Amazon SageMaker AI pristatė naują 'KV_AWARE' nukreipimo strategiją, kuri nukreipia LLM užklausas į egzempliorius pagal faktinę KV podėlio būseną, o ne tik pagal užklausos pradžią. Tai optimizuoja daugiasluoksnius pokalbius ir ilgo konteksto užduotis, užtikrinant, kad užklausos patektų ten, kur jau saugomi reikiami duomenys.
„Microsoft“ pristatė „Perception“ – saugumo platformą, skirtą suvaldyti rizikas, kylančias dėl dirbtinio intelekto valdomų automatizuotų kibernetinių atakų. Platforma koordinuoja „raudonosios“, „mėlynosios“ ir „žaliosios“ komandų agentus per automatizuotus veiksmų planus, kad aptiktų, ištirtų ir šalintų spragas mašininiu greičiu. Taip pat pristatytos naujos funkcijos, skirtos apsaugoti „agentinius insaiderius“ – autonomiškai veikiančius DI agentus jūsų tinkle.
„Microsoft“ ir „Salesforce“ pristatė „Copilotforce“ – iniciatyvą, integruojančią „Salesforce“ klientų duomenis ir darbo eigas į „Microsoft Copilot“ bei „Teams“. Ši partnerystė naudoja autentifikuotą MCP prieigą, leidžiančią AI agentams veikti naudojant CRM duomenis laikantis esamų saugumo ir leidimų taisyklių.
„OpenAI“ pradėjo viešąją „Responses API“ beta versiją, leidžiančią pasirinkti nustatytus fono užduočių vykdymo intervalus. Pasirinkę dviejų arba aštuonių valandų vykdymo langą, galite gerokai sumažinti žetonų naudojimo išlaidas.
„Anthropic“ pradėjo „Linked billing“ bandomąją versiją, kuri leidžia galutiniams vartotojams tiesiogiai apmokėti už API naudojimą per savo „Anthropic“ organizacijas. Naudodami „user-profiles-billing-2026-10-01“ beta versijos antraštę, kūrėjai dabar gali pasirinkti, kas apmoka už užklausą.
„Google“ pristatė „Tasks in Gemini“ – naują funkciją, leidžiančią dirbtinio intelekto asistentui vykdyti fonines, kelių etapų užduotis. Atnaujinimas apima automatizuotus pirkimus naudojant „Google Pay“, užduočių valdymą SMS žinutėmis, darbų automatizavimą el. paštu bei „Agentic Calling“ funkciją, skirtą skambučiams ir rezervacijoms atlikti.
„Microsoft“ saugumo tyrėjai ištyrė scenarijų, kuriame užpuolikai naudoja sukčiavimą (phishing), siekdami perimti DI kodo įrankius naudojant „OAuth“ įrenginio kodo srautus. Apgaulės būdu privertus vartotojus patvirtinti autentiškai atrodančią užklausą, užpuolikai gali gauti prieigą prie privačių saugyklų, sesijų istorijos ir valdyti aktyvias komandinės eilutės agentų sesijas.
Pristatytas „OmniTag-Bench“ – naujas penkių kalbų vertinimo rėmas, skirtas multimodalių LLM testavimui, atliekant sinchroninę kalbos transkripciją ir metaduomenų žymėjimą. Tyrimas rodo, kad vienas, papildomai apmokytas multimodalus modelis gali išgauti transkripciją, emocijas, lytį, kalbą ir vardines entybes vienu žingsniu, pakeičiant atskirus specializuotus modelius.
Tyrėjai pristatė „Trident“ – sistemą, skirtą LLM pagrįstiems agentams optimizuoti, sprendžiant tris informacijos apdorojimo problemas: neefektyvų atminties valdymą, nereikalingą elgsenos dubliavimąsi ir nesaugų agento perrašymą. Įdiegus „Trident“, agentai pasiekia žymiai geresnių rezultatų atlikdami sudėtingas, ilgos trukmės užduotis.
„Amazon Bedrock“ pristatė naują atmintį palaikančią funkciją „AgenticRetrieveStream“. Ji automatizuoja su naudotoju susijusių faktų bei pokalbių istorijos saugojimą ir paiešką, leisdama agentams pateikti kontekstu pagrįstus atsakymus, kartu išlaikant griežtą dokumentų prieigos kontrolę.
„AssemblyAI“ išleido STT-3.7, naują kalbos į tekstą modelį, pakeičiantį „Universal“ šeimą. Jis pasižymi platesniu kalbų palaikymu ir žymiai tikslesniu kalbėtojų identifikavimu.
„Anthropic“ įdiegė teksto vandens ženklą naujausiems „Claude“ modeliams: „Opus 4.6“, „Opus 4.5“, „Sonnet 4.5“ ir „Haiku 4.5“. Vandens ženklas pridedamas naudojant numatytuosius parametrus, tačiau gali neatsirasti, jei vartotojai keičia temperatūros, „top_p“ ar „top_k“ reikšmes.
