„Mistral AI“ pristatė svarbius „Mistral Studio“ atnaujinimus – platformą, skirtą AI projektų perkėlimui iš bandomosios versijos į gamybinę aplinką. Atnaujinimai apima valdomus agentus, pažangų darbo eigų (workflow) valdymą ir įmonės lygio stebėseną, leidžiančią diegti sprendimus debesyje, VPC ar lokaliai.
Tyrėjai nustatė, kad LLM modeliai yra linkę pateikti skubotus, dažnai neteisingus atsakymus dviprasmiškose situacijose, užuot uždavę patikslinamuosius klausimus. Jie pristatė BACE (Belief-Aware Critic with Epistemic tracking) – lengvą metodą, veikiantį su užrakintu kalbos modeliu, padedantį strategiškai nuspręsti, kada prašyti paaiškinimo.
Pristatytas „Simple Retrieval-Reconstruction Memory“ (SRRM) etalonas, skirtas geriau įvertinti mažųjų kalbos modelių (SLM) ilgo konteksto našumą. Tyrimai rodo, kad didėjant konteksto ilgiui, modelio gebėjimas atkurti informaciją prastėja daug sparčiau nei gebėjimas rasti konkrečius faktus, todėl standartiniai paieškos testai nėra pakankami tikrajai atminčiai matuoti.
OpenAI pristatė du naujus modelius – „GPT-Image-2.6 Sunburst“ ir „Flare“, skirtus pažangiam vaizdų generavimui bei redagavimui. Šie modeliai praplečia galimybes, įtraukdami SVG ir animuotų GIF formatų palaikymą.
NVIDIA pristatė „AI Factory Operations Agent“ – sistemą, sukurtą „NemoClaw“ ir „OpenShell“ pagrindu, skirtą automatizuoti didelės apimties GPU klasterių priežiūrą ir trikčių diagnostiką. Naudojant specializuotus agentus ir „Model Context Protocol“ (MCP), inžinieriai gali atlikti problemų analizę tarp aparatūros, tinklo ir programinės įrangos sluoksnių per vieningą pokalbių sąsają.
„Amazon Quick“ pristatė „Smart Approvals“ funkciją, skirtą automatizuoti rutinines agentų užduotis, išlaikant žmogaus priežiūrą kritiniams sprendimams. Sistema naudoja klasifikatorių, kuris vertina atliekamus veiksmus pagal pokalbio kontekstą ir nustatytas taisykles, todėl sumažina nereikalingų pertraukimų skaičių nepažeidžiant saugumo reikalavimų.
NVIDIA pristatė darbo eigą, leidžiančią paversti gamybos metu aptiktas agentų klaidas struktūrizuotais testais, naudojant NeMo Compass ir NeMo Eval Author. Šis procesas analizuoja veiklos žurnalus, kad nustatytų pasikartojančias problemas, generuoja tikslinius vertinimus ir patikrina agento patobulinimus.
„Moonshot AI“ išleido „Kimi-K3.1-Pro“ – atviro svorio, natūraliai multimodalų 2,8 trilijono parametrų modelį. Jis pasižymi 1 milijono žetonų konteksto langu, naudoja „Mixture-of-Experts“ (MoE) architektūrą ir yra specialiai optimizuotas agentų darbo eigoms bei ilgoms užduotims.
„Cohere“ integravo savo naujausius paieškos modelius „Embed 5“ ir „Rerank 5“ į „OpenRouter“ API. Tai leidžia kurti RAG sistemas naudojant vieną API raktą ir atsiskaitymo sąsają be papildomų SDK.
Cloudflare pristatė naują „Personal Assistants“ kategoriją savo saugumo analitikos įrankiuose, kuri leidžia svetainių savininkams stebėti ir valdyti AI agentų generuojamą automatizuotą srautą. Dabar įmonės gali nustatyti individualias prieigos politikas kiekvienam agentui, taip apsaugodamos reklamos pajamas ar jautrias svetainės zonas, neblokuojant teisėtų užklausų.
„Claude Duet“ yra naujas tyrimų stadijoje esantis agentas, sukurtas veikti fone be nuolatinio vartotojo raginimo. Jis proaktyviai tikrina prijungtas programas, teikia suvestines ir atlieka užduotis gavęs vartotojo leidimą jautriems veiksmams.
Naujas metodas, vadinamas „FlagRot“, optimizuoja raktų-reikšmių (KV) talpyklos kvantavimą ilgo konteksto modeliams. Selektyviai pasukant raktų segmentus pagal dėmesio (attention) klaidą, o ne taikant bendrąją rotaciją, sumažinami tikslumo nuostoliai naudojant 2 bitų arba 4 bitų talpyklas.
