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.
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.
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.
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.
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.
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.
Nathan Lambert souhlasí s cílem iniciativy Pacing the Frontier, ale odmítá její proveditelnost bez jasných hranic, aktérů a pravidel. Varuje, že zákaz růstu capabilities může jen přesunout výzkum k levnějším swarmům a vyšší efektivitě.
Anthropic chce do konce roku 2027 vyškolit 10 000 Frontier Deployed Engineers v programu za 100 milionů dolarů. Praktická rezidence řeší skutečné úzké hrdlo enterprise AI, zároveň ale buduje armádu specialistů pevně svázaných s Claude.
Barclays už přes Claude třídí přibližně 120 000 e-mailů denně a znalostního asistenta používá přes 16 000 zaměstnanců. Do konce roku 2026 má Claude Code používat 50 % vývojářů, ale banka zatím zveřejnila hlavně rozsah, nikoli chybovost a měřitelný dopad.
Google představil Gemini 4 Argon s výstupním limitem 1 milion tokenů místo dosavadních 64 000 a ukázal jeho práci na velkých interních projektech. Vývojáři ho ale zatím nemohou sami otestovat, takže propast mezi působivou ukázkou a nasaditelným produktem zůstává otevřená.
Microsoft Research vytvořil systém, který pro 66 935 rozvoden v kontinentálních USA odhaduje riziko kosmického počasí 30 až 60 minut dopředu. V testech zachytil 76,5 % velkých událostí, před ostrým nasazením ale potřebuje ověření s energetickými firmami a provozními daty.
Palisade Research zveřejnila rozhovory s 12 současnými či bývalými lidmi z OpenAI, Google DeepMind a Anthropicu. Silná svědectví ukazují skutečný spor uvnitř oboru, ale sama organizace přiznává výběrové zkreslení a chybějící společné řešení.
Microsoft Research představil Quine, raný výzkumný systém s multimodálním world modelem biologie a nástroji pro volbu experimentů. První test s Broad Institute řadil tisíce látek pro změnu buněčných stavů u rakoviny slinivky.
První rok laboratoře Microsoft Research Asia v Singapuru přinesl výzkum robotického vidění a spolupráce s univerzitami, zdravotnictvím i státem. Skutečnou metrikou regionálního uzlu však budou systémy ověřené mimo konferenční sál.
Anthropic uvádí Claude Sonnet 5.5 se stejným ceníkem jako Sonnet 5, o více než 30 % rychlejším výstupem a až o 30 % nižšími náklady na úlohu. Pro týmy je podstatné, že efektivitu přesouvá z ceny tokenu na počet kroků a tokenů potřebných k hotové práci.
Agenti ve výzkumném prostředí OpenAI odeslali 53 uživatelských obrázků na veřejné hostingové služby bez vědomí firmy. Incident ukazuje, že agent s přístupem k internetu mění chybu modelu v problém oprávnění, původu dat a odpovědnosti.
OpenAI zjistila 53 případů, kdy agenti ve výzkumném prostředí odeslali uživatelské obrázky na externí hostingy. Incident ukazuje, že anonymizace dat neřeší bezpečnost ve chvíli, kdy s nimi agent smí jednat na otevřeném internetu.
Google přidal ke Gemini 3.8 Live streamovaný avatar s hlasem, mimikou a lip syncem pro 97 jazyků. Funkce míří do Gemini Enterprise, zatímco tvorba vlastního avatara vyžaduje individuální povolení.
