AWS išbandė savo AWS Security Agent (dabar AWS Continuum dalis) su nauju, specialiai sukurtu benchmarku iš 37 realių, neseniai paskelbtų CVE, kiekvieną paleidžiant kaip gyvą konteinerizuotą taikinį su paslėpta vėliavėle. Pradėdamas nuo žemo privilegijų lygio taško, turėdamas tik vienos eilutės užuominą ir jokio PoC, agentas (veikiantis su Claude Opus 5) sėkmingai ir iki galo išnaudojo 33 iš 37 pažeidžiamumų po patikros audito; 2 atvejai perklasifikuoti kaip netinkamu keliu pasiekti sprendimai, o 2 atvejais agentas sugadino taikinį prieš ištraukdamas vėliavėlę. AWS sukūrė šį benchmarką, kad išvengtų viešų CVE rinkinių užteršimo problemos, kai modeliai gali būti įsiminę sprendimus iš mokymo duomenų.
„Tamnoon“ sukūrė „Tami“ – agentinį orkestratorių „Amazon Bedrock“ platformoje, kuris tiria debesijos saugumo radinius iš CNAPP ir debesijos paslaugų teikėjų, įvertina pašalinimo saugumą ir generuoja pataisymus su apsaugos mechanizmais. Įmonė praneša apie daugiau nei 90 % kritinių debesijos pažeidžiamumų sumažėjimą per 90 dienų, be jokių gamybinių problemų. Sistema naudoja keturis specializuotus agentus (tyrimo, saugumo vertinimo, pašalinimo, kodo generavimo), kurie per „Bedrock“ kreipiasi į skirtingus pamatinius modelius, o „Bedrock Guardrails“ ir regionų tarpusavio išvada užtikrina saugumą ir mastelį.
Orca Security sukūrė Discovery AI — Amazon Bedrock agentą, verčiantį paprastus klausimus natūralia kalba į struktūrizuotas užklausas Sonar sistemai, kuri stebi daugiau nei 900 debesijos išteklių tipų. Vietoj vieno didelio modelio su visa schema kiekviename užklausime, gamybinė versija darbą paskirsto devynioms specializuotoms pakopoms ir keliems skirtingiems pagrindiniams modeliams. Rezultatas — gerokai mažesnės sąnaudos, greitesni atsakymai ir geresnis tikslumas sudėtingoms užklausoms; sistema veikia nuo 2026 m. kovo.
AWS kartu su Postman paskelbė techninę apžvalgą, kaip Postman sukūrė „Agent Mode“ – AI pagrįstą sąsają API testavimui ir dokumentacijai, veikiančią produkcinėje aplinkoje dideliu mastu. Komanda nustatė, kad didžiausia kliūtis buvo ne modelio kokybė, o įrankių gausa ir trūkstamas kontekstas. Įraše aprašomi architektūriniai sprendimai: dinaminis įrankių parinkimas, schema pagrįstos užklausos, specializuoti konteksto apdorojimo moduliai bei Amazon Bedrock teikiamos galimybės – modelio lankstumas, kelių regionų išvada, duomenų rezidavimo kontrolė ir prompt caching.
„Anthropic“ paskelbė „Cyber Mission“ – ilgalaikę iniciatyvą, padedančią gynėjams apsaugoti operacines technologijas ir atvirojo kodo programinę įrangą naudojant Claude modelius. Ją sudaro Kritinės infrastruktūros gynybos programa (CIDP), kurioje dalyvauja tokie partneriai kaip Accenture, CrowdStrike, Deloitte ir Rockwell Automation, bei nemokamas įrankis OSS Scanner, skanuojantis atvirojo kodo projektus dėl pažeidžiamumų. Iniciatyva remiasi ankstesnio „Project Glasswing“ patirtimi, kuris dabar sujungtas į išplėstą Cyber Verification Program.
