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

Badania AI

Prace naukowe, benchmarki, architektury, rozumowanie i metody trenowania.

Badania· Ważne

Microsoft Research prezentuje Magnetar – system dowodów zero-knowledge dla zwykłego kodu

Microsoft Research opublikował Magnetar – zero-knowledge wirtualną maszynę (zkVM), która generuje kryptograficzne dowody poprawnego wykonania programu, bez konieczności ponownego uruchamiania go czy zaufania operatorowi. Zamiast zmuszać programistów do przepisywania aplikacji na niestandardowe obwody kryptograficzne, Magnetar dowodzi wykonania standardowego kodu maszynowego RISC-V, dzięki czemu programy napisane w Rust, Go lub C można skompilować normalnie i udowodnić w niezmienionej postaci. Testy na 15 programach pokazują przetwarzanie 7,2-8,7 miliona instrukcji na sekundę na laptopie, przy czym weryfikacja dowodu zajmuje około 12 milisekund, a bezpieczeństwo kryptograficzne opiera się wyłącznie na standardowych funkcjach skrótu, takich jak SHA-256 czy SHA-3, a nie na krzywych eliptycznych czy schematach opartych na kratach.

Microsoft Research
Badania· 🧪 Warte przetestowania

AWS udostępnia open source'owe optymalizacje kerneli MoE dla vLLM – mniejsze opóźnienia i wyższa przepustowość na H200

AWS przedstawił trzy optymalizacje na poziomie kerneli dla obsługi modeli Mixture-of-Experts (MoE) na GPU Hopper, opracowane we współpracy ze społecznością vLLM i wdrożone w kontenerze LMI Amazon SageMaker AI. Zmiany eliminują nieefektywność obliczeń fused MoE podczas fazy dekodowania z małymi partiami, gdzie wcześniej rdzenie Tensor Core były niedostatecznie wykorzystywane. Łącznie optymalizacje dają do 10% wyższą przepustowość i do 9% szybszy czas do pierwszego tokena (TTFT).

AWS Machine Learning
Badania· Ważne

IBM pokazuje, że agenci AI oparte na otwartych modelach mogą obniżyć koszty projektowania chipów ponad 11-krotnie

IBM Research wykorzystało skoordynowaną „fabrykę agentów” wieloagentowych do eksploracji optymalizacji sprzętowych dekodera korekcji błędów kwantowych, porównując modele własnościowe i otwarte modele wiodące przy tym samym budżecie 100 hipotez. Konfiguracja z otwartym modelem, uruchomiona lokalnie przez framework rozproszonego wnioskowania IBM llm-d, osiągnęła 52-krotne przyspieszenie względem bazowego projektu za około 26 USD kosztów wnioskowania, w porównaniu do 299 USD dla konfiguracji z modelem własnościowym, która osiągnęła wyższe, 204-krotne przyspieszenie. Badanie pokazuje, że routing uwzględniający pamięć podręczną i efektywne serwowanie (98% trafień w cache prefiksów, ~0,11 USD za milion tokenów) sprawiły, że podejście z otwartymi modelami było znacznie tańsze, przy wciąż znajdowaniu poprawnych, kompaktowych projektów sprzętowych.

IBM Research
Badania· 🧪 Warte przetestowania

Badacze Apple proponują samodzielnie decydującą kompaktyzację kontekstu dla długo działających agentów AI

Badacze Apple ML opublikowali artykuł na NeurIPS wprowadzający SELFCOMPACT – strukturę pozwalającą agentom opartym na modelach językowych samodzielnie decydować, kiedy i jak kompaktować zgromadzony kontekst, zamiast polegać na kompaktyzacji wyzwalanej w stałych odstępach na podstawie liczby tokenów. Metoda łączy narzędzie kompaktyzacji wywoływane przez model z lekkim zestawem reguł wskazujących, kiedy działać (gdy podzadanie zostało rozwiązane) i kiedy wstrzymać się (w trakcie wyprowadzania lub przy utknięciu). Testowana na sześciu benchmarkach i siedmiu modelach, dorównała lub przewyższyła kompaktyzację w stałych odstępach, zużywając znacznie mniej tokenów.

Apple Machine Learning

Badacze Apple proponują zamianę bezczynnych GPU w Makach we wspólny klaster do wnioskowania

Nowy artykuł badawczy Apple przedstawia Minions – system łączący niewykorzystaną moc GPU w komputerach Mac z chipami Apple Silicon w jedną rozproszoną chmurę do uruchamiania wnioskowania modeli uczenia maszynowego. Zamiast kupować dodatkowy sprzęt GPU, zespoły mogłyby wykorzystać wolną moc obliczeniową już posiadanych urządzeń z macOS. Autorzy twierdzą, że system zapewnia planowanie zadań, odporność na awarie i efektywne wykorzystanie zasobów, oferując alternatywę, gdy dedykowanych zasobów GPU brakuje lub są drogie.

