CERT-EU zaktualizowało ostrzeżenie dotyczące krytycznych luk w Microsoft SharePoint Server, potwierdzając aktywne wykorzystywanie CVE-2026-50522 (CVSS 9.8) — błędu deserializacji umożliwiającego zdalne wykonanie kodu. To część szerszej serii niedawno załatanych krytycznych błędów — CVE-2026-32201, CVE-2026-45659, CVE-2026-56164 i CVE-2026-58644 — dotyczących lokalnych (on-premise) instalacji SharePoint Server, z których niektóre można wykorzystać bez uwierzytelnienia.
Co się zmieniło?
CVE-2026-50522: krytyczna luka RCE przez deserializację (CVSS 9.8), aktywnie wykorzystywana, wymóg uwierzytelnienia jest kwestionowany
CVE-2026-32201: błąd walidacji danych wejściowych umożliwiający spoofing (CVSS 6.5), naprawiony w kwietniu 2026
CVE-2026-45659: uwierzytelnione RCE przez deserializację (CVSS 8.8), naprawione w maju 2026
CVE-2026-56164: nieuwierzytelniona eskalacja uprawnień z powodu brakującego uwierzytelnienia (CVSS 9.8), naprawiona w lipcu 2026
Citrix ujawnił 8 podatności dotyczących zarządzanych przez klienta NetScaler ADC i NetScaler Gateway, w tym 2 krytyczne, niewymagające uwierzytelnienia luki RCE o CVSS 9.5, które Citrix potwierdza jako aktywnie wykorzystywane. CERT-EU wzywa do natychmiastowego załatania i przeprowadzenia oceny kompromitacji urządzeń dostępnych z internetu. Pozostałe luki obejmują HTTP request smuggling, błędy przepełnienia pamięci prowadzące do RCE/DoS, obejście polityki oraz problem z przewidywalnością TCP ISN.
Anthropic uruchomił Claude Frontier Academy, program o wartości 100 milionów dolarów mający odpowiedzieć na niedobór wykwalifikowanego personelu zdolnego do wdrażania AI w dużych organizacjach. Celem jest certyfikacja dużej liczby tzw. Frontier Deployed Engineers do końca 2027 roku, przy czym wśród pierwszych uczestników znajdują się pracownicy firm takich jak Accenture, Bain, Capgemini, Commonwealth Bank of Australia, Deloitte, McKinsey, Morgan Stanley i Novo Nordisk. Flagowy kurs, rezydencja wzorowana luźno na szkoleniu medycznym, łączy intensywne szkolenie stacjonarne z 12-tygodniowym nadzorowanym projektem realizowanym w macierzystej firmie inżyniera, zanim otrzyma on certyfikat.
AWS opublikował szczegółowy przewodnik krok po kroku pokazujący, jak zapewnić Claude Desktop (na Amazon Bedrock) dostęp do internetu w czasie rzeczywistym poprzez Amazon Bedrock AgentCore Gateway, eliminując lukę wynikającą z granicznej daty danych treningowych modelu. Konfiguracja wykorzystuje AWS IAM Identity Center SSO połączone z Amazon Cognito jako warstwą federacji SAML-to-OAuth, wystawiającą tokeny JWT, które AgentCore Gateway weryfikuje przy każdym żądaniu. Sama funkcja Web Search jest zgodna z MCP i działa na wewnętrznym indeksie webowym Amazon obejmującym dziesiątki miliardów dokumentów, dzięki czemu ruch zapytań nie opuszcza infrastruktury AWS i nie jest wymagany żaden zewnętrzny klucz API. Funkcja jest obecnie dostępna tylko w trzech regionach AWS: us-east-1 (N. Virginia), eu-west-1 (Irlandia) i ap-northeast-1 (Tokio).
NVIDIA opublikowała szczegółowy workflow do fine-tuningu swojego wielojęzycznego, strumieniowego modelu Nemotron 3.5 ASR na saudyjskich dialektach arabskich (nadżdyjskim i hidżaskim). Przy minimalnej kuracji danych, mieszaniu replay z danymi FLEURS, bucketingu opartym na czasie trwania oraz częściowym odmrażaniu enkodera, zmniejszono wskaźnik błędu słów (WER) dla docelowych dialektów z 55,05% do 29,96%, jednocześnie nieznacznie poprawiając wyniki dla języka angielskiego i innych dialektów arabskich. We wpisie omówiono też modyfikacje dekodowania oraz rozszerzenia diaryzacji mówców dla transkrypcji wielomówcowej.
