Microsoft paskelbė apie „Project Perception“ saugumo sistemos plėtrą, skirtą autonominių DI agentų keliamoms rizikoms spręsti – agentai traktuojami kaip naujas „vidinės grėsmės“ tipas, kuriam reikia atskiros tapatybės, leidimų ir rizikos valdymo. Naujovės apima „Dynamic Permissions“ (mažiausių privilegijų, užduočiai pritaikyta ir laiko ribojama prieiga), „Dynamic Agent Risk“ (nuolatinis rizikos vertinimas pagal elgsenos nuokrypius ir kontekstą) ir „Dynamic Conditional Access“ (laipsniškas atsakas – nuo prieigos siaurinimo iki pilno vykdymo izoliavimo). Microsoft taip pat plečia atradimo ir tapatybės palaikymą (Microsoft Entra Agent ID) iki 60 vietinių agentų tipų, įskaitant Claude Code, OpenAI Codex ir GitHub Copilot, bei pristato „Guardian Agents“, kurie stebi ir reaguoja į rizikingą agentų elgesį mašinos greičiu.
DeepSeek pristatė DeepSeek-V4.1-Flash-1017 — atnaujintą Flash modelio versiją, pasiekiamą tuo pačiu API adresu ir ta pačia kaina kaip anksčiau. Atnaujinimas atnešė pastebimus patobulinimus agentinio darbo, kodavimo ir įrankių naudojimo testuose, kartu sumažinant užduočių vykdymo laiką ir atsakymų ilgį. DeepSeek taip pat pristatė savo vidinę paieškos sistemą, kuri dabar palaiko tiek žiniatinklio/programėlės paiešką, tiek kūrėjams skirtą Search & Fetch API.
IBM pristatė Granite Switch 4.1 8B ir 30B dydžio versijas – modulinę sistemą, kuri vykdo pokalbį, sprendimų priėmimą ir kalbos transkripciją iš vieno talpinamo endpoint'o, o ne iš atskirų modelių. Atnaujinime pridėtas bendros paskirties sprendimų adapteris, specializuotas „Guardian“ adapteris saugumo klasifikacijai ir integruotas ASR modelis Granite-Speech-5.0-Turbo-CTC, pirmaujantis OpenASR reitinge. Nors sujungtos trys funkcijos, bendras modelis naudoja maždaug tiek pat VRAM, kiek ir pagrindinis modelis vienas.
„Google“ paskelbė apie DPoP (Demonstrating Proof-of-Possession, RFC 9449) palaikymą savo OAuth platformoje – refresh tokenai kriptografiškai susiejami su kliento sugeneruota raktų pora, todėl pavogti tokenai negali būti pakartotinai panaudoti užpuolikų. Apsauga taikoma tik ilgalaikiams refresh tokenams, o trumpalaikiai access tokenai lieka standartiniai Bearer tokenai, kad nebūtų papildomos kriptografinės apkrovos dideliam API srautui. „Google“ taip pat pabrėžia DPoP svarbą saugant kelių agentų ir Model Context Protocol (MCP) architektūras, rekomenduodama Google Cloud Secure Token Service tokenų delegavimo grandinėms tarp agentų.
AWS paskelbė valdymo sistemą „Trust in Depth“, skirtą leisti AI agentams veikti su didesne autonomija, bet laikantis vykdomų apribojimų. Ji apjungia agento teisių apibrėžimą prieš diegimą, kiekvieno agento patikrinamą tapatybę, ribų vykdymą realiu laiku per politikos šliuzus ir agento elgsenos stebėjimą po veiksmų. Sistema remiasi automatizuotu samprotavimu (matematiniu įrodymu) tiksliai apibrėžiamoms taisyklėms ir žmogaus sprendimu neaiškiems atvejams, naudojant AWS įrankius: Bedrock AgentCore, Guardrails, Kiro, Strands, Agent Registry ir CloudWatch Omni.
Swiss AI išleido Apertus 1.5 — tolesnį atvirų Apertus 1.0 modelių (8B ir 70B, Apache 2.0 licencija) apmokymą, pridedant natyvų vaizdo ir eksperimentinį garso supratimą, 4 kartus didesnį kontekstą (262 144 žetonai), pasirenkamą mąstymo režimą bei pagerintą instrukcijų laikymąsi ir įrankių naudojimą. Modeliai apmokyti iš viso su 19T (8B) ir 17T (70B) žetonų, o visi mokymo duomenys, receptai ir tarpiniai kontrolpunktai paskelbti viešai atkuriamumui. Komanda taip pat paskelbė detalias standartizuotas vertinimo korteles ir pranešė apie ankstyvą API prieigą per tiekėjus kaip Swisscom bei Infomaniak, be to, pristatė ~600B parametrų MoE Apertus 2.0 planus.
