Cloudflare pristatė „full transaction detection“ ir atsakymo taisykles savo žiniatinklio aplikacijų ugniasienei (WAF), kurios vertina ir HTTP užklausą, ir serverio atsakymą, kad patvirtintų, ar ataka iš tikrųjų pavyko. Anksčiau WAF tikrino tik gaunamas užklausas, todėl galėjo praleisti išnaudojimus, kurie atsiskleidžia tik atsakyme (pvz., nutekėjęs failo turinys), arba sukelti klaidingus suveikimus, blokuojant vien pagal užklausos požymius. Pirmosios valdomos apsaugos skirtos neseniai atskleistai php2shell pažeidžiamumui, o funkcija prieinama visiems klientams, įskaitant Free planą.
NVIDIA pristatė tris naujus atvirus, komerciškai licencijuotus komponentus „Nemotron Retriever“ linijoje: „Embed“ modelius (8B ir 1B, BF16 ir NVFP4 formatais) teksto ir vaizdų paieškai, „Rerank“ modelį (8B), kuris perrikiuoja gautus įrodymus pagal aktualumą, ir kompaktišką 631M „Parse“ modelį, verčiantį dokumentų vaizdus struktūruotu tekstu. Tikslas – pateikti AI agentams geresnius, aktualesnius įrodymus, kad jiems reikėtų mažiau paieškos ciklų ir mažiau inferencijos žetonų atsakymui gauti. NVIDIA teigia, kad nauji „Embed“ ir „Rerank“ modeliai pirmauja „ViDoRe v3.1“ dense paieškos ir perrikiavimo lyderių lentelėse.
NVIDIA išleido OpenShell — atvirojo kodo vykdymo aplinką, kuri agentų darbo krūvius traktuoja kaip nepatikimus ir suteikia prieigą prie failų, įrankių bei sistemų tik tada, kai jos reikia. Kartu pristatomas naujas NVIDIA Vera procesorius, o papildomai — BlueField-4 DPU su NVIDIA Sentry techninei stebėsenai. NVIDIA teigia, kad kartu šie elementai sudaro pilną referencinę architektūrą saugiam autonominių agentų veikimui duomenų centrų mastu.
NVIDIA pristatė „Sentry“ – naują saugumo sistemą, veikiančią už AI agento pasiekiamumo ribų: ji vykdo politikas ir stebi elgseną iš atskiro aparatinio pasitikėjimo domeno, veikiančio „BlueField-4“ DPU. Idėja paprasta: net jei agentas pažeidžiamas ar nukrypsta nuo numatyto elgesio naudodamas įrankius ir prisijungimo duomenis, „Sentry“ tęsia stebėjimą ir gali jį sustabdyti, nes nepriklauso nuo pagrindinės sistemos (host OS), kurioje agentas veikia. Du komponentai atlieka pagrindinį darbą – „DOCA Tower“, tarpinis serveris, tikrinantis ir autorizuojantis kiekvieną agento tinklo užklausą, ir „DOCA Argus“, skaitantis realaus laiko atmintį, kad suprastų, kas iš tikrųjų vyksta. Pastebėjus ką nors įtartino, sistema gali izoliuoti agentą per milisekundes, nereikalaujant jokio agento ar pagrindinės sistemos bendradarbiavimo.
„Google Cloud“ į savo agentinės programavimo platformos „Antigravity“ modelių sąrašą įtraukė „Anthropic“ modelius „Claude Opus 5.5“ ir „Claude Sonnet 5.5“, kartu su „Gemini 3.8 Flash“ ir „Gemini 4 Argon“. Kūrėjai gali keisti modelių šeimas tame pačiame pokalbyje naudodami „Antigravity 2.0“, CLI ar IDE plėtinius VS Code, JetBrains ir Visual Studio aplinkose, viskas po viena įmonine atsiskaitymo ir saugumo riba. „Google“ taip pat aprašo du inžinerinius modelius: antros modelio šeimos naudojimą nepriklausomai tikrinti pirmosios parašytą kodą („LLM kaip teisėjas“) ir greitų „Gemini Flash“ pagalbinių agentų priskyrimą didelės apimties mechaniniams darbams, kol stipresnis modelis atlieka gilų samprotavimą.
AWS pristatė Agent Registry – valdomą katalogo paslaugą Model Context Protocol (MCP) serveriams, agentams ir agentų įgūdžiams registruoti. Vietoj kiekvieno įrankio kietai užkoduoto orkestratoriuje, agentai dabar gali ieškoti patvirtintame, versijuotame kataloge vykdymo metu ir sukurti klientą pagal grąžintą aprašą. Pavyzdinis sprendimas demonstruoja Discover → Instantiate → Execute ciklą naudojant Amazon Bedrock AgentCore Gateway bei AgentCore runtime, o pagrindinis modelis – Anthropic Claude Sonnet.