Tyrėjai pristatė SLATE – etaloninį testą, skirtą įvertinti ilgalaikį, didelio masto API pasirinkimą įmonių programinės įrangos aplinkose. Skirtingai nei dabartiniai testai, jis priverčia modelius naviguoti tarp maždaug 1000 įrankių, kad atliktų sudėtingas užduotis.
Naujas mokslinis projektas „EvoGroup“ (EvoG) suteikia agentų atminties sistemoms galimybę savarankiškai vystytis, remiantis daugelio vartotojų sąveika. Peržengus statinių, rankiniu būdu sukonfigūruotų sistemų ribas, „EvoG“ pasiekė 89,58 proc. „pass@1“ rezultatą „EverMemBench“ testuose, aplenkdamas esamus sprendimus, pavyzdžiui, „Claude Code“.
Nauji tyrimai rodo, kad samprotavimo istoriją galima perrašyti į kompaktiškus būsenos įrašus prieš įvedant naujus įrankių rezultatus. Šis metodas veiksmingai sumažina būsimų samprotavimo žetonų skaičių ir bendras agento išlaidas, pašalindamas nereikalingas mintis, nereikalaujant modelio perkvalifikavimo.
Tyrėjai sukūrė metodą, leidžiantį apskaičiuoti teorinę kelių juodraščių spekuliacinio dekodavimo (MDSD) efektyvumo ribą, sprendžiant optimalaus transportavimo problemos dualiąją formą. Tyrimas atskleidžia, kad dabartiniai verifikavimo algoritmai dažnai nepasiekia šios ribos, o atranka be grąžinimo (sampling without replacement) gerokai padidina priėmimo rodiklius, palyginti su atranka su grąžinimu.
„Collinear AI“ pristatė „CWE-bench v2“ – vertinimo rinkinį, apimantį 100 užduočių ir 91 dažną pažeidžiamumo tipą. Šis įrankis leidžia kūrėjams programiškai įvertinti, kaip efektyviai jūsų DI agentai randa ir taiso saugumo spragas atvirojo kodo saugyklose.
Šiame atnaujinime pristatomas būdas sukurti semantinę žinių bazę tiesiogiai PostgreSQL duomenų bazėje naudojant AIDB plėtinį. Indeksuojant schemos metaduomenis ir naudojant „Model Context Protocol“ (MCP), galite atskleisti duomenų bazės įrankius „Amazon Bedrock AgentCore“ agentams, kartu užtikrinant galiojančią eilučių lygio saugą.
„Google“ pristatė „Cheminformatics Skills“ rinkinį savo „Antigravity“ platformai, leidžiantį AI agentams valdyti visą vaistų kūrimo procesą. Sujungus RDKit įrankių rinkinį su LLM orkestravimu, sistema per maždaug valandą atlieka literatūros paiešką, duomenų analizę ir sintezės planavimą.
„Google“ pristatė „Physical-Engineering's Last Exam“ (PLE) – naują vertinimo sistemą, skirtą tikrinti DI agentų gebėjimus mechaninės, elektros, civilinės ir struktūrinės inžinerijos srityse. Skirtingai nei standartiniuose testuose, PLE reikalauja, kad agentai apdorotų didelius projekto aplankus, įskaitant CAD brėžinius ir statybos normas, ir pateiktų saugius, reikalavimus atitinkančius sprendimus.
„Google“ ataskaitoje teigiama, kad kaina už tūkstantį žetonų nebėra geriausias rodiklis, vertinant ekonominį efektyvumą; svarbiau – kaina už sėkmingai atliktą užduotį. Naudojant lengvus „noul“ klasifikatorius, agentai gali nukreipti paprastas užklausas į greitus modelius, pavyzdžiui, „Flash-Lite“, o sudėtingą logiką palikti pažangesniems modeliams.
„Amazon“ atnaujino „AgentCore Gateway“, įtraukdama automatizuotą prieigos žetonų keitimą tarp „Microsoft Entra ID“ ir apsaugotų REST API. Naudojant šį srautą, AI agentai gali atlikti veiksmus tokiose platformose kaip „ServiceNow“, naudodami galutinio vartotojo tapatybę ir teises, o ne veikdami kaip bendra tarnybinė paskyra.
„Cartesia“ pristatė du balso modelius: „Sonic“ (teksto pavertimas balsu) ir „Ink“ (balsas į tekstą). Sukurti naudojant būsenos erdvės modelio (SSM) architektūrą, šie modeliai yra skirti itin mažo vėlinimo, realaus laiko veikimui, tinkamam profesionaliems balso agentams.
„Cloudflare“ pristatė „Zero Wire“ – viešą informacinį kanalą „Cloudflare Radar“ platformoje, skirtą kritinių saugumo spragų analizei. Šis įrankis pateikia glaustas, suprantamas instrukcijas apie svarbias interneto grėsmes, padėdamas inžinieriams ir saugumo komandoms greičiau imtis veiksmų.