Jungtinės Karalystės NCSC paskelbė atnaujintas TLS rekomendacijas, įtraukdama postkvantinės kriptografijos (PQC) konfigūracijas, remdamasi IETF RFC 10024 standartu dėl hibridinio postkvantinio/tradicinio rakto susitarimo TLS 1.3 protokole. Rekomendacijos apima tiek hibridinius PQC/tradicinius, tiek grynai PQC šifrų pasirinkimus ir tinka bendram naudojimui bei valstybinės OFFICIAL informacijos apsaugai. PQC palaiko tik TLS 1.3, todėl organizacijoms, vis dar naudojančioms TLS 1.2 ar senesnes versijas, rekomenduojama kuo greičiau atnaujinti. NCSC migracijos tvarkaraštyje aukšto prioriteto PQC migracija turi būti baigta iki 2031 m., todėl rekomenduojama pradėti jau dabar, kadangi standartizuotos konfigūracijos ir bibliotekų palaikymas jau egzistuoja.
Anthropic pristatė beta sekimo funkciją, kuri eksportuoja OpenTelemetry duomenis (spans) tiek iš Messages API užklausų, tiek iš Claude Managed Agents sesijų. Naudojant Claude SDK, šiuos duomenis dabar galima gauti natively septyniomis kalbomis: Python, TypeScript, C#, Go, Java, PHP ir Ruby. Norint įjungti funkciją, Claude Console reikia nustatyti telemetrijos duomenų paskirties vietą.
NVIDIA paskelbė atvejo analizę, kaip Siemens EDA panaudojo atvirojo kodo NeMo Gym vertinimo biblioteką, kad patobulintų lustų charakterizavimui skirtą agentinį įrankį. Vietoj atskirų įrankių iškvietimų tikrinimo, komanda vertino pilnus galutinius failus specializuotu verifikatoriumi, o klaidų pobūdį panaudojo agentо įgūdžių instrukcijoms ir MCP įrankių aprašymams perrašyti. Po kelių tokio ciklo etapų bendras tikslumo balas pakilo nuo maždaug 55 % iki 95 %, o agentui prireikė kur kas mažiau žingsnių ir rezultato apimties. Eksperimentuose naudota apie 25 vertinimo bandymus su Claude Opus 4.8 kaip agento modeliu, veikiančiu Claude Code aplinkoje.
Cohere sukūrė kontroliuojamą testavimo aplinką, kad ištirtų, kaip turėtų būti organizuojamos kodavimo agentų komandos — testuojant, kur deleguojamas darbas, kaip pagrindinis agentas laukia darbuotojų, kokie modeliai atlieka kokius vaidmenis, komandos dydį ir bendravimo būdus. ProgramBench teste gerai organizuotos komandos lenkė pavienius agentus iki ~10 procentinių punktų, tačiau kainavo 3–7 kartus brangiau. Svarbiausia išvada: deleguojant darbuotojams tik tyrinėjimą ir planavimą pasiekiamas toks pat rezultatas kaip deleguojant visus etapus (įgyvendinimą ir patikrinimą) už perpus mažesnę kainą, o stiprus pagrindinis agentas su 16 pigių planavimo darbuotojų pasiekė 61,8% rezultatą, palyginti su 63,2% visiškai stipraus modelio komandoje, sumažinant kainą nuo 510 iki 155 dolerių.
„Liquid AI“ paskelbė LFM2.5-24B-A2B – mišrių ekspertų (MoE) modelį su 24B bendrų parametrų, bet tik 2B aktyvių vienam tokenui, skirtą samprotaujantiems agentams vykdyti lokalioje įrangoje. Naujoje versijoje konteksto langas išplėstas iki 131K tokenų, žodynas padvigubintas, o pradinis mokymas atliktas naudojant maždaug dvigubai daugiau duomenų nei ankstesnėje versijoje. Agentinio ir įrankių naudojimo testų rezultatais modelis prilygsta arba lenkia modelius, turinčius apie 50 % daugiau parametrų, kartu pasiekdamas greitą veikimą tiek vartotojiškoje, tiek duomenų centro įrangoje.