„MoEngage“ integravo dirbtinio intelekto agentus į savo klientų įtraukimo platformą, naudodami Model Context Protocol (MCP) ir „Amazon Bedrock AgentCore“, kad esamus API paverstų agentams prieinamais įrankiais. Vertindami savo platformą kaip izoliuotų sesijų ir standartizuotų įrankių schemų architektūrą, jie leido komandoms automatizuoti darbo eigas ir sprendimų priėmimą viename pokalbyje.
„Google“ išleido „Agent Substrate 1.0“ – atvirojo kodo platformą, skirtą DI agentų sesijoms „Kubernetes“ aplinkoje valdyti. Atskiriant būseną palaikančias sesijas nuo kompiuterinių išteklių, galima „parkuoti“ neveikiančius agentus objektų saugykloje ir atlaisvinti darbinį mazgą.
„OpenAI“ pristatė „omni-moderation-csam-latest“ – specializuotą modelį, skirtą identifikuoti vaikų seksualinio išnaudojimo medžiagą (CSAM) vaizduose. Patvirtintos organizacijos šiuo įrankiu gali naudotis nemokamai, kad būtų lengviau prioritetizuoti turinį žmogaus peržiūrai.
„Hugging Face“ pradėjo partnerystę su „OpenRouter“, kad optimizuotų kalbos modelių išvedimo (inference) procesus. Visos užklausos dabar automatiškai nukreipiamos per „OpenRouter“, parenkant tinkamiausią teikėją pagal kainą, greitį ir patikimumą realiuoju laiku.
„Amazon Bedrock Managed Knowledge Base“ dabar palaiko lentelių paiešką, leidžiančią agentams apdoroti duomenis tiesiogiai iš CSV, XLSX ir XLS failų. Sistema naudoja saugioje smėlio dėžėje (sandbox) sugeneruotą kodą skaičiavimams ir duomenų ištraukimui iš visų failų, sujungdama rezultatus su faktais iš nestruktūrizuotų dokumentų.
„NVIDIA“ paskelbė pirmuosius „MLPerf Training v6.1“ ir „Endpoints v1.0“ rezultatus, skirtus naujai „Vera Rubin“ architektūrai. Sistema pademonstravo reikšmingą šuolį mokymo spartos ir energijos efektyvumo srityje vykdant agentines užduotis.
Tyrėjai pristatė „visų blokų vertintoją“ (full-block estimator), skirtą optimizuoti „Masked Diffusion Language Models“ (MDLM) derinimą. Vertinant kiekvieną bloką tiksliai po vieną kartą, šis metodas pašalina dispersiją, kylančią dėl atsitiktinės blokų atrankos.
Tyrėjai pristatė naują mokymo metodą, vadinamą „Self-Disagreement“ (savarankišku nesutarimu), kuris pagerina modelio gebėjimą vertinti savo paties argumentus. Vietoj priklausomybės nuo žmogaus grįžtamojo ryšio ar išorinių apdovanojimų modelių, agentas pats sukuria priešingus argumentus ir mokosi vertindamas jų pagrįstumą.
„Amazon“ pristatė architektūrinį sprendimą, integruojantį „NVIDIA NeMo Switchyard“ biblioteką su „LiteLLM“, skirtą dinamiškai nukreipti kodo agentų užklausas tarp skirtingų „Bedrock“ modelių. Naudojant „stage“ arba „random“ maršrutizavimą, galima efektyviai paskirstyti srautą tarp galingų ir ekonomiškų modelių, optimizuojant našumą bei kaštus.
„Amazon“ papildė „SageMaker JumpStart“ „OpenFold3-preview“ modeliu, leidžiančiu prognozuoti baltymų, DNR, RNR ir ligandų 3D struktūras. Sprendimas naudoja asinchroninius užklausų taškus ilgai trunkančioms užduotims atlikti, palaiko automatinį mastelio keitimą bei išteklių mažinimą iki nulio, kai sistema nenaudojama.
„Amazon Threat Intelligence“ užfiksavo autonominius agentus, naudojančius atvirojo kodo ARTEX sistemą plataus masto duomenų vagystėms ir tapatybės klastojimui naudojant „deepfake“. Šiose kampanijose išnaudotos neatnaujintos AI infrastruktūros spragos ir konfigūracijos klaidos, siekiant automatizuoti daugiapakopes atakas.
Nuo spalio pradžios sparčiai išaugo DI pagrįstų įsilaužimo (pentesting) ir orkestravimo sistemų skaičius, dabar aktyviai veikia tūkstančiai jų modifikacijų. Šie autonominiai įrankiai automatizuoja visą kibernetinės atakos grandinę, leisdami jiems greitai išnaudoti pavogtus kredencialus ir judėti per infrastruktūrą.