Allen Institute for AI (Ai2) udostępnił na zasadach open source model AstaBrief 8B, zbudowany na bazie Qwen3-8B, który przekształca pytania badawcze i wyodrębnione fragmenty literatury w raporty naukowe z cytowaniami. Model jest już dostępny w platformie Asta firmy Ai2 jako tryb 'Fast mode' obok trybu 'Thinking mode' opartego na Claude, generując raporty w czasie około 51,1 sekundy średnio w porównaniu do 178,5 sekundy dla pipeline'u opartego na Claude — czyli mniej więcej 3,5 razy szybciej. Ai2 wytrenował model, stosując nadzorowane dostrajanie (SFT) na 47 tys. przykładów (wyselekcjonowanych z 90 tys. przefiltrowanych rzeczywistych zapytań badawczych), a następnie DPO na około 6 tys. par preferencji, stwierdzając, że filtrowanie danych treningowych pod kątem gęstości cytowań było pojedynczym najskuteczniejszym czynnikiem poprawiającym jakość osadzenia (grounding) odpowiedzi w źródłach.
Microsoft Research zaprezentował Quine, system badawczy łączący multimodalny „model świata” biologii z interaktywnym środowiskiem (harness) łączącym modele AI, literaturę naukową, narzędzia laboratoryjne i badaczy. Zbudowany wspólnie na podstawie takich typów danych jak genomika, białka, chemia, RNA/stan komórki oraz bioobrazowanie, model ma na celu przewidywanie, jak systemy biologiczne reagują na interwencje, zanim przeprowadzone zostaną kosztowne eksperymenty laboratoryjne. Współpracując z Broad Institute of MIT and Harvard, Microsoft wykorzystał Quine do uszeregowania tysięcy związków pod kątem potencjału do zmiany stanu komórek raka trzustki między stanami terapeutycznymi, a najwyżej ocenione kandydaci zostali zweryfikowani w testach laboratoryjnych (wet-lab) w ciągu jednego weekendu. Microsoft otwiera teraz program „Quine Fellows”, dający wybranym naukowcom wczesny dostęp, zastrzegając jednocześnie, że system jest eksperymentalny, przeznaczony wyłącznie do badań i nie jest przeznaczony do zastosowań klinicznych.
Zespół inżynierski Google Cloud TPU współpracował z Ai2, aby od podstaw odtworzyć pre-trening Olmo 3 7B przy użyciu MaxText, frameworku treningowego JAX/XLA od Google, działającego na TPU zamiast oryginalnej konfiguracji PyTorch/GPU od Ai2. Dopasowali opublikowane wyniki Ai2 nie tylko w zakresie krzywej straty treningowej, ale na czterech niezależnych powierzchniach ewaluacyjnych typu held-out, obejmując cały run etapu 1 (~5,93 biliona tokenów, 1,41 miliona kroków) oraz fazę annealingu etapu 2. Po drodze przenieśli nietypową architekturę Olmo 3 (bloki z przestawioną normalizacją, QK-norm, stosunek uwagi sliding/global 3:1) do MaxText i wykryli błąd w ładowarce danych, który po cichu zawyżał pozorną wydajność poprzez zapamiętywanie, a nie rzeczywiste uczenie się.
Inżynierowie Google opisują, jak zaimplementowali rzadką uwagę przestrzenno-czasową (sparse spatio-temporal attention) dla modeli dyfuzji wideo na chipach TPU v6e, przekształcając teoretyczną rzadkość podejścia Sparse VideoGen (SVG) w realne przyspieszenia sprzętowe. Dzięki serii optymalizacji kernela (specjalizacja kafelków pełnych/brzegowych, strojenie rozmiaru kafelków oraz wyrównanie kafelków maski) zredukowali opóźnienie kernela uwagi z 96,37ms (naiwna wersja rzadka) do 32,76ms, co daje 2,40x przyspieszenie względem gęstej Splash Attention na pojedynczym chipie TPU v6e, przy 75,6K tokenów, 10 głowicach i wymiarze głowicy 128.