Apple ML tyrėjai paskelbė NeurIPS straipsnį apie SELFCOMPACT – karkasą, leidžiantį kalbos modelių agentams patiems nuspręsti, kada ir kaip glaudinti sukauptą kontekstą, vietoj fiksuoto intervalo glaudinimo pagal žetonų skaičių. Metodas derina modelio iškviečiamą glaudinimo įrankį su lengvu taisyklių rinkiniu, nurodančiu, kada glaudinti (kai použduotis išspręsta) ir kada susilaikyti (vidury išvedimo ar įstrigus). Testuotas šešiuose etalonuose ir septyniuose modeliuose, jis prilygo arba lenkė fiksuoto intervalo glaudinimą naudodamas gerokai mažiau žetonų.
„Amazon Web Services“ tyrėjai paskelbė metodą „priming“, kuris paverčia iš anksto apmokytus Transformer modelius hibridinėmis architektūromis, derinančiomis dėmesio (attention) ir būsenos erdvės modelio (SSM) sluoksnius, panaudojant jau turimus svorius vietoj mokymo nuo nulio. Metodas sumažina mokymo sąnaudas daugiau nei 99% ir leidžia 32 milijardų parametrų hibridiniam modeliui pasiekti tokią pačią kokybę kaip originalus Transformer modelis, dekoduojant iki dvigubai greičiau. „Amazon“ išbandė tris SSM tipus ir atvirai paskelbė modelių rinkinį, mokymo kodą bei įrankius pagal Apache 2.0 licenciją.
„Anthropic“ Claude platformoje pristatė beta funkciją, leidžiančią Managed Agents agentui pačiam sukurti darbo eigą (workflow) dideliems, kelių dalių darbams, pvz., šimtų dokumentų peržiūrai. Vietoj viso darbo atlikimo vienu kartu, agentas padalija užduotį į etapus, paveda dalis keliems sub-agentams ir sujungia jų rezultatus į vieną. Užduotis perduodama serveriui, kuris ją vykdo asinchroniškai ir praneša apie eigą per įvykių srautą.
„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.
Cloudflare sukūrė AI agentų sistemą savo „Managed Defense“ saugumo paslaugai, skirtą tvarkyti įspėjimų antplūdį, kuris apsunkina žmonių analitikų darbą. Vietoj vieno bendros paskirties agento, analizuojančio viską, sistema atskiria deterministinį duomenų rinkimą nuo modeliu pagrįsto samprotavimo ir lygiagrečiai paleidžia keturis specializuotus agentus prieš sintezės agentą, sujungiantį išvadas. Bendrovė teigia, kad tai sumažina haliucinacijas ir padaro tyrimus audituojamus bei atkuriamus.
Z.ai sukurtas GLM 5.3 — 753 milijardų parametrų MoE modelis, optimizuotas kodavimui ir ilgalaikėms agentinėms užduotims — dabar prieinamas kaip pilnai valdomas modelis „Amazon Bedrock“ platformoje. Jis tobulina GLM 5 liniją geresniais kodavimo benchmarkų rezultatais, išskirtinėmis kibernetinio saugumo galimybėmis (CyberGym rezultatas 84,5) ir gilesne integracija su Bedrock, įskaitant OpenAI suderinamas API, prompt talpinimą, tarpregioninį interferavimą ir aptarnavimo lygius. AWS taip pat parodo, kaip GLM 5.3 naudoti su atviro kodo agentu Strix autorizuotam savo programų penetraciniam testavimui.
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.
„Google Cloud“ viešosios peržiūros režimu pristatė nuotolinį MCP serverį, suteikiantį AI agentams prieigą prie gcloud ir bq komandinės eilutės įrankių per du įrankius: run_gcloud_command ir run_bq_command. Serveris veikia izoliuotoje, tinklo apribojimais apsaugotoje smėlio dėžėje „Google Cloud“ infrastruktūroje, todėl agentams nereikia diegti ar palaikyti vietinių CLI dvejetainių failų. Autentifikacija vyksta per Agent Identity, OAuth 2.0 ir IAM, integruojama su Model Armor apsauga nuo prompt injection, palaikomas Cloud Audit Logging visiškam matomumui.