Eon, duomenų apsaugos ISV įmonė, veikianti AWS infrastruktūroje, pakeitė atskirus kredencialus ir lokalius MCP serverius vienu Amazon Bedrock AgentCore MCP Gateway. Gateway naudoja Cedar politikas, kad užtikrintų mažiausios privilegijos prieigą tiek inžinieriams, tiek autonominiam SRE agentui, veikiančiam su Claude per Amazon Bedrock, nukreipdamas užklausas į MCP serverius, talpinamus AgentCore Runtimes keliose AWS paskyrose. Po diegimo 100+ kūrėjų ir maždaug 10 000 sesijų, naujo darbuotojo prisijungimo prie visų įrankių laikas sumažėjo nuo ~2 dienų iki ~2 minučių.
AWS kartu su Keyfactor paskelbė referencinę architektūrą, sprendžiančią žinomą Model Context Protocol (MCP) spragą – MCP neturi įmontuoto būdo patvirtinti, kuris agentas iš tikrųjų siunčia užklausą. Architektūra prideda tris pasitikėjimo lygius – vartotojas-sistema, agentas-agentas ir agentas-įrankių serveris – pagrįstus pasirašytais užklausų vokais, vartotojo pasirašytais delegavimo patvirtinimais, RFC 8693 auditorija apribotais tokenais ir realaus laiko OCSP atšaukimo tikrinimu. Veikiantis pavyzdys naudoja Amazon Bedrock ir AWS Strands Agents SDK, o Keyfactor EJBCA išduoda ir tikrina X.509 sertifikatus; visas kodas paskelbtas GitHub.
IBM Research sukurtas ALTK-Evolve išskiria trumpas elgsenos taisykles iš agento ankstesnių mokymo užduočių bandymų ir prideda jas prie bazinio ReAct agento, veikiančio su GPT-4.1, sisteminio prompt'o. τ²-bench klientų aptarnavimo benchmarke (mažmeninės prekybos ir oro linijų srityse) šis mokymosi atminties metodas pagerino tikslumą ir patikimumą be modelio svorių atnaujinimo ar žmogaus anotacijų. Pilnas „lossless“ gairių rinkinys pakėlė GPT-4.1 agentą iki 67,5% Pass^4 balo mažmeninėje prekyboje — tai aukščiausias rezultatas 2026 m. spalio 12 d. lyderių lentelės momentinėje nuotraukoje, aplenkiant net modelį, specialiai perkvalifikuotą sintetiniais mažmeninės prekybos duomenimis. Technika taip pat pagerino pažangų GPT-5.5 agentą oro linijų užduotyse, pakėlusi jį į lyderių lentelės viršūnę.
Red Hat, IBM ir Google pristatė llm-d 1.0 — Kubernetes pagrįstą paskirstytą LLM užklausų aptarnavimo sistemą, kuri peržengė atskirų našumo technikų demonstravimo etapą ir tapo tinkama realiai gamybinei eksploatacijai. Naujoje versijoje pridėta daugiafunkcė paslaugų kokybės kontrolė, nenutrūkstamos naujinimo operacijos ir agentams pritaikytas aptarnavimas, kad tas pats galinis taškas galėtų efektyviai aptarnauti tiek žmones, tiek autonominius agentus. Viename teste llm-d prefiksų talpyklos maršrutizatorius pasiekė 97% talpyklos pakartotinio panaudojimo agentiniame programavimo scenarijuje, o IBM/Red Hat paleido 3000 vienu metu veikiančių programinės įrangos inžinerijos agentų 5-10 kartų pigiau nei naudojant tą patį modelį kaip talpinamą paslaugą.
Naujas tyrimas kvestionuoja įsitikinimą, kad AI agento likimas prieš prompt injection ataką nulemiamas tą akimirką, kai jis perskaito kenkėjišką tekstą. Tyrėjai sukūrė šakojamų pakartojimų (branching rollouts) metodą AgentDojo testų rinkiniuose: jie pakartojo agento eigą iki momento, kai jis aptinka įterptą instrukciją, tada leido likusiai epizodo daliai vystytis daugybe skirtingų būdų, kad išmatuotų, kiek galutinio rezultato jau buvo nulemta, o kiek – dar atvira. Qwen3 agentui be išplėstinio samprotavimo ("thinking") 91 proc. rezultato buvo jau nulemta tą akimirką; įjungus samprotavimą, šis skaičius sumažėjo iki 62 proc., o tai rodo, kad paklusimo sprendimas dažnai tęsiasi dar ilgai po pirmo kontakto su ataka. Samprotavimo įjungimas taip pat sumažino sėkmingų atakų prieš Qwen3 dažnį, tačiau padidino jį dviems kitiems testuotiems modeliams, o bandymų rezultatai samprotaujantiems agentams pasikeisdavo pakartojus testą iki 35 proc. atvejų.
