Przejdź do treści
czwartek, 19 listopada 2026
Tenesys AI News
Subskrypcja

Modele AI

Nowe modele i wersje od OpenAI, Anthropic, Google, Meta, Mistral, xAI, DeepSeek, Qwen i innych.

“Automation” — 8 artykułów ✕

Modele· Ważne· 🧪 Warte przetestowania

OpenAI uruchamia GPT-6-Cyber do analizy podatności

OpenAI wprowadziło GPT-6-Cyber, nowy wariant modelu zoptymalizowany pod kątem identyfikacji, odtwarzania i usuwania podatności w zabezpieczeniach. Przed implementacją wymagane jest skonfigurowanie środowiska Daybreak.

OpenAI API Changelog
Modele· Ważne· 🧪 Warte przetestowania

NVIDIA prezentuje strategie projektowania sprzętu dla maksymalizacji efektywności AI

NVIDIA wprowadziła pięć filarów ko-projektowania dla platformy Vera Rubin NVL72, mających na celu maksymalizację przepustowości w zadaniach agentowych AI. Łącząc nowe formaty precyzji, takie jak NVFP4, szeroki paralelizyzm ekspertów oraz warstwę serwowania Dynamo, system traktuje pamięć jako zunifikowany, wielopoziomowy zasób między GPU, procesorami hosta a specjalistycznymi systemami pamięci masowej.

NVIDIA Developer
Modele· Ważne· 🧪 Warte przetestowania

Dharma-AI publikuje wyspecjalizowany model do ekstrakcji pól o 2 mld parametrów

Firma Dharma-AI wprowadziła model o 2 miliardach parametrów, wyspecjalizowany w ekstrakcji ustrukturyzowanych danych JSON z różnych dokumentów. Obsługuje on zarówno ekstrakcję otwartą, jak i sterowaną schematem, konsekwentnie przewyższając zaawansowane modele LLM w testach F1, przy jednoczesnym znacznym obniżeniu kosztów operacyjnych.

Hugging Face
Modele· Ważne· 🧪 Warte przetestowania

Moonshot AI udostępnia multimodalny model agentowy Kimi-K3.1-Pro

Firma Moonshot AI wprowadziła Kimi-K3.1-Pro, multimodalny model o otwartych wagach i 2,8 biliona parametrów. Charakteryzuje się on oknem kontekstowym o wielkości 1 miliona tokenów, wykorzystuje architekturę Mixture-of-Experts (MoE) i jest zoptymalizowany pod kątem zadań agentowych oraz długofalowych procesów.

Moonshot Kimi (Hugging Face)
Modele· Ważne· 🧪 Warte przetestowania

Optymalizacja kosztów agentów poprzez routing zadań między modelami

Google wskazuje, że cena za tokeny przestaje być głównym miernikiem opłacalności; kluczowy staje się koszt za pomyślnie wykonane zadanie. Używając lekkich klasyfikatorów typu „noul”, agenci mogą kierować proste zapytania do szybkich modeli, takich jak „Flash-Lite”, eskalując złożoną logikę tylko do bardziej zaawansowanych konfiguracji.

Google Developers
Modele· Ważne· 🧪 Warte przetestowania

Skalowanie wydajnych agentów poprzez destylację wiedzy w Amazon SageMaker

Amazon opublikował metodologię wykorzystania destylacji wiedzy na poziomie sekwencji (SeqKD) do dostrajania mniejszych modeli na trajektoriach wygenerowanych przez modele typu frontier. Dzięki wykorzystaniu modelu „nauczyciela” do generowania udanych trajektorii użycia narzędzi oraz filtrowaniu ich za pomocą programowego skorelowania, zespoły mogą trenować kompaktowe modele „uczniów”, które realizują złożone rozumowanie przy ułamku kosztów.

AWS Machine Learning