Podczas NYC Summit firma ElevenLabs ogłosiła szereg aktualizacji, koncentrując się na precyzyjnym dostrajaniu modeli (fine-tuning), silniku „Interaction Engine” do inteligentnego zarządzania modelami oraz trwałej pamięci agentów. Wprowadzono również funkcję „Routines” do automatyzacji procesów oraz aplikację „ElevenAI” poprawiającą produktywność na spotkaniach.
Badanie obejmujące 25 modeli LLM dostrojonych do domeny biomedycznej pokazuje, że proces adaptacji dziedzinowej często pogarsza zdolność modelu do przyznania się do niewiedzy. Podczas gdy modele bazowe już wcześniej miały trudności z odpowiednim powstrzymaniem się od odpowiedzi, po dostrojeniu zdolność ta spadła w 21 z 25 przypadków.
Naukowcy przedstawili MEMENTO, specjalistyczny framework agentowy oparty na Qwen3-8B, zaprojektowany do zarządzania długim kontekstem poprzez kompresję historii w zwięzłe notatki. Wykorzystując dostrajanie na syntetycznych trajektoriach oraz uczenie ze wzmocnieniem, osiąga wysoką dokładność w zadaniach na poziomie książek, ograniczając użycie kontekstu do 20 tys. tokenów, nawet przy danych wejściowych rzędu 2,5 mln tokenów.
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.
NVIDIA udostępniła zbiory danych 'Nemotron-Personas' dla Francji i Belgii, mające na celu poprawę dokładności modeli LLM w odniesieniu do regionalnych procedur, demografii i niuansów kulturowych. Aktualizacja dostarcza kompletny przepływ pracy post-treningowej – w tym generowanie danych, dostrajanie LoRA przez NVIDIA NeMo oraz ewaluację – aby pomóc deweloperom przejść od modeli ogólnych do agentów specyficznych dla danej dziedziny.
Naukowcy wprowadzili Recursive Semantic Divergence (RSD) – nienadzorowaną metrykę, która mierzy i karze niespójność w trajektoriach działania agentów LLM. Stosując RSD jako sygnał nagrody podczas dostrajania (fine-tuning), modele wykazują znacznie bardziej stabilne zachowanie i wyższe wskaźniki sukcesu w zadaniach wykorzystujących narzędzia.
AWS ogłosił ogólną dostępność (GA) funkcji „training sessions” w ramach serverless customization modeli Amazon SageMaker AI. Zespoły mogą pisać własne pętle post-treningowe — w tym niestandardowe funkcje straty i sygnały nagrody dla uczenia ze wzmocnieniem (RL) — podczas gdy SageMaker AI zajmuje się alokacją GPU, rozproszonym wykonaniem, odzyskiwaniem po awarii i przechowywaniem checkpointów. Obsługiwane techniki to SFT, DPO, RLVR, RLAIF oraz wielotaktowy RL, z wyborem LoRA lub pełnego fine-tuningu. Funkcja obsługuje modele gpt-oss-20b, gemma-4-31B-it, Qwen3.6-27B oraz Qwen3.8-27B, a rozliczenie opiera się na liczbie przetworzonych tokenów, z zatrzymaniem licznika podczas oceniania odpowiedzi przez funkcję nagrody użytkownika.
Google DeepMind i singapurska agencja GovTech uruchomiły model wykrywania oszustw działający bezpośrednio na urządzeniu, oparty na dostrojonym modelu Gemma, mający wykrywać oszustwa socjotechniczne, które odpowiadają za do 80% strat związanych z oszustwami w Singapurze. Model analizuje dane rozmów lokalnie, na urządzeniu, dzięki czemu działa nawet na w pełni szyfrowanych platformach komunikacyjnych. Wykorzystywany jest dwuetapowy proces: szybki wstępny klasyfikator wyłapuje podejrzane wiadomości, a model Gemma potwierdza realne zagrożenie i w czasie rzeczywistym ostrzega użytkownika.
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.