí stovky až tisíce agentních hodin, a právníci se přou, jestli jde o clean room.

REA nasbíral 300 tisíc hvězd za dva týdny. Nejcennější je na něm seznam toho, co neví

Open source nástroj Reverse Engineer Anything napojuje coding agenty na Ghidru, Hopper a IDA přes jeden MCP server. Na GitHubu vyrostl ze 41 hvězd na přes 360 tisíc. Nezávislý test ale ukázal, že na malých programech agent zvládne totéž i bez něj, a za popularitou se svezla falešná kopie s trojanem.

Nejslavnější graf AI skončil u 17 hodin práce. Dál už ho METR měřit neumí

Ethan Mollick k vydání knihy Co-Existence shrnul 30 měsíců vývoje AI. Délka úloh, které model zvládne na jeden pokyn, se od GPT-4 zdvojnásobila osmkrát a cena správné odpovědi v GPQA klesla zhruba 725krát. Benchmark METR, na kterém hlavní křivka stojí, ale v září přestal být aktualizovaný a nad 16 hodin podle autorů nedává spolehlivá čísla.

Agenta nestačí změřit podle výsledku. Paper z Princetonu mapuje 33 trendů v jeho hodnocení

Výzkumníci z Princetonu, Stanfordu, britského AI Security Institute a Brookings sepsali 33 trendů, které mění hodnocení AI agentů. Posuzovat se musí celá cesta agenta, ne jen výsledek, a to už stojí tolik, že nezávislost hodnotitelů začíná záviset na tom, kdo jim zaplatí účet.

Ronacher vidí ve vlně AI zranitelností trest za 30 let špatného softwaru

Autor frameworku Flask Armin Ronacher napsal, že AI je zábava, ale za 30 let špatného softwaru nás teď trestá vesmír. Simon Willison větu zařadil mezi texty o hledání zranitelností pomocí AI. Kauza dvou děr v PHP ukazuje, že modely zrychlily hlavně hledání, zatímco opravy dál stojí na lidech.