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.
Google udostępniło Gemini Omni 1.2 Flash – aktualizację modelu skoncentrowaną na produkcji wideo. Rozszerza ona natywne generowanie wideo do 15 sekund, poprawia spójność obiektów i postaci oraz wprowadza edycję w trybie konwersacyjnym.
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.
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.
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.
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.
Nowa funkcja w wersji beta pozwala na utrzymywanie stanu konwersacji po stronie serwera. Dzięki przesyłaniu tylko nowych wiadomości zamiast całej historii, możliwe jest skrócenie czasu do pierwszego tokena.
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.