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

Zmiany modeli AI

Co dokładnie zmieniło się w modelach AI: kontekst, ceny, możliwości. Tylko wartości podane przez źródła — nigdy zgadywane.

WażneModeleGoogle Developers · 6 paź 2026

Google wprowadza EmbeddingGemma 2 — otwarty, wielomodalny model embeddingów do RAG

ParametrByłoJest
Architektura bazowaNie określonoDekoder oparty na Gemma 4
ParametryNie określono270M (tekst/kod) do 740M (wszystkie modalności)
Przestrzeń embeddingówNie określonoWspólna przestrzeń 768 wymiarów dla wszystkich modalności
Okno kontekstuNie określono8192 tokeny
Przycinanie wymiarówNie określonoMatryoshka Representation Learning, od 768 do 128 wymiarów
Benchmark wyszukiwania kodu (MTEB Code)Wynik bazowy EmbeddingGemma 1+14% wyniku względem EmbeddingGemma 1
LicencjaNie określonoApache 2.0
Czytaj więcej →
WażneModeleAWS Machine Learning · 6 paź 2026

GLM 5.3 (753B MoE) od Z.ai trafia do Amazon Bedrock z mocnymi wynikami w kodowaniu i bezpieczeństwie

ParametrByłoJest
ParametryNie określono753B mixture-of-experts
Benchmarki kodowaniaNie określonoKonkurencyjny w DeepSWE, Terminal Bench 3.0, FrontierSWE; 50% poprawa względem GLM 5.2 w wewnętrznym benchmarku kodowani
Benchmark cyberbezpieczeństwa (CyberGym)Nie określono84,5 (wiodący wynik w momencie premiery)
Buforowanie promptówNie określonoNiejawne (automatyczne) domyślnie, obsługiwane jawne punkty buforowania (min. 1024 tokeny na punkt)
Wnioskowanie między regionamiNie określonoProfile USA (us.zai.glm-5.3) i globalny (global.zai.glm-5.3)
Dostęp APINie określonoAPI zgodne z OpenAI (Responses i Chat Completions) oraz Bedrock Invoke i Converse
Poziomy usługNie określonoFlex, Priority, Standard
Czytaj więcej →
WażneVoice AINVIDIA Developer · 1 paź 2026

NVIDIA publikuje przepis na fine-tuning rozpoznawania mowy dla konkretnych dialektów z Nemotron

ParametrByłoJest
WER (test nadżdyjski+hidżaski)55,05%29,96%
CER (test nadżdyjski+hidżaski)31,63%12,18%
Pełny SADA WER58,84%35,61%
WER FLEURS angielski11,04%10,42%
WER FLEURS arabski12,67%11,41%
Trenowalne parametry (odmrożone górne 8 warstw)Nie określono230,4 mln z 638 mln łącznie
Pokrycie językowe40 lokalizacji językowych (model bazowy)To samo, plus wyspecjalizowane dialekty nadżdyjski/hidżaski
Czytaj więcej →
ModeleHugging Face · 2 paź 2026

Ai2 udostępnia na open source AstaBrief, szybki model 8B do generowania raportów naukowych

ParametrByłoJest
Model bazowyNie określonoQwen3-8B
Czas generowania raportu (średni, pełny pipeline)178,5 sekundy (tryb Thinking mode oparty na Claude)51,1 sekundy (AstaBrief Fast mode)
Szybkość względem Thinking mode1x (punkt odniesienia)ok. 3,5x szybciej
Liczba przykładów treningowych SFTNie określono47 tys. (z 90 tys. przefiltrowanych zapytań badawczych)
Liczba przykładów treningowych DPONie określonook. 6 tys.
Dostępność wag/danychZastrzeżone (Claude 3.5/3.7 Sonnet, o3, o4-mini, GPT-4.1 użyte do generowania danych)Udostępnione na open source wagi modelu i dane treningowe
Czytaj więcej →
WażneAgenciGoogle Developers · 23 wrz 2026

Antigravity SDK od Google dodaje wsparcie dla lokalnych modeli offline z Gemma 4 26B

ParametrByłoJest
Tryb wykonywaniaPrzepływy pracy agentów wyłącznie w chmurzeLokalne/offline wykonywanie poprzez LiteRT z Gemma 4 26B A4B, plus hybrydowa orkiestracja chmura-lokalnie
Wymagania sprzętoweNie określonoZalecane >24GB VRAM lub pamięć zunifikowana
Koszt w demo hybrydowymNie określono97,2% tokenów (3 322) uruchamianych lokalnie/offline; tylko 95 tokenów chmurowych użytych do planowania przez Gemini 3.8
Kompatybilne backendyNie określonoObsługuje lokalne serwery kompatybilne z OpenAI (Ollama, LM Studio, vLLM) poprzez LocalOpenAIAgentConfig
Czytaj więcej →