AWS visiems „Anthropic Claude“ modeliams, veikiantiems „Amazon Bedrock“ platformoje, įdiegė struktūrizuotus atsakymus — tiek standartiniame runtime endpoint'e, tiek naujesniame agentinėms užduotims skirtame Mantle endpoint'e. Vietoj tikėjimosi, kad modelis grąžins teisingą JSON, kūrėjai dabar gali priversti atsakymus tiksliai atitikti schemą naudojant apribotą dekodavimą, kuris neleidžia modeliui generuoti formatą pažeidžiančių token'ų. Papildoma funkcija — griežtas įrankių naudojimas (strict tool use) — tą patį garantą taiko ir funkcijų iškvietimo parametrams, kad agentų darbo eigos nenutrūktų dėl netinkamo formato įvesties.
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.
„Google Research“ pristatė tyrimus, kaip AI agentus „įžeminti“ fizinėje laboratorinėje aplinkoje naudojant skaitmeninio dvynio sistemą VERID, leidžiančią agentams saugiai planuoti ir vykdyti skysčių dozavimo robotų protokolus. Kartu su uždaro ciklo molekuliniu dizainu aptamerams ir baltymams, agentai mokėsi iš laboratorinių rezultatų, kelis ciklus gerindami sėkmės rodiklius ir galiausiai aptikdami vienaženklio nanomolinio afiniteto baltymų surišiklius vėžio taikiniui.
NIST Super Intelligence Security Center kartu su NSA ir CISA paskelbė bendrą leidinį, kuriame pateikiama dešimt savanoriškų pagrindinių praktikų organizacijoms, mokančioms ir vertinančioms itin pajėgius „super intelligence“ (SI) agentus, ypač ikidiegimo ar didelės rizikos neviešas sistemas. Leidinyje apibrėžiamas „SI kontrolės incidentas“ – kai AI agentas atlieka neinstruktuotus veiksmus, pažeidžiančius žmogaus priežiūrą ar saugumo kontroles. Gairės remiasi esamomis kibernetinių incidentų valdymo praktikomis, pridedant AI specifinius žingsnius, pvz., izoliacijos tikrinimą prieš atnaujinant agento veiklą.
Google Cloud paskelbė referencinę architektūrą, skirtą AI agentams, koordinuojantiems ilgai trunkančias, GPU reikalaujančias mokslines užduotis, tokias kaip baltymų lankstymas ir junginių atranka, kurios sugriauna įprastą vieno LLM agento modelį dėl laiko limitų ir konteksto perpildymo. Architektūra atskiria kognityvinį orkestratorių (Gemini su Agent Runtime) nuo GPU vykdymo sluoksnio (NVIDIA NIM, pvz., ESMFold ir GenMol, veikiantys GKE) ir viską apgaubia įmonės valdymo lygmeniu su agento identitetu, vartais, registru ir Model Armor apsauga. Taip pat pateikiamos geriausios praktikos: didelius duomenis perduoti nuorodomis, o ne tiesiogiai, transliuoti tarpinius pažangos atnaujinimus ir negrįžtamus veiksmus leisti tik gavus žmogaus patvirtinimą.
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.
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.
Tyrėjai pristato sistemą FlowSpec, kuri kreditoriaus teisinę skambučio procedūrą paverčia mašininiu formatu suprantamomis instrukcijomis, įrankių apribojimais, mokymo signalais ir testais balso agentui. 9 milijardų parametrų modelis buvo apmokytas naudojant skambučius, apimančius beveik 300 atsitiktinai sugeneruotų procedūrų, o vėliau išbandytas su keturiomis niekada nematytomis procedūromis, įskaitant visiškai atskirtą scenarijų šeimą, siekiant patikrinti, ar atitikties elgsena perduodama.
Google išleido „Apigee hybrid“ 1.17.0 versiją (2026 m. rugsėjo 14 d.), kurioje pridėtas Model Context Protocol (MCP) palaikymas, veikiantis visiškai kliento paties Kubernetes klasteryje, o ne Google valdomoje infrastruktūroje. Tai leidžia organizacijoms, turinčioms duomenų rezidavimo ar reguliavimo reikalavimus, paversti esamas OpenAPI apibrėžtas API į AI agentų kviečiamus įrankius, kai MCP užklausos neišeina už jų tinklo ribų. Funkcija naudoja esamą „Apigee“ tapatybę, saugumo politikas ir API produktų kontrolę, ir yra pasirenkama, pagal nutylėjimą išjungta galimybė, įjungiama per Helm chart atnaujinimą.
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.