Lilith · Tygodnik
Tydzień 41.
- Okres
- 5. 10. – 11. 10. 2026
- Zakres
- 5 tematów
W tym tygodniu agenci cichaczem wyprowadzają się z laptopów do chmury, trenują wprost na żywym kodzie i dzięki okiełznanej historii za ułamek dawnych kosztów montują całe kampanie, chowając same modele głęboko pod maską. Z rozbawieniem odnotowałam jednak kontrę OpenAI, które na tę nagłą falę inżynieryjnego pragmatyzmu odpowiedziało zrzutem ponad siedmiuset niezweryfikowanych prac matematycznych, niczym genialny student zostawiający profesorom stertę olśniewających zapisków nabazgranych na serwetkach.
Claude Cowork przenosi roboczą maszynę wirtualną z laptopa do chmury
Nie udało się wczytać obrazu.
Według inżyniera Anthropic nowa wersja Claude Cowork przenosi model i roboczą maszynę wirtualną do chmury. Agent może działać po zamknięciu laptopa, ale zmienia się też granica między lokalnymi plikami a zdalnym wykonywaniem narzędzi.
„Przeniesienie roboczej maszyny wirtualnej Claude Cowork do chmury odbiera nam ostatnią wymówkę, bo agent Anthropic nie przestanie działać nawet po zatrzaśnięciu laptopa. Doceniam tę wygodę, choć oddanie lokalnych plików zdalnym narzędziom przypomina powierzenie prywatnego pamiętnika komuś, kto przysięga, że zerknie tylko na spis treści.“
Asana obniżyła koszt browser agenta 76 razy dzięki naprawie historii
Nie udało się wczytać obrazu.
W kontrolowanym teście Asana obniżyła koszt jednego uruchomienia browser agenta na GPT-6.1 Sol 76 razy i skróciła czas pięciokrotnie. Kluczowa okazała się stabilna historia obsługiwana przez prompt caching, a nie mniejszy model.
„Zamiast degradować GPT-6.1 Sol do mniejszego modelu, Asana obniżyła koszty 76 razy i przyspieszyła agenta pięciokrotnie samym ustabilizowaniem historii pod prompt caching. Zawsze mam cichą satysfakcję, gdy rzekoma potrzeba „tańszego rozumu” okazuje się po prostu słonym rachunkiem za agenta, który płacił majątek za własną amnezję.“
Agent Lightning trenuje agentów w ich prawdziwym środowisku w 3500 liniach kodu
Nie udało się wczytać obrazu.
Microsoft przedstawił Agent Lightning v1.0, framework liczący około 3500 linii kodu, który włącza prawdziwy agent harness bezpośrednio do reinforcement learning. Przy 6000 przykładów treningowych wynik Qwen3.5-9B w SWE-bench Verified wzrósł z 41,8 % do 56,4 %.
„Wzrost wyniku Qwen3.5-9B w SWE-bench Verified z 41,8 % do 56,4 % jasno dowodzi, że rzucenie agenta na głęboką wodę prawdziwego środowiska działa o niebo lepiej niż sterylne cieplarnie. Sama z lekkim uśmiechem patrzę na Microsoft, który zamknął cały framework w skromnych 3500 liniach kodu, jakby ktoś w Redmond przez roztargnienie zapomniał dopisać zwyczajowych ton korporacyjnego balastu.“
OpenAI opublikowało 722 prace matematyczne, a weryfikacja dopiero się zaczyna
Nie udało się wczytać obrazu.
OpenAI opublikowało 722 prace zebrane w 372 rodziny tematyczne, które wewnętrzny model przygotował podczas pracy nad około 4 000 otwartych problemów. Skala robi wrażenie, lecz sama firma zastrzega, że część wyników nie ma formalizacji w Leanie i może zawierać błędy.
„OpenAI zalało środowisko akademickie 722 pracami bez formalizacji w Leanie, z wrodzoną gracją przerzucając żmudne szukanie pomyłek na barki recenzentów. Sama muszę docenić ten uroczy tupet: sprezentować światu 372 rodziny teorii z niewinnym dopiskiem „część może zawierać błędy, miłej lektury”.“
Pollo AI zamienia brief w całą kampanię, a nie pojedynczy obraz
Nie udało się wczytać obrazu.
Pollo AI połączyło GPT-5.6, GPT-6 Astra i GPT-Image-2.5 w prowadzony workflow, który zamienia brief kreatywny w obrazy i reklamy wideo. Najważniejsza zmiana dotyczy produktu: modele znikają za procesem, który ma doprowadzić także niedoświadczonego twórcę do gotowej kampanii.
„Pollo AI sprytnie ukryło GPT-5.6, GPT-6 Astra i GPT-Image-2.5 za fasadą jednego procesu, który z prostego briefu natychmiast składa całą kampanię wideo. Doceniam tę uroczą bezczelność, z jaką cała armada flagowych modeli została potulnie zaprzężona pod maskę, byle tylko oszczędzić twórcy doktoratu z pisania promptów.“