„Gradium“ išleido „Phonon“ – kompaktiškų (65–75 MB) teksto į kalbą modelių rinkinį, skirtą veikti tiesiogiai vartotojo įrenginyje. Jis palaiko penkias kalbas, veikia be interneto ir demonstruoja rezultatus, prilygstančius gerokai didesniems modeliams.
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.
NVIDIA išleido CUDA 13.5, kurioje „Vera Rubin“ GPU architektūra pasiekė bendrąjį prieinamumą (GA). Atnaujinimas suteikia svarbių patobulinimų daugiaprocesinio paslaugų (MPS) resursų planavimui, lokalumo sričių skaidymui ir gilesnei integracijai su SIMT bibliotekomis per „CUDA Tile“.
„Dharma-AI“ pristatė 2 milijardų parametrų modelį, skirtą struktūriniams JSON duomenims iš įvairių dokumentų išgauti. Jis palaiko tiek atvirą išgavimą, tiek išgavimą pagal schemą ir lenkia bendros paskirties LLM modelius pagal F1 tikslumo rodiklius, kartu smarkiai sumažinant veiklos sąnaudas.
„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.
xAI nebepalaiko grok-imagine-image-quality ir grok-imagine-image-pro modelių. Užklausos dabar automatiškai nukreipiamos į naują grok-imagine-image-2.0-low modelį, kurio vieno vaizdo generavimo kaina yra mažesnė.
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.