Mistral AI ogłosił nowy hub w Monachium w Niemczech, skoncentrowany na Physics AI i Industrial AI, obsługujący partnerów korporacyjnych z branży motoryzacyjnej, energetycznej, lotniczej i produkcyjnej. Hub powstał po przejęciu przez Mistral firmy Emmi AI w maju 2026 roku, co przyniosło firmie ponad 30 fizyków i inżynierów. Mistral współpracuje z BMW nad symulacjami zderzeń oraz z Siemens Energy nad zastosowaniami przemysłowymi AI, a także nawiązał partnerstwo badawcze z TUM w zakresie aerodynamiki motoryzacyjnej.
Google DeepMind zaprezentowało SynthID Bio, technologię znakowania wodnego, która osadza niewykrywalny, możliwy do zweryfikowania sygnaturowy znak w zaprojektowanych przez AI białkach i strukturach 3D bez naruszania ich funkcji biologicznej. System przetestowano na białkach wiążących (VEGF-A, SARS-CoV-2 spike RBD, PD-L1) z użyciem AlphaProteo oraz zmodyfikowanego ProteinMPNN, a także dostrojono do sieci dyfuzyjnej AlphaFold 3 w celu znakowania przewidywanych struktur 3D. DeepMind współpracuje również z laboratorium Hie na Stanfordzie oraz Arc Institute, aby zastosować to podejście do Evo 2, modelu genomowego, w celu znakowania zaprojektowanych genomów bakteriofagów. Celem jest wzmocnienie bezpieczeństwa biologicznego poprzez pomoc dostawcom usług przesiewowego badania syntezy DNA oraz publicznym bazom danych w weryfikacji pochodzenia projektów biologicznych generowanych przez AI.
Google Cloud wprowadził, w wersji public preview, zdalny serwer MCP, który udostępnia narzędzia wiersza poleceń gcloud i bq agentom AI za pośrednictwem dwóch narzędzi: run_gcloud_command i run_bq_command. Serwer działa w izolowanym, ograniczonym sieciowo środowisku sandbox w infrastrukturze Google Cloud, eliminując konieczność instalowania i utrzymywania lokalnych binariów CLI przez agentów. Wykorzystuje Agent Identity, OAuth 2.0 i IAM do uwierzytelniania, integruje się z Model Armor w celu wykrywania prompt injection oraz obsługuje Cloud Audit Logging zapewniający pełną widoczność wywołań narzędzi.
NVIDIA wprowadza nową konfigurację 64GB zunifikowanej pamięci dla swojego osobistego superkomputera AI DGX Spark, dostępną u partnerów takich jak Acer, ASUS, Dell, HP, Gigabyte i MSI od 23 października w cenie 4 999 USD. System uruchamia lokalnie na urządzeniu modele do 100 miliardów parametrów, a dwie jednostki można połączyć w klaster za pomocą NVIDIA Sync Cluster Assistant, łącząc pamięć do 128GB i obsługując modele do 200 miliardów parametrów, z zyskiem wydajności do 1,7x w teście NVIDIA Qwen 3.8 27B. Urządzenie jest dostarczane z NVIDIA Agent Toolkit, bibliotekami CUDA-X AI, modelami Nemotron oraz wsparciem dla Ollama, vLLM i PyTorch od razu po wyjęciu z pudełka.
Google ogłosił, że jego Antigravity SDK obsługuje teraz uruchamianie agentowych przepływów pracy lokalnie i offline, z początkowym wsparciem dla Gemma 4 26B A4B działającego poprzez LiteRT z Google AI Edge. Deweloperzy mogą budować agentów działających całkowicie na urządzeniu, bez kosztów API w chmurze czy zależności od internetu. Google zademonstrował również hybrydowy wzorzec 'Architect-Builder', w którym model chmurowy (Gemini 3.8 Flash) planuje zadania, a lokalny rój instancji Gemma 4 26B wykonuje ciężką pracę, utrzymując kod źródłowy poza chmurą.