Apple Machine Learning
Badania· Ważne· 🧪 Warte przetestowania

„Priming” od Amazon zamienia wstępnie wytrenowane modele Transformer w wydajne hybrydy za mniej niż 1% kosztu treningu

Badacze z Amazon Web Services opublikowali metodę „priming”, która przekształca wstępnie wytrenowane modele Transformer w architektury hybrydowe łączące warstwy uwagi (attention) i modeli przestrzeni stanów (SSM), wykorzystując istniejące wagi zamiast treningu od zera. Podejście obniża koszty wstępnego treningu o ponad 99% i pozwala 32-miliardowemu modelowi hybrydowemu dorównać jakością źródłowemu modelowi Transformer, dekodując nawet dwukrotnie szybciej. Amazon przetestował trzy typy SSM i udostępnił otwartoźródłowy zestaw modeli, kod treningowy oraz narzędzia na licencji Apache 2.0.

Amazon Science

NVIDIA i Princeton eliminują wąskie gardła dekodowania w hybrydowych modelach SSM

NVIDIA wraz z Dao AI Lab z Princeton opracowały ReplaySSM — nowy sposób przechowywania stanu w modelach hybrydowych, które łączą warstwy state-space (SSM) z warstwami uwagi (attention). Zamiast przepisywać cały stan w każdym kroku, metoda utrzymuje okresowy punkt kontrolny (checkpoint) oraz krótką listę ostatnich wejść, oddzielając obliczanie wyniku od aktualizacji pamięci. Efektem jest niemal dwukrotnie mniejszy ruch pamięci, przyspieszenie jąder dekodowania nawet 1,80-krotnie przy dużych partiach oraz ponad dwukrotny wzrost przepustowości dekodowania spekulacyjnego w modelach klasy 120B, przy zachowaniu dokładności zbliżonej do pełnej precyzji. Metoda jest już zintegrowana z TensorRT-LLM, vLLM i FlashInfer oraz działa produkcyjnie w GLM-5.3-Flash i Kimi-K3.

NVIDIA Developer

NVIDIA otwiera architekturę stojaków Vera Rubin i promuje otwarte standardy dla centrów danych AI

Podczas OCP Global Summit NVIDIA przekazała projekty stojaków i tac obliczeniowych Vera Rubin do otwartej architektury MGX oraz ogłosiła szereg partnerstw dotyczących zasilania, chłodzenia i standardów sieciowych dla fabryk AI. Wśród partnerów są hiperskalowi gracze tacy jak Meta, Google, Microsoft i AMD, a także Cisco i Visionbay. Ogłoszenia obejmują specyfikacje stojaków (MGX 1.2), nowe oprogramowanie open source do zarządzania centrami danych AI (komponenty DSX OS), standardy odporności sieci energetycznej, architekturę zasilania 800V DC, nowe przełączanie Ethernet (Spectrum-6) oraz nowy standard modułów optycznych (USFP) wspólnie z Cisco.

NVIDIA

NVIDIA pokazuje, jak uczynić wielkoskalowe pretrenowanie modeli deterministycznym bitowo przy niskim koszcie

NVIDIA opisała przepływ pracy wbudowany w Megatron Core, który sprawia, że wielkoskalowe pretrenowanie jest deterministyczne na poziomie bitowym — niezależne lub wznawiane z checkpointu uruchomienia treningu podążają dokładnie tą samą trajektorią numeryczną. Dzięki fingerprintingowi tensorów na poziomie faz treningu, modułów, operacji i kerneli inżynierowie mogą namierzyć niedeterminizm aż do konkretnego kernela i go naprawić. Dla modelu Nemotron z bilionem parametrów działającego na 2432 GPU optymalizacje obniżyły koszt wymuszania determinizmu ('determinism tax') do około 2%, zachowując identyczne bitowo wyniki przez 800 kroków treningu.

NVIDIA Developer

Apple publikuje artykuł na NeurIPS o szybkim generowaniu obrazów z zachowaniem dokładnej matematyki prawdopodobieństwa

Naukowcy Apple, wraz ze współpracownikami z University of Pennsylvania i UIUC, przedstawili nową technikę modelowania generatywnego o nazwie Normalizing Trajectory Models (NTM) w artykule przyjętym na konferencję NeurIPS. W przeciwieństwie do typowych modeli dyfuzyjnych, które opierają się na wielu małych krokach odszumiania Gaussa, NTM traktuje każdy krok jako elastyczną, odwracalną transformację zachowującą dokładne obliczenia prawdopodobieństwa — coś, co większość szybkich metod kilkuetapowych traci, polegając na destylacji lub trenowaniu adwersarialnym. Według artykułu, NTM może dorównać lub przewyższyć mocne modele bazowe text-to-image, używając zaledwie czterech kroków próbkowania.