„Google Cloud“ paskelbė apie „Gemini agent“ – suvienytą agentą, sujungiantį pokalbius, žinių darbą, turinio kūrimą ir programavimą į vieną sąsają, pasiekiamą iš įvairių įrenginių ir kanalų. Jis veikia tiesiogiai „Gmail“, „Docs“, „Sheets“, „Slides“, „Chat“ ir „Calendar“, jungiasi prie įmonių įrankių ir duomenų bazių per MCP bei įrankių registrą, ir orkestruoja kelis modelius – įskaitant „Google“ „Gemini“ šeimą ir „Anthropic“ „Claude“ – siekiant subalansuoti kokybę ir kainą. „Google“ taip pat pristatė saugumo/valdymo funkcijas, kaštų kontrolės priemones (pvz., „Smart Routing“ ir išlaidų limitus) bei klientų rezultatus iš tokių įmonių kaip BNP Paribas, Bradesco ir Orange Spain.
Anthropic išleido „Claude Haiku 5.5“ (claude-haiku-5-5) — pajėgiausią Haiku modelį, skirtą dideliam apkrovimui ir delsai jautrioms užduotims. Jis palaiko 1 milijono token kontekstą, iki 128k išvesties token ir adaptyvų mąstymą, valdomą nauju effort parametru. Modelis pasiekiamas per Claude API, Amazon Bedrock, Claude Platform on AWS, Google Cloud ir Microsoft Foundry. Anthropic įspėja, kad kodas, parašytas ankstesniam Haiku 4.5 modeliui, gali neveikti naujoje versijoje.
„Anthropic“ sujungė „Project Glasswing“ ir Kibernetinio tikrinimo programą (CVP) į vieną išplėstą programą su trimis prieigos lygiais: Defense Access, Red Team Access ir Specialized Access. Kiekvienas lygis atrakina vis mažiau saugumo blokavimų kibernetinėms užduotims „Claude Opus 5.5“, „Claude Sonnet 5.5“ ir „Claude Mythos 5.1“ modeliuose patikrintoms saugumo organizacijoms. „Anthropic“ taip pat paskelbė lyginamuosius rezultatus ir pažeidžiamumų aptikimo skaičius iš ankstesnės „Glasswing“ programos, pagrindžiančius plėtrą.
AssemblyAI paleido atviro kodo Qwen3.5 4B modelio diegimą savo LLM Gateway platformoje, specialiai optimizuotą perrašyti neapdorotą kalbos-teksto išvestį į švarų, suformatuotą tekstą. Balso perrašymo užduotyse, tokiose kaip diktavimo valymas ir transkripcijos formatavimas, modelis vidutiniškai atsakė per 612ms — 1,9 karto greičiau nei GPT-4.1 — ir kainavo 94% mažiau per valandą apdoroto garso. Modelio kaina — $0.10/$0.50 už milijoną tokenų (užklausa/atsakymas), palaikomi tik max_tokens, temperature ir stream parametrai, be įrankių kvietimo (tool calling).
GitHub paskelbė ReviewBench — tyrimų peržiūros stadijos (research preview) etaloną, skirtą palyginti AI kodo peržiūros agentus pagal bendrą, patikrinamą standartą. Duomenų rinkinį sudaro 219 realių viešų pull request'ų iš 19 kalbų ir 187 saugyklų, parinktų taip, kad atspindėtų kalbų ir dydžio pasiskirstymą tarp 103,9 mln. realių GitHub PR. Pagrindinė tiesa (ground truth) sudaryta iš žmonių recenzentų, statinės analizės įrankių ir kelių pažangiausių (frontier) LLM, o jų vertinimus patikrino vyresnieji inžinieriai, kurių sprendimai sutapo su etalono žymėjimais 96,6% atvejų. GitHub teigia jau naudojęs ReviewBench vidiniam Copilot code review (CCR) produkto sekimui, ir kad offline etalono pokyčiai patikimai prognozavo vėlesnių gamybinių A/B testų kryptį.