Apple Machine Learning

Apple prezentuje metodę trenowania agentów w wielu środowiskach opartą na rubrykach

Badacze Apple, wspólnie z Narodowym Uniwersytetem Singapuru, opublikowali pracę o RISED – nowej metodzie trenowania agentów LLM, które muszą jednocześnie uczyć się w wielu różnych środowiskach interaktywnych. Zamiast polegać wyłącznie na skalarnych sygnałach nagrody, RISED wykorzystuje sędziego LLM, który oznacza każdy przebieg treningowy rubrykami opisującymi zachowanie, a następnie wykorzystuje te oznaczenia do wyboru danych treningowych i dostarczenia dodatkowego nadzoru. Autorzy podają, że RISED osiąga najwyższy średni wskaźnik sukcesu we wszystkich środowiskach w porównaniu z istniejącymi metodami, zajmując pierwsze lub drugie miejsce w każdym testowanym środowisku.

Apple Machine Learning

Google publikuje pięć badań potwierdzających wartość geoprzestrzennego modelu zdrowotnego PDFM

Google Research opublikował wyniki pięciu niezależnych ocen partnerskich modelu Population Dynamics Foundation Model (PDFM) — systemu Google Earth AI, który przekształca trendy wyszukiwania, mobilność ludzi, gęstość zabudowy oraz dane środowiskowe w comiesięczne osadzenia lokalizacyjne (embeddingi). Instytucje zdrowotne wdrożyły te wstępnie wytrenowane embeddingi bezpośrednio do swoich istniejących modeli statystycznych i ML, bez żadnego dostrajania pod konkretne zadanie, i przetestowały je w pięciu bardzo różnych problemach epidemiologicznych. Każdy partner zgłosił mierzalną poprawę względem konwencjonalnych źródeł danych, argumentując, że PDFM może być gotowym do użycia uzupełnieniem lub zamiennikiem wolnych, rozproszonych danych zdrowotnych.

Google Research

Google Research publikuje raport o wyzwaniach prywatności i bezpieczeństwa autonomicznych agentów AI

Google Research opublikowało raport z warsztatów Contextual Agent Privacy and Security (CAPS), współtworzony przez ponad 50 naukowców i przedstawicieli branży. Raport argumentuje, że agenci AI muszą rozumieć kontekstowe normy społeczne, a nie tylko statyczne uprawnienia, aby działać właściwie przy obsłudze danych osobowych i wykonywaniu działań w imieniu użytkownika. Zaproponowano wielowarstwowe podejście obejmujące sandboxing na poziomie systemu, wnioskowanie na poziomie modelu, kontrolki zorientowane na użytkownika, zabezpieczenia wielu agentów i zarządzanie ekosystemem, oparte na teorii Integralności Kontekstowej (Contextual Integrity).

Google Research
Badania· Ważne· 🧪 Warte przetestowania

GitHub udostępnia ReviewBench — wspólny standard oceny agentów AI do przeglądu kodu

GitHub opublikował ReviewBench, benchmark w fazie podglądu badawczego (research preview), który ma umożliwić porównywanie agentów AI do przeglądu kodu według wspólnego, weryfikowalnego standardu. Zbiór danych obejmuje 219 rzeczywistych publicznych pull requestów w 19 językach i 187 repozytoriach, dobranych tak, by odzwierciedlały rozkład języków i rozmiarów wśród 103,9 mln rzeczywistych pull requestów na GitHubie. Dane referencyjne (ground truth) pochodzą z połączenia recenzentów-ludzi, narzędzi do analizy statycznej oraz kilku czołowych modeli LLM, a ich oceny zweryfikowali starsi inżynierowie, których osądy zgadzały się z etykietami benchmarku w 96,6% przypadków. GitHub twierdzi, że już wykorzystał ReviewBench wewnętrznie do śledzenia własnego produktu Copilot code review (CCR), a zmiany wyników offline wiarygodnie przewidywały kierunek późniejszych testów A/B na produkcji.

GitHub

AWS opisuje agentową sztuczną inteligencję opartą na grafach do analizy przyczyn źródłowych w sieciach

Naukowcy z AWS opisują system, który modeluje sieć telekomunikacyjną jako stale aktualizowany graf ('cyfrowego bliźniaka') i wykorzystuje agentów AI do uruchamiania kaskady algorytmów grafowych (dekompozycja, klasteryzacja, rankingowanie centralności), aby zlokalizować źródłowe przyczyny awarii. Metodę zademonstrowano wspólnie z NTT DOCOMO na konferencji Mobile World Conference, podobno skracając czas analizy przyczyn źródłowych z godzin do minut w sieciach komercyjnych. Agenci konsultują też bazę wiedzy o incydentach oraz runbooki, a z czasem mogą przechodzić od roli doradczej do pełnej, samodzielnej naprawy.

Amazon Science

Microsoft Research uruchamia Quine, model świata AI zbudowany do odkryć biologicznych

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.

Microsoft Research

Zespół TPU Google odtwarza trening Olmo 3 7B od Ai2 w MaxText

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.

Google Developers

Google pokazuje, jak przyspieszyć uwagę w dyfuzji wideo na TPU 2,4x

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.

Google Developers

Google DeepMind wprowadza SynthID Bio do znakowania białek generowanych przez AI

